Modelos de IA ocidentais falham espetacularmente em fazendas e florestas no exterior
Modelos de inteligência artificial desenvolvidos por gigantes da tecnologia ocidental têm demonstrado falhas notáveis quando aplicados em cenários agrícolas fora de seus mercados de origem. A ciência por trás dessas ferramentas, que prometem revolucionar desde o mapeamento de safras até o monitoramento de desmatamento, muitas vezes se choca com a realidade de contextos locais, especialmente no Sul Global. A falta de adaptação e dados específicos para essas regiões torna essas soluções, em muitos casos, irrelevantes e potencialmente agravadoras de desigualdades existentes.
A especialista Catherine Nakalembe, professora assistente na Universidade de Maryland e diretora do programa África na NASA Harvest, exemplifica o desafio. Ao tentar mapear tipos de culturas no oeste do Quênia, ela se deparou com a limitação de modelos de IA que não reconheciam as plantações locais. A solução encontrada foi a coleta de dados próprios: câmeras GoPro em capacetes de voluntários registraram mais de 5 milhões de imagens em duas semanas, treinando o reconhecimento facial para identificar milho, feijão e mandioca. Essa iniciativa destaca uma necessidade fundamental: a adaptação de sistemas de IA, frequentemente treinados com dados europeus e americanos, para contextos locais.
Desafios da aplicação de IA no Sul Global
A relevância das ferramentas de IA no setor agrícola é inegável, com potencial para otimizar a produção e auxiliar pequenos agricultores, que representam mais de 2 bilhões de pessoas em países de baixa e média renda. No entanto, a aplicação dessas tecnologias enfrenta barreiras significativas. Oren Ahoobim, da consultoria Dalberg Advisors, aponta que a qualidade e disponibilidade dos dados subjacentes melhoraram drasticamente, mas a adaptação para o Sul Global é crucial. “Sistemas de IA construídos no Ocidente muitas vezes falham em considerar os contextos do Sul Global, incluindo altos custos de internet, largura de banda limitada e falta de dados de treinamento rotulados”, explica Nakalembe.
Quando esses sistemas não são adaptados, eles correm o risco de se tornarem irrelevantes, aprofundando desigualdades. Existe ainda o perigo de que priorizem o lucro corporativo em detrimento das necessidades dos agricultores. A inteligência artificial é vista como uma solução para combater a fome, um dos objetivos de desenvolvimento sustentável da ONU, mas a sua implementação eficaz depende de um entendimento profundo das realidades locais.
Exemplos práticos e lições aprendidas
Apesar dos desafios, a IA já demonstra seu potencial em diversas iniciativas. No Pará, Brasil, dados costeiros em tempo real são transformados em alertas de voz via WhatsApp para pescadores e produtores de ostras. A Microsoft utiliza IA para monitorar o desmatamento na Amazônia através de bioacústica.
Na Ásia e África, o aplicativo FarmerChat, da Digital Green, atende a mais de 1 milhão de agricultores, usando IA generativa para responder a perguntas em 16 idiomas locais e diagnosticar problemas em plantas a partir de imagens. Rikin Gandhi, cofundador da Digital Green, ressalta que os modelos de linguagem foram treinados com mais de 120.000 interações de agricultores e respostas de especialistas, utilizando a linguagem que os próprios agricultores utilizam. “A agricultura é hiperlocal: tipo de solo, chuva, altitude, pragas e mercados variam de vila para vila. O aprendizado do modelo deve permanecer próximo a essas realidades”, afirma Gandhi.
O risco do colonialismo digital e a importância da adaptação local
A iniciativa Farmers for Forests, na Índia, enfrentou um revés ao utilizar um modelo popular de código aberto para analisar dados florestais no estado de Maharashtra. O modelo, treinado em florestas norte-americanas, falhou em identificar mais da metade das árvores. Arti Dhar, diretora do grupo, enfatizou: “É uma lição clara que você não pode simplesmente introduzir IA ocidental no Sul Global e esperar que funcione.” Sua equipe desenvolveu um modelo customizado, baseado no Detectron2 da Meta, que mapeia árvores em imagens de drones para calcular o sequestro de carbono, gerando renda para os agricultores. O chatbot ChutkiAI, também desenvolvido pela equipe, oferece suporte aos agricultores.
“Propriedade e adaptação local são críticas… caso contrário, a promessa da IA permanecerá concentrada nas mãos de poucos”, alerta Dhar. Ela acrescenta que a tecnologia é apenas parte da solução; a confiança e o alinhamento com as necessidades econômicas reais dos agricultores são essenciais. O mercado de ferramentas digitais para agricultura, avaliado em cerca de 30 bilhões de dólares em 2025 e projetado para atingir 84 bilhões até 2034, atrai grandes empresas de tecnologia. Contudo, há um risco de que a IA se torne uma nova forma de colonialismo digital, com empresas extraindo dados de comunidades vulneráveis para criar modelos proprietários e, em seguida, vendendo serviços de volta a essas mesmas comunidades.
A inteligência artificial otimizada apenas para curto prazo, ignorando questões como esgotamento de água e degradação do solo, pode minar a resiliência a longo prazo. Gandhi conclui: “Um sistema de IA pode ter um bom desempenho técnico e ainda assim falhar com os agricultores se ignorar as realidades econômicas e ecológicas. A verdadeira medida da IA na agricultura é se ela fortalece a agência do agricultor, melhora a lucratividade, apoia a sustentabilidade e funciona para homens e mulheres. Isso depende inteiramente da construção com os agricultores, não apenas para eles.”
