La inteligencia artificial (IA) es una tecnología disruptiva que está transformando la producción agropecuaria, mejorando la eficiencia, sostenibilidad y productividad del sector. La IA se define como la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana, como el aprendizaje, el razonamiento y la toma de decisiones (Russell & Norvig, 2016). Dentro de la IA, existen subcategorías clave: el Machine Learning (aprendizaje automático) y el Deep Learning (aprendizaje profundo). El Machine Learning es un enfoque de la IA que permite a las máquinas aprender de los datos sin ser programadas explícitamente para cada tarea (Jordan & Mitchell, 2015). Dentro de este enfoque, algoritmos como los árboles de decisión, Random Forest, y Support Vector Machines son ampliamente utilizados en aplicaciones agropecuarias (Shahhosseini et al., 2021). El Deep Learning es un subcampo del Machine Learning que utiliza redes neuronales profundas para modelar patrones complejos en grandes volúmenes de datos, siendo los algoritmos de redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN) los más comunes (LeCun, Bengio, & Hinton, 2015). Además de estos enfoques, la ciencia de datos (data science) juega un papel fundamental al integrar el análisis de grandes volúmenes de datos con técnicas de IA para obtener información procesable (Cao, 2017). La ciencia de datos implica la recolección, procesamiento, análisis y visualización de datos para extraer conocimiento útil. En el contexto agropecuario, la combinación de IA y ciencia de datos permite la creación de modelos predictivos y sistemas de apoyo a la toma de decisiones que pueden revolucionar la forma en que se gestiona la producción. En la producción agraria, la IA se utiliza para optimizar el uso de recursos naturales, aumentar los rendimientos y reducir el impacto ambiental. Por ejemplo, el uso de sensores y drones equipados con cámaras multiespectrales permite la captura de datos en tiempo real sobre la salud de los cultivos, el nivel de humedad del suelo y la presencia de plagas (Chlingaryan, Sukkarieh, & Whelan, 2018). Algoritmos de Machine Learning, como Random Forest y redes neuronales, procesan estos datos para predecir rendimientos, identificar enfermedades tempranas y optimizar los planes de fertilización y riego. En la producción pecuaria, los sistemas de visión por computadora y sensores portátiles permiten monitorear el comportamiento y la salud de los animales, detectando signos tempranos de enfermedad o estrés (Liakos et al., 2018). Algoritmos como las máquinas de soporte vectorial y las redes neuronales se utilizan para analizar patrones de movimiento y comportamiento, ayudando a mejorar el bienestar animal y la eficiencia de la producción.