Participei, na manhã de 20 de agosto de 2026, da Semana de Integração Acadêmica do curso de Engenharia Agronômica da UNEB, Campus XXII, em Euclides da Cunha/BA, organizada pelas professoras Jéssyca Dellinhares L. Martins e Érica Correia da Silva.

Apresentei a palestra “Agricultura digital e inteligência artificial: o que muda no campo e na formação do agrônomo”, seguida de um debate com estudantes e docentes sobre os impactos das inteligências artificiais na agricultura, na universidade e na formação profissional.

Na sequência, a programação contou com a participação do pesquisador Ocante António Ié, dando continuidade às atividades do encontro. A seguir, compartilho um breve resumo da apresentação. A palestra foi gravada e transcrita e, posteriormente, organizei o conteúdo com o apoio de uma IA contextualizada com os materiais, referências e temas que orientaram a preparação da fala.

A pergunta central não foi simplesmente “o que a inteligência artificial pode fazer no campo?”. A pergunta mais importante foi outra: a serviço de qual modelo de agricultura queremos colocar essa inteligência?

Essa diferença muda tudo. A IA já está chegando – e em muitos casos já está presente – na leitura de imagens, no monitoramento de lavouras, na previsão climática, na irrigação, na logística, no melhoramento genético e na organização de grandes bases de dados. Ela pode ampliar a nossa capacidade de perceber padrões, antecipar cenários e apoiar decisões. Mas não substitui a decisão, nem resolve por si só os conflitos sobre produção, ambiente, território e soberania.

A agricultura sempre foi tecnológica

Há uma imagem recorrente de que o campo seria o lugar oposto à tecnologia: um refúgio distante das telas, das máquinas e das redes. A história da agricultura mostra exatamente o contrário. Manejar sementes, domesticar animais, construir calendários, irrigar, preparar o solo, selecionar variedades e mecanizar a produção são formas muito antigas de relação entre conhecimento, técnica e ambiente.

A inteligência artificial é, portanto, mais uma camada nessa longa história. Ela não inaugura a tecnologia na agricultura; ela altera a escala, a velocidade e o modo como dados são produzidos, interpretados e transformados em ação.

Hoje, sensores, satélites, drones, estações meteorológicas, máquinas conectadas e sistemas de gestão conseguem tornar visíveis processos antes difíceis de acompanhar continuamente. A IA pode relacionar essas informações, identificar anomalias, formular previsões e indicar possibilidades. Ela atua como uma camada de mediação entre território, conhecimento e ação.

Mas mediação não é neutralidade. Toda medição seleciona algo; todo modelo privilegia certas variáveis; toda recomendação embute uma ideia do que vale a pena otimizar.

Eficiência não basta: a urgência da resiliência

O contraste entre eficiência e resiliência ajuda a organizar esse debate. A agricultura moderna ampliou muito a produtividade com mecanização, fertilizantes, sementes melhoradas e cadeias logísticas cada vez mais integradas. Ao mesmo tempo, em muitos contextos, também produziu dependência de energia, insumos, infraestrutura, crédito, transporte e monoculturas.

O problema não está em buscar eficiência. O problema é fazer dela o único critério de inteligência.

Em um cenário de instabilidade climática, eventos extremos, pressão sobre a água, perda de biodiversidade e vulnerabilidades logísticas, uma agricultura inteligente precisa ser também adaptativa. Precisa conseguir responder ao imprevisto, trabalhar com diversidade e manter condições de vida e produção mesmo quando o ambiente se transforma.

É nesse ponto que a IA pode ser uma aliada valiosa: não apenas para acelerar a produção, mas para melhorar a percepção do ambiente, antecipar riscos e apoiar estratégias de adaptação. A pergunta decisiva é se ela será usada para aprofundar uma lógica de controle absoluto ou para fortalecer a resiliência dos sistemas agrícolas e dos territórios.

Quando o território vira dado

Para que a IA opere, o território precisa deixar rastros: medições de umidade, temperatura, solo, crescimento, doenças, chuva, preço, fluxo logístico, cobertura vegetal e muitos outros indicadores. Há uma passagem importante aí: o território não se torna a IA; ele se torna uma representação em dados.

Isso abre possibilidades extraordinárias, mas exige cuidado. Um mapa não é o território. Uma planilha não é a lavoura. Um painel de indicadores não contém, sozinho, a experiência de quem conhece o solo, as plantas, o clima, a comunidade e a história daquele lugar.

Dados são indispensáveis, mas não são completos. Sempre haverá dimensões que escapam à medição: relações ecológicas mais amplas, conhecimento local, sinais ainda não capturados por sensores e impactos sociais ou ambientais que não entram em uma métrica de produtividade.

O risco de uma agricultura guiada apenas por modelos é confundir representação com realidade e otimização com boa decisão.

Casos que mostram o alcance – e os limites – dessa transformação

Os exemplos discutidos na palestra ajudam a visualizar as escalas envolvidas.

Em ambientes controlados, como as estufas de alta tecnologia usadas para produção de morangos, sensores, iluminação artificial, irrigação precisa e robótica permitem acompanhar plantas em tempo integral e reduzir desperdícios. É uma demonstração impressionante de como dados e automação podem reorganizar a produção. Ao mesmo tempo, ela nos convida a perguntar: esse modelo serve para todos os contextos? Qual é sua dependência energética? Que tipo de agricultura ele favorece?

Na China, ecossistemas que combinam dados agrícolas, previsão, logística, estoque e abastecimento mostram que a transformação não se limita à lavoura.

Na China a IA pode reorganizar cadeias inteiras, da produção à circulação de alimentos. O desafio deixa de ser apenas produzir mais e passa a ser governar sistemas de enorme escala.

O AmazonFACE revela outra dimensão. Ao estudar como uma floresta amazônica responde ao aumento de CO2, o projeto constrói infraestrutura científica para gerar dados capazes de melhorar modelos climáticos e apoiar decisões públicas.

Não é apenas “usar IA”: é produzir conhecimento sobre os limites e as respostas de um ecossistema decisivo para o planeta.

O satélite SWOT, por sua vez, amplia a capacidade de observar rios, lagos, reservatórios e oceanos. Informações desse tipo são estratégicas para gestão hídrica, previsão de cheias, resposta a desastres e adaptação climática. Depois de eventos extremos no Brasil, é fácil compreender que dados sobre a água não são abstrações técnicas: podem significar capacidade de antecipar riscos e proteger vidas.

Há ainda uma camada decisiva: a biodiversidade também está se tornando uma infraestrutura de dados. Mapear espécies, interações ecológicas e riquezas biológicas pode abrir caminhos para pesquisa, conservação, medicamentos e novos usos econômicos.

Por isso, não basta perguntar quem coleta os dados. É preciso perguntar quem os armazena, quem define seus usos e onde fica o valor produzido a partir deles.

O novo papel do agrônomo

Nesse cenário, a IA não diminui a importância do agrônomo. Ela amplia sua responsabilidade.

O profissional da Agronomia tende a assumir, cada vez mais, papéis de intérprete do território, auditor de modelos e mediador entre conhecimento técnico, saberes locais, sistemas de dados e decisões práticas. Isso exige domínio das ferramentas, mas também capacidade crítica para questionar recomendações automáticas, identificar lacunas e compreender os efeitos de cada escolha.

Uma IA pode indicar uma intervenção. Quem avalia se ela faz sentido naquele solo, naquele sistema produtivo, naquela comunidade e naquele momento é o profissional que consegue ler o contexto. A boa decisão não vem de delegar o pensamento à máquina, mas de combinar diferentes formas de inteligência.

Na formação, isso vale também para o uso cotidiano das plataformas generativas. Elas podem resumir textos, sugerir estruturas, apoiar pesquisas e ajudar na organização do estudo. Mas precisam ser usadas como tutoras e parceiras de investigação, não como substitutas da capacidade cognitiva. Pedir que a ferramenta faça perguntas, ajude a comparar argumentos e explique um conceito é muito mais formativo do que apenas pedir uma resposta pronta.

Governança, desigualdade e soberania tecnológica

O debate sobre IA na agricultura não é apenas técnico. Ele é também político e infraestrutural.

De quem são os dados produzidos no campo? Onde eles ficam armazenados? Quais empresas controlam as plataformas, os modelos, os servidores e os padrões de acesso? Quem consegue pagar por essas ferramentas? Quem fica dependente de soluções externas?

Essas perguntas são especialmente importantes para o Brasil, país que reúne grande diversidade ecológica, sistemas produtivos distintos e conhecimento acumulado em territórios como Amazônia, Cerrado, Caatinga e áreas de agricultura familiar. Não faz sentido importar modelos prontos e imaginar que eles reconhecerão, sozinhos, a complexidade dessas realidades.

Buscar autonomia não significa recusar a tecnologia. Significa construir condições para compreendê-la, adaptá-la, fiscalizá-la e, quando possível, desenvolver alternativas próprias. Infraestrutura pública, pesquisa, modelos abertos, formação crítica e políticas de dados são partes desse caminho.

Também significa olhar para a desigualdade. A IA se espalha com enorme velocidade, inclusive entre pessoas que nem sempre sabem como ela opera ou como seus dados são usados. Sem educação midiática, acesso qualificado e políticas públicas, uma ferramenta que poderia ampliar capacidades pode aprofundar assimetrias já existentes.

Aterrar a inteligência

Bruno Latour oferece uma provocação útil para fechar essa conversa. Em vez de imaginar que estamos acima da natureza, como se o planeta fosse um cenário externo para a ação humana, ele nos convida a reconhecer que habitamos e dependemos de uma rede de seres, processos e territórios.

Aplicada à agricultura, essa visão desloca o debate. Não se trata apenas de usar máquinas mais inteligentes para extrair mais do ambiente. Trata-se de construir formas de produção capazes de coexistir com a água, o solo, as plantas, os microrganismos, os ciclos climáticos e as comunidades que sustentam a vida no território.

O futuro não deve ser decidido apenas por máquinas, nem apenas por indicadores de curto prazo. Uma agricultura verdadeiramente inteligente será aquela que souber usar dados e algoritmos sem perder de vista o que eles não capturam; que buscar produtividade sem sacrificar diversidade; e que tratar tecnologia como instrumento de cuidado, autonomia e responsabilidade coletiva.

No fim, talvez a questão não seja se a IA será parte da Agronomia. Ela já é. A questão é: que agricultura ela ajudará a construir – e quais relações queremos tornar capazes de durar?