No último ano, participei de mais conferências sobre IA do que consigo contar. Embora todas elas destaquem tópicos importantes na interseção entre IA e sistemas alimentares, comecei a refletir se as instituições de pesquisa agrícola não correm o risco de confundir atividades relacionadas à IA com uma estratégia de IA.

   As organizações de pesquisa querem manter sua relevância neste setor que evolui rapidamente; por isso, muitas estão desenvolvendo "chatbots", plataformas, painéis de controle, ferramentas de aconselhamento, infraestruturas de dados... A tentação é compreensível. Há interesse por parte dos financiadores. Empresas de tecnologia estão entrando no setor.

   Será que as organizações públicas de pesquisa agrícola possuem uma vantagem comparativa estratégica no desenvolvimento de ferramentas de IA? A resposta, provavelmente, é não: produtos digitais exigem engenharia de software, gestão de produtos, suporte ao usuário, manutenção, cibersegurança, modelos de negócios e iteração contínua. Se as instituições de pesquisa avançarem demais nessa direção, correm o risco de se distanciar de sua missão de promover o bem público, de competir com fornecedores locais de tecnologia e de produzir ferramentas de manutenção cara, que se tornam obsoletas rapidamente e têm baixa adoção. Isso não significa que o CGIAR nunca deva desenvolver tecnologia. Significa apenas que o desenvolvimento tecnológico deve ser a exceção, e não a reação automática.

   A questão mais complexa não é o que podemos construir. É o que deveríamos construir, o que outros estão mais bem posicionados para desenvolver e que tipo de conhecimento apenas as instituições de pesquisa podem oferecer.

   A vantagem comparativa do CGIAR e de outras organizações de pesquisa agrícola reside em outros aspectos: elas possuem conhecimento científico valioso, conjuntos de dados, relações de confiança e vasta experiência em sistemas agrícolas. Esses são ativos poderosos na era da IA.

   Um papel mais relevante para os pesquisadores de sistemas agroalimentares pode ser o desenvolvimento da infraestrutura de conhecimento que viabiliza tecnologias melhores: ciência de alta qualidade, padrões, parâmetros de referência, princípios de governança e salvaguardas para o uso responsável de dados. Essas são áreas em que a pesquisa pública pode orientar e gerar valor para ecossistemas de inovação inteiros, em vez de simplesmente lançar mais uma ferramenta baseada em projetos específicos.

   Mas, mesmo nesses casos, recomenda-se cautela.

   Muitas discussões sobre IA na agricultura rapidamente se restringem a debates sobre dados. Quem é o proprietário? Quem os armazena? Quem define a governança? Quem tem acesso? Quem está representado? Essas são questões importantes, mas também podem criar a falsa sensação de segurança de que as instituições de pesquisa permanecerão centrais na era da IA ​​simplesmente por deterem os dados. Essa suposição evita uma pergunta mais difícil: será que os agricultores, os agentes de extensão e as organizações agrícolas nacionais realmente precisam do que está sendo desenvolvido?

   Um estudo recente torna essa tensão evidente. Quando questionados sobre quem mais se beneficiaria de dados agrícolas agregados, apenas 16% dos agricultores apontaram a si mesmos como os principais beneficiários. Essa constatação sugere que muitos agricultores percebem os dados agrícolas como geradores de valor principalmente para agentes comerciais, e não para aqueles que os produzem. Um dado que deveria nos fazer parar para refletir.

   Se os agricultores não veem os mecanismos de coleta, controle e conversão de dados agrícolas em valor como algo que atende aos seus interesses, rotular tais mecanismos como "centrados no ser humano" não os torna realmente assim. Eles podem ser inclusivos na linguagem, mas excludentes na prática; tecnicamente sofisticados, mas pouco alinhados à forma como as decisões são realmente tomadas; ou concebidos para responder a uma pergunta que nenhum agricultor ou consultor está fazendo.

   Esse é o problema da lógica de "se construirmos, eles virão", que ainda molda grande parte das discussões sobre tecnologia agrícola. Ela não parte da identificação de um problema. Começa com recursos institucionais e expande-se a partir daí, em vez de partir das decisões, limitações e aspirações dos agricultores. Os dados podem contribuir para a solução, mas não substituem a compreensão do problema.

   O design centrado no ser humano (HCD, na sigla em inglês) é frequentemente apresentado como a correção para essa tendência. No entanto, ele pode reproduzir a mesma lógica quando os usuários são envolvidos apenas depois que o problema, a tecnologia e o resultado desejado já foram definidos. O HCD é uma abordagem criativa para o design de tecnologia que prioriza as necessidades dos usuários, mas, na realidade, é muitas vezes tratado como um instrumento para ampliar a adoção de ferramentas que os cientistas já consideram adequadas. Os usuários são consultados para refinar a interface, validar o conceito ou reduzir atritos. Seu papel é ajudar uma inovação predeterminada a alcançar maior alcance.

   Para que o HCD seja relevante na era da IA, ele precisa ir além de ser apenas um método para facilitar a adoção de ferramentas existentes. Precisa tornar-se uma agenda de pesquisa que examine quais ferramentas — se é que são necessárias — as pessoas realmente precisam, quais funções essas ferramentas devem desempenhar e quais recursos as tornariam úteis dentro da realidade da tomada de decisões cotidiana.

   O apelo de construir ferramentas, plataformas e infraestruturas de dados é evidente: criar e lançar novas ferramentas gera visibilidade. Contudo, é nessas outras questões — de natureza mais qualitativa ou estratégica — que as organizações de pesquisa podem realmente exercer maior impacto na era da IA, marcada por rápidas transformações.

   Os sistemas de IA só serão úteis na agricultura se forem desenvolvidos com base em contextos reais de tomada de decisão. Um agricultor que precisa decidir se aplica fertilizante, vende milho, planta mais cedo, busca crédito, confia em uma recomendação ou compartilha dados da propriedade não pode ser visto simplesmente como o usuário final de uma ferramenta específica. Os agricultores operam em um ambiente social, econômico e institucional que precisa ser compreendido e incorporado a qualquer ferramenta de IA para que ela seja útil. Ferramentas de IA que ignoram esse ambiente o fazem por sua conta e risco; correm o perigo de propagar, em maior escala e velocidade, as mesmas falhas de design de sempre.

   As instituições de pesquisa agrícola não precisam controlar a entrega final ao usuário (*last-mile delivery*). Não precisam criar uma infinidade de aplicativos. Não precisam se transformar em empresas de plataforma. Em vez disso, sua contribuição mais importante é ajudar o ecossistema de inovação como um todo a compreender melhor os agricultores.

   Elas podem gerar evidências sobre as necessidades dos usuários em diferentes sistemas agrícolas; apoiar processos de design participativo que tratem agricultores e organizações locais como cocriadores, e não apenas como fontes de dados; avaliar não apenas se uma ferramenta foi adotada, mas se seu design foi inclusivo e responsável; e identificar onde a IA agrega valor, onde ferramentas mais simples são preferíveis e onde nenhuma solução técnica é adequada. Muito disso pode ser realizado por meio de métodos de pesquisa já conhecidos: pesquisas de opinião, entrevistas, grupos focais, observação e oficinas participativas.

   Essa divisão de trabalho também favoreceria um melhor relacionamento com o setor privado. Empresas de tecnologia e “startups” podem estar em melhor posição para desenvolver e manter produtos. Pequenas e médias empresas (PMEs) locais podem estar mais aptas a adaptar ferramentas aos mercados regionais. Prestadores de serviços de extensão rural podem estar mais bem posicionados para oferecer orientações. Organizações de agricultores podem estar em melhor posição para definir prioridades. A pesquisa pública pode fortalecer todos esses atores ao tornar a base de conhecimento subjacente mais sólida e inclusiva.

   Lançar novas plataformas gera visibilidade. No entanto, em última análise, o valor público advém de tornar a inovação agrícola — incluindo as ferramentas de IA — mais útil para as pessoas a quem ela se destina.

   Não vejo a IA resolvendo o problema da relevância na pesquisa agrícola. Ela pode até agravá-lo, ao privilegiar a velocidade, a escala e a novidade técnica em detrimento de uma compreensão mais profunda dos usuários e de seus contextos.

   Na era da IA, a pesquisa agrícola não deve começar pela tecnologia. Deve começar pela pergunta que, com demasiada frequência, fica para o final: a quem essa tecnologia realmente se destina?

*Confira o estudo em:

 https://www.sciencedirect.com/science/article/pii/S0743016726000781

*Este artigo foi escrito por Eliot Jones-Garcia, Analista Sênior de Pesquisa do IFPRI, para o Acelerador de Transformação Digital do CGIAR. Confira no seu idioma original através de: