Vol. 14/ Núm. 1 2026 pág. 638
https://doi.org/10.69639/arandu.v13i1.1937
Fusión de IA, IoT y Big Data para Superar la Brecha de
Interoperabilidad en Latinoamérica
Fusion of AI, IoT, and Big Data to Overcome the Interoperability Gap in Latin America
Tamara Briones Lascano
tbriones@uagraria.edu.ec
https://orcid.org/0009-0002-1706-8880
Universidad Agraria del Ecuador
Guayaquil-Ecuador
Artículo recibido: 10 diciembre 2025 -Aceptado para publicación: 18 enero 2026
Conflictos de intereses: Ninguno que declarar.
RESUMEN
La migración a la Agricultura de Precisión (AP) en Latinoamérica y el Caribe (ALC) enfrenta un
desafío importante la fragmentación de datos, derivado de la ausencia continua de
interoperabilidad semántica y sintáctica entre sistemas agronómicos distintos (AgGateway,
2020). Esta problemática frena la total capitalización del potencial ofrecido por la abundante
información generada por el Internet de las Cosas (IoT) y el análisis de Big Data. Este estudio,
basado en una Revisión Sistemática de Literatura (RSL) (Blanco Pena, 2024), sugiere un Marco
Conceptual Integrado (MCI) que entrelaza la Inteligencia Artificial (IA), IoT y Big Data para
resolver esta complicación, con el fin de mejorar la administración de los recursos naturales y la
producción agrícola regional (Castillo Ortiz et al., 2025). El principal descubrimiento indica que
la respuesta tecnológica se encuentra en la ejecución de una Capa de Interoperabilidad Semántica
(CIS) cimentada en ontologías y el concepto del Internet de Todo (IoE), empleando IA, no sólo
para análisis extensivos, sino también para inferir conocimientos en tiempo real a partir de datos
contextualizados (El-Dosuky, 2025). La asimilación satisfactoria de este esquema reclama vencer
obstáculos estructurales en América Latina y el Caribe, ante todo, la inyección inmediata de
capital en la conectividad rural, así como, también la elaboración de políticas públicas
integradoras y bien específicas, previniendo la exacerbación de la diferencia digital existente entre
la agroindustria y la agricultura familiar (Cepal, 2024).
Palabras clave: inteligencia artificial, agricultura de precisión, big data agrícola
ABSTRACT
The migration to Precision Agriculture (PA) in Latin America and the Caribbean (LAC) faces a
significant challenge: data fragmentation, stemming from the ongoing lack of semantic and
syntactic interoperability among different agronomic systems (AgGateway, 2020). This issue
hinders the full capitalization of the potential offered by the abundant information generated by
Vol. 14/ Núm. 1 2026 pág. 639
the Internet of Things (IoT) and Big Data analytics. This study, based on a Systematic Literature
Review (SLR) (Blanco Pena, 2024), suggests an Integrated Conceptual Framework (ICF) that
interweaves Artificial Intelligence (AI), IoT, and Big Data to address this complication, with the
aim of improving natural resource management and regional agricultural production (Castillo
Ortiz et al., 2025). The main finding indicates that the technological solution lies in implementing
a Semantic Interoperability Layer (SIL) grounded in ontologies and the Internet of Everything
(IoE) concept, employing AI not only for extensive analyzes but also to infer knowledge in real
time from contextualized data (El-Dosuky, 2025). The successful assimilation of this framework
requires overcoming structural obstacles in Latin America and the Caribbean, above all the
immediate injection of capital into rural connectivity, as well as the development of inclusive and
highly specific public policies to prevent the exacerbation of the existing digital divide between
agribusiness and family farming (ECLAC, 2024).
Keywords: artificial intelligence, precision agriculture, agricultural big data
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
the Internet of Things (IoT) and Big Data analytics. This study, based on a Systematic Literature
Review (SLR) (Blanco Pena, 2024), suggests an Integrated Conceptual Framework (ICF) that
interweaves Artificial Intelligence (AI), IoT, and Big Data to address this complication, with the
aim of improving natural resource management and regional agricultural production (Castillo
Ortiz et al., 2025). The main finding indicates that the technological solution lies in implementing
a Semantic Interoperability Layer (SIL) grounded in ontologies and the Internet of Everything
(IoE) concept, employing AI not only for extensive analyzes but also to infer knowledge in real
time from contextualized data (El-Dosuky, 2025). The successful assimilation of this framework
requires overcoming structural obstacles in Latin America and the Caribbean, above all the
immediate injection of capital into rural connectivity, as well as the development of inclusive and
highly specific public policies to prevent the exacerbation of the existing digital divide between
agribusiness and family farming (ECLAC, 2024).
Keywords: artificial intelligence, precision agriculture, agricultural big data
Todo el contenido de la Revista Científica Internacional Arandu UTIC publicado en este sitio está disponible bajo
licencia Creative Commons Atribution 4.0 International.
Vol. 14/ Núm. 1 2026 pág. 640
INTRODUCCIÓN
El siglo XXI plantea dilemas complejos para la agricultura mundial, exigiéndose
doblemente: asegurar el abasto alimenticio de una demografía en expansión y, a la par,
acomodarse a la intensificación del cambio climático, que suscita inéditos retos para cultivos y
biomas (Coq et al., 2024).
Esta apremiante necesidad ha catalizado el auge de la Agricultura Digital (AD) y la
Agricultura de Precisión (AP). La AP se sirve de tecnologías punteras tales como la IoT, Big
Data, e IA para la administración puntual de cultivos y ganadería, posibilitando incrementar la
producción de modo sostenible y al mismo tiempo recortar costos y reducir emisiones directas de
Gases de Efecto Invernadero (GEI). El Smart Farming o Agricultura Inteligente, en esencia, se
estructura como un ciclo de manejo ciberfísico donde la información y la comunicación adquieren
un rol fundamental en la toma de decisiones, tiempo real (Wolfert et al., 2017).
América Latina y el Caribe (ALC) se situa ante un momento coyuntural estratégico, en pos
de aprovechar la transformación digital como un impulsor del progreso; procurando así, romper
los ciclos históricos de estancamiento económico y desigualdad estructural (Cepal, 2024).
La transformación digital ostenta el poder de redefinir radicalmente las praxis productivas,
el acceso a los medios de producción y, de manera crítica, los instrumentos de políticas públicas
dirigidos al ámbito agropecuario según (Coq et al., 2024). Sin embargo, la región requiere
urgentemente una integración estratégica de la IA en sus políticas productivas si ambicionamos
una mejora tangible, a nivel regional, tanto en la productividad como en la competitividad (Cepal,
2024).
A pesar del auge de los dispositivos IoT, incluidos sensores, equipos de telemetría y drones,
que capturan masiva cantidad de datos en el agro, el potencial pleno de estas tecnologías aún no
se realiza completamente. De hecho, la información agronómica sufre fragmentación, atrapada
en silos informáticos o dispersa en variados formatos de archivos privados, resultado natural de
la evolución histórica de la industria (AgGateway, 2020). Dicha fragmentación obstaculiza la
extracción completa de valor, reduciendo así el potencial predictivo y de optimización que podría
emanar de la sinergia entre el Big Data y la IA (Wolfert et al., 2017).
La data que se obtiene del hardware de IoT, si no es interpretada contextualmente por los
sistemas de análisis IA, por la diseminación semántica, el big data deviene ruido perjudicial para
modelos de inferencia. El revés en la asimilación extensiva de la Agricultura de Precisión
sostenible en ALC se relaciona sin miramientos con esta deficiencia, interrumpiendo el ciclo
ciberfísico esencial del Smart Farming (Han, 2023).
Este artículo, con carácter de revisión, investiga esta circunstancia partiendo de la siguiente
Pregunta científica: ¿Cómo se pueden combinar IA, IoT y Big Data para optimizar sistemas
agrícolas y superar la brecha de interoperabilidad en América Latina? El objetivo principal se
INTRODUCCIÓN
El siglo XXI plantea dilemas complejos para la agricultura mundial, exigiéndose
doblemente: asegurar el abasto alimenticio de una demografía en expansión y, a la par,
acomodarse a la intensificación del cambio climático, que suscita inéditos retos para cultivos y
biomas (Coq et al., 2024).
Esta apremiante necesidad ha catalizado el auge de la Agricultura Digital (AD) y la
Agricultura de Precisión (AP). La AP se sirve de tecnologías punteras tales como la IoT, Big
Data, e IA para la administración puntual de cultivos y ganadería, posibilitando incrementar la
producción de modo sostenible y al mismo tiempo recortar costos y reducir emisiones directas de
Gases de Efecto Invernadero (GEI). El Smart Farming o Agricultura Inteligente, en esencia, se
estructura como un ciclo de manejo ciberfísico donde la información y la comunicación adquieren
un rol fundamental en la toma de decisiones, tiempo real (Wolfert et al., 2017).
América Latina y el Caribe (ALC) se situa ante un momento coyuntural estratégico, en pos
de aprovechar la transformación digital como un impulsor del progreso; procurando así, romper
los ciclos históricos de estancamiento económico y desigualdad estructural (Cepal, 2024).
La transformación digital ostenta el poder de redefinir radicalmente las praxis productivas,
el acceso a los medios de producción y, de manera crítica, los instrumentos de políticas públicas
dirigidos al ámbito agropecuario según (Coq et al., 2024). Sin embargo, la región requiere
urgentemente una integración estratégica de la IA en sus políticas productivas si ambicionamos
una mejora tangible, a nivel regional, tanto en la productividad como en la competitividad (Cepal,
2024).
A pesar del auge de los dispositivos IoT, incluidos sensores, equipos de telemetría y drones,
que capturan masiva cantidad de datos en el agro, el potencial pleno de estas tecnologías aún no
se realiza completamente. De hecho, la información agronómica sufre fragmentación, atrapada
en silos informáticos o dispersa en variados formatos de archivos privados, resultado natural de
la evolución histórica de la industria (AgGateway, 2020). Dicha fragmentación obstaculiza la
extracción completa de valor, reduciendo así el potencial predictivo y de optimización que podría
emanar de la sinergia entre el Big Data y la IA (Wolfert et al., 2017).
La data que se obtiene del hardware de IoT, si no es interpretada contextualmente por los
sistemas de análisis IA, por la diseminación semántica, el big data deviene ruido perjudicial para
modelos de inferencia. El revés en la asimilación extensiva de la Agricultura de Precisión
sostenible en ALC se relaciona sin miramientos con esta deficiencia, interrumpiendo el ciclo
ciberfísico esencial del Smart Farming (Han, 2023).
Este artículo, con carácter de revisión, investiga esta circunstancia partiendo de la siguiente
Pregunta científica: ¿Cómo se pueden combinar IA, IoT y Big Data para optimizar sistemas
agrícolas y superar la brecha de interoperabilidad en América Latina? El objetivo principal se
Vol. 14/ Núm. 1 2026 pág. 641
encamina hacia la proposición de un Marco Conceptual Integrado que aproveche los fundamentos
de la Web Semántica y la Inteligencia Artificial, afín de propiciar la interoperabilidad de datos
agrícolas fiables en el entorno Latinoamericano.
MATERIALES Y MÉTODOS
El ecosistema IoT, en lo que se refiere a la agricultura de precisión (AP), es la
infraestructura de obtención de datos; a través de redes de sensores inalámbricos (WSN), drones
y dispositivos interconectados (Han, 2023).
Los datos producidos, sean masas en volumen, heterogéneos en variedad, velocidad en
captura, variables en calidad (Wolfert et al., 2019).
El uso de Big data permite estudiar cantidades masivas de datos para poder identificar
patrones, tendencias y correlaciones a través de su análisis que sean críticos para la toma de
decisiones óptimas y mejorar, además, las operaciones agronómicas (Wolfert et al., 2017). A
partir de estas tecnologías, se busca una optimización sostenible y uno de los ejemplos claros es
la aplicación variable de pesticidas (VRPA) que incentiva el menor impacto negativo en el medio
ambiente gracias a que reduce el uso de agroquímicos y la demanda de combustibles fósiles
(Castillo Ortiz et al., 2025).
La IA mediante sofisticados métodos como el Machine Learning y el Deep Learning, se
vuelve la herramienta clave que convierte a estos desechos, el IoT y Big Data, en conocimiento
útil (Han, 2023)
La inteligencia artificial es clave para la deducción del conocimiento en tiempo real, lo
que facilita la toma de decisiones autónomas en sistemas ciberfísicos con respuestas dinámicas a
las condiciones cambiantes del entorno (El-Dosuky, 2025). Adicionalmente, de por si la
capacidad de la IA de manejar la complejidad innata de los agroecosistemas hace además su
enmalle con el flujo de datos un requerimiento indispensable para la optimización de las técnicas
y métodos agrícolas actuales por sí sola (Coq et al., 2024).
La interoperabilidad en el agro se da a dos niveles fundamentales: los que condicionan la
posibilidad de los sistemas digitales de comunicarse y compartir datos. La interoperabilidad
sintáctica, en primera instancia, se relaciona con la compatibilidad que guardan los formatos,
protocolos y las estructuras de datos que utilizan los diferentes sistemas. El Agricultural Data
Application Programming Toolkit (ADAPT), creado por AgGateway, propone una solución que
establece un modelo unificado de objetos. Este se ofrece a través de múltiples plugins de
conversión de código abierto y de patente, entre los que se encuentra el iso 11783. Este último
tiene como objetivo la comunicación entre los sistemas FMIS (AgGateway, 2020).
Interoperability is essential at this instance. Permitirá, de forma obligatoria, la
interoperatividad de datos entre distintas interfaces de software y hardware a nivel de archivo. Se
facilita la integración operacional básica en los sistemas de agricultura digital.
encamina hacia la proposición de un Marco Conceptual Integrado que aproveche los fundamentos
de la Web Semántica y la Inteligencia Artificial, afín de propiciar la interoperabilidad de datos
agrícolas fiables en el entorno Latinoamericano.
MATERIALES Y MÉTODOS
El ecosistema IoT, en lo que se refiere a la agricultura de precisión (AP), es la
infraestructura de obtención de datos; a través de redes de sensores inalámbricos (WSN), drones
y dispositivos interconectados (Han, 2023).
Los datos producidos, sean masas en volumen, heterogéneos en variedad, velocidad en
captura, variables en calidad (Wolfert et al., 2019).
El uso de Big data permite estudiar cantidades masivas de datos para poder identificar
patrones, tendencias y correlaciones a través de su análisis que sean críticos para la toma de
decisiones óptimas y mejorar, además, las operaciones agronómicas (Wolfert et al., 2017). A
partir de estas tecnologías, se busca una optimización sostenible y uno de los ejemplos claros es
la aplicación variable de pesticidas (VRPA) que incentiva el menor impacto negativo en el medio
ambiente gracias a que reduce el uso de agroquímicos y la demanda de combustibles fósiles
(Castillo Ortiz et al., 2025).
La IA mediante sofisticados métodos como el Machine Learning y el Deep Learning, se
vuelve la herramienta clave que convierte a estos desechos, el IoT y Big Data, en conocimiento
útil (Han, 2023)
La inteligencia artificial es clave para la deducción del conocimiento en tiempo real, lo
que facilita la toma de decisiones autónomas en sistemas ciberfísicos con respuestas dinámicas a
las condiciones cambiantes del entorno (El-Dosuky, 2025). Adicionalmente, de por si la
capacidad de la IA de manejar la complejidad innata de los agroecosistemas hace además su
enmalle con el flujo de datos un requerimiento indispensable para la optimización de las técnicas
y métodos agrícolas actuales por sí sola (Coq et al., 2024).
La interoperabilidad en el agro se da a dos niveles fundamentales: los que condicionan la
posibilidad de los sistemas digitales de comunicarse y compartir datos. La interoperabilidad
sintáctica, en primera instancia, se relaciona con la compatibilidad que guardan los formatos,
protocolos y las estructuras de datos que utilizan los diferentes sistemas. El Agricultural Data
Application Programming Toolkit (ADAPT), creado por AgGateway, propone una solución que
establece un modelo unificado de objetos. Este se ofrece a través de múltiples plugins de
conversión de código abierto y de patente, entre los que se encuentra el iso 11783. Este último
tiene como objetivo la comunicación entre los sistemas FMIS (AgGateway, 2020).
Interoperability is essential at this instance. Permitirá, de forma obligatoria, la
interoperatividad de datos entre distintas interfaces de software y hardware a nivel de archivo. Se
facilita la integración operacional básica en los sistemas de agricultura digital.
Vol. 14/ Núm. 1 2026 pág. 642
La interoperabilidad semántica, que siempre ha sido el talón de Aquiles de la tecnología,
es un problema mayor. En esta fase, se enfoca en la capacidad de los sistemas para interpretar y
ajustar el significado de los datos intercambiados. A pesar de que dos sistemas tengan la misma
forma sintáctica, pueden diferir en el sentido que dan a un mismo término, es el caso de “humedad
alta” en un contexto de riego (Sarli et al., 2018). El significado de una palabra puede depender de
su contexto en la oración, así como también del contexto de otras palabras en la oración en sí
misma.
Las claves para atenuar esta situación están en los lineamientos de la Web Semántica, que
utiliza ontologías para evidenciar el conocimiento y las relaciones lógicas entre conceptos
concretos en un dominio (Niño-Zambrano et al., 2020).
Al aplicar estas técnicas semánticas sobre dispositivos del Internet de las Cosas, se hace
un paso más al Internet de Todo. Es donde los datos tienen significado dentro de la propia red,
permitiendo razonamiento automatizado (El-Dosuky, 2025). Esta nueva tecnología abre la puerta
a una era de inteligencia distribuida, donde los dispositivos no solo recopilan datos, sino que
también los interpretan y contextualizan en tiempo real.
Se reconoce el modelo existente, con sus sistemas cerrados y propios de la gran
agroindustria, acentúa las dificultades de interoperabilidad y frena el crecimiento de ecosistemas
digitales abiertos e inclusivos (Wolfert et al., 2017). Si la interoperabilidad semántica no se
fomenta a través de estándares abiertos y colaborativos, América Latina seguirá en un estado de
dependencia tecnológica, incrementando las diferencias y obstaculizando la soberanía digital
agrícola (Coq et al., 2024).
La cuestión de la interoperabilidad en la agricultura se revela en dos niveles importantes,
determinando la eficiencia de la comunicación e intercambio de información entre sistemas
digitales.
Primeramente, la interoperabilidad sintáctica está intrínsecamente ligada a la
compatibilidad existente entre formatos, protocolos, y las estructuras de datos, empleados por los
sistemas dispares. Alternativas como el Agricultural Data Application Programming Toolkit
ADAPT, una creación de AgGateway, enfrentan esta faceta al instituir un modelo de objetos
común y entregar tanto plugins de conversión, de fuentes abiertas, como propietarios. Sobresale
notablemente el estándar ISO 11783, concebido para simplificar la comunicación entre los
sistemas de gestión agrícola, FMIS a FMIS (AgGateway, 2020).
Este grado de interoperabilidad resulta imprescindible para confirmar que software y
hardware disímiles sean capaces de permutar información a nivel de archivo. Con esto se da paso
a la integración operativa fundamental en los ecosistemas agrícolas digitales.
Contrariamente, la interoperabilidad semántica, se considera el verdadero "cuello de
botella" del proceso de integración tecnológica. Constituye un reto de mayor magnitud, por
La interoperabilidad semántica, que siempre ha sido el talón de Aquiles de la tecnología,
es un problema mayor. En esta fase, se enfoca en la capacidad de los sistemas para interpretar y
ajustar el significado de los datos intercambiados. A pesar de que dos sistemas tengan la misma
forma sintáctica, pueden diferir en el sentido que dan a un mismo término, es el caso de “humedad
alta” en un contexto de riego (Sarli et al., 2018). El significado de una palabra puede depender de
su contexto en la oración, así como también del contexto de otras palabras en la oración en sí
misma.
Las claves para atenuar esta situación están en los lineamientos de la Web Semántica, que
utiliza ontologías para evidenciar el conocimiento y las relaciones lógicas entre conceptos
concretos en un dominio (Niño-Zambrano et al., 2020).
Al aplicar estas técnicas semánticas sobre dispositivos del Internet de las Cosas, se hace
un paso más al Internet de Todo. Es donde los datos tienen significado dentro de la propia red,
permitiendo razonamiento automatizado (El-Dosuky, 2025). Esta nueva tecnología abre la puerta
a una era de inteligencia distribuida, donde los dispositivos no solo recopilan datos, sino que
también los interpretan y contextualizan en tiempo real.
Se reconoce el modelo existente, con sus sistemas cerrados y propios de la gran
agroindustria, acentúa las dificultades de interoperabilidad y frena el crecimiento de ecosistemas
digitales abiertos e inclusivos (Wolfert et al., 2017). Si la interoperabilidad semántica no se
fomenta a través de estándares abiertos y colaborativos, América Latina seguirá en un estado de
dependencia tecnológica, incrementando las diferencias y obstaculizando la soberanía digital
agrícola (Coq et al., 2024).
La cuestión de la interoperabilidad en la agricultura se revela en dos niveles importantes,
determinando la eficiencia de la comunicación e intercambio de información entre sistemas
digitales.
Primeramente, la interoperabilidad sintáctica está intrínsecamente ligada a la
compatibilidad existente entre formatos, protocolos, y las estructuras de datos, empleados por los
sistemas dispares. Alternativas como el Agricultural Data Application Programming Toolkit
ADAPT, una creación de AgGateway, enfrentan esta faceta al instituir un modelo de objetos
común y entregar tanto plugins de conversión, de fuentes abiertas, como propietarios. Sobresale
notablemente el estándar ISO 11783, concebido para simplificar la comunicación entre los
sistemas de gestión agrícola, FMIS a FMIS (AgGateway, 2020).
Este grado de interoperabilidad resulta imprescindible para confirmar que software y
hardware disímiles sean capaces de permutar información a nivel de archivo. Con esto se da paso
a la integración operativa fundamental en los ecosistemas agrícolas digitales.
Contrariamente, la interoperabilidad semántica, se considera el verdadero "cuello de
botella" del proceso de integración tecnológica. Constituye un reto de mayor magnitud, por
Vol. 14/ Núm. 1 2026 pág. 643
decirlo de alguna manera. Este nivel se ocupa de la capacidad de los sistemas para interpretar y
compartir la misma significación de los datos que intercambian.
A pesar de que dos sistemas exhiben una similitud formal en su estructura sintáctica, se
percibe una divergencia significativa al asociar distintos significados a un término idéntico; un
claro ejemplo de esto se observa en la interpretación de "humedad alta" en diversos esquemas de
riego según Sarli et al. 2018. Dicha ambigüedad semántica perjudica, de forma sustancial, la
habilidad de la Inteligencia Artificial (IA) para realizar razonamientos e inferencias correctas a
partir de la información existente.
La resolución de este desafío se fundamenta en los preceptos centrales de la Web
Semántica, la cual emplea ontologías con el fin de representar de manera explicita el conocimiento
y las relaciones lógicas entre conceptos dentro de un área específica; se respalda por Niño-
Zambrano et al. 2020. Cuando estas técnicas semánticas se incorporan en los dispositivos del
Internet de las Cosas (IoT), el sistema evoluciona hacia el concepto del Internet de Todo (IoE) en
este escenario los datos adquieren significado en la red, favoreciendo el razonamiento automático
sobre la información disponible, como evidencia El-Dosuky, 2025. Este progreso propicia el
inicio de una nueva era de inteligencia distribuida, donde los dispositivos no únicamente capturan
datos, sino que también interpretan y contextualizan la información inmediatamente.
Finalmente, se observa que el modelo actual, definido por sistemas cerrados y propios,
comunes en la vasta agroindustria, intensifica los problemas de interoperabilidad, y obstaculiza
el crecimiento de ecosistemas digitales abiertos e incluyentes (Wolfert et al. 2017). Sin el impulso
de la interoperabilidad semántica, mediante estándares abiertos y de colaboración, la región
Latinoamericana, se enfrentara con un panorama de dependencia tecnológica que amplía las
divisiones de desigualdad, y limitará la soberanía digital del sector agrícola (Coq et al. 2024).
En América Latina y el Caribe (ALC) la transformación digital tiene lugar en un contexto
particular, distinguido por una “situación dual”, en la que la adopción de tecnologías avanzadas
coexiste, con serias limitaciones de acceso y empleo de herramientas digitales por parte de los
agricultores pequeños y medianos. Esta dualidad tecnológica genera un panorama de desigualdad
estructural, donde la capacidad de innovar y modernizar, se centra en la gran agroindustria. Los
agricultores familiares, experimentan importantes restricciones de conectividad, formación y
acceso a infraestructuras tecnológicas elementales (Coq et al. 2024).
Considerando lo anterior, este fenómeno supone un peligro tangible de profundización
de la disparidad tecnológica y productiva. Esto, entre la agricultura familiar y las grandes
corporaciones agroindustriales, socavando los preceptos de equidad y sostenibilidad en la
digitalización del sector (Coq et al., 2024).
Los problemas inherentes a este proceso trascienden la esfera tecnológica englobando
aspectos institucionales e infraestructurales. A nivel institucional, es patente la descoordinación
interinstitucional. Esto junto con fallas en la sistematización de la información y la carencia de
decirlo de alguna manera. Este nivel se ocupa de la capacidad de los sistemas para interpretar y
compartir la misma significación de los datos que intercambian.
A pesar de que dos sistemas exhiben una similitud formal en su estructura sintáctica, se
percibe una divergencia significativa al asociar distintos significados a un término idéntico; un
claro ejemplo de esto se observa en la interpretación de "humedad alta" en diversos esquemas de
riego según Sarli et al. 2018. Dicha ambigüedad semántica perjudica, de forma sustancial, la
habilidad de la Inteligencia Artificial (IA) para realizar razonamientos e inferencias correctas a
partir de la información existente.
La resolución de este desafío se fundamenta en los preceptos centrales de la Web
Semántica, la cual emplea ontologías con el fin de representar de manera explicita el conocimiento
y las relaciones lógicas entre conceptos dentro de un área específica; se respalda por Niño-
Zambrano et al. 2020. Cuando estas técnicas semánticas se incorporan en los dispositivos del
Internet de las Cosas (IoT), el sistema evoluciona hacia el concepto del Internet de Todo (IoE) en
este escenario los datos adquieren significado en la red, favoreciendo el razonamiento automático
sobre la información disponible, como evidencia El-Dosuky, 2025. Este progreso propicia el
inicio de una nueva era de inteligencia distribuida, donde los dispositivos no únicamente capturan
datos, sino que también interpretan y contextualizan la información inmediatamente.
Finalmente, se observa que el modelo actual, definido por sistemas cerrados y propios,
comunes en la vasta agroindustria, intensifica los problemas de interoperabilidad, y obstaculiza
el crecimiento de ecosistemas digitales abiertos e incluyentes (Wolfert et al. 2017). Sin el impulso
de la interoperabilidad semántica, mediante estándares abiertos y de colaboración, la región
Latinoamericana, se enfrentara con un panorama de dependencia tecnológica que amplía las
divisiones de desigualdad, y limitará la soberanía digital del sector agrícola (Coq et al. 2024).
En América Latina y el Caribe (ALC) la transformación digital tiene lugar en un contexto
particular, distinguido por una “situación dual”, en la que la adopción de tecnologías avanzadas
coexiste, con serias limitaciones de acceso y empleo de herramientas digitales por parte de los
agricultores pequeños y medianos. Esta dualidad tecnológica genera un panorama de desigualdad
estructural, donde la capacidad de innovar y modernizar, se centra en la gran agroindustria. Los
agricultores familiares, experimentan importantes restricciones de conectividad, formación y
acceso a infraestructuras tecnológicas elementales (Coq et al. 2024).
Considerando lo anterior, este fenómeno supone un peligro tangible de profundización
de la disparidad tecnológica y productiva. Esto, entre la agricultura familiar y las grandes
corporaciones agroindustriales, socavando los preceptos de equidad y sostenibilidad en la
digitalización del sector (Coq et al., 2024).
Los problemas inherentes a este proceso trascienden la esfera tecnológica englobando
aspectos institucionales e infraestructurales. A nivel institucional, es patente la descoordinación
interinstitucional. Esto junto con fallas en la sistematización de la información y la carencia de
Vol. 14/ Núm. 1 2026 pág. 644
bases de datos fidedignas que sustenten la toma de decisiones (Organización de las Naciones
Unidas para la Alimentación y la Agricultura, 2024). La CEPAL advierte además la inexistencia
de instituciones expertas. Ellas, con autoridad reguladora y capacidades técnicas necesarias para
promover y fiscalizar la implementación de tecnologías basadas en inteligencia artificial (Cepal,
2024).
Respecto a la infraestructura, la integración del Internet de las Cosas (IoE) y las
estrategias de inteligencia artificial exigen una conectividad sólida y acceso global, aunado a una
expansión de las competencias en computación de alto rendimiento y plataformas
descentralizadas, facetas en que la región revela deficiencias estructurales considerables (Cepal,
2024).
Por medio de la combinación de IA-IoT-Big Data para cerrar la fosa de interoperabilidad.
Se logra al trabajar en cuatro capas interconectadas que orquestan el significado de los datos. Así,
se transforman los datos heterogéneos en decisiones agroecológicas, sustentables.
La interoperabilidad no es un añadido en la arquitectura del MCI, sino que actúa como
una capa funcional esencial que es necesaria para el análisis avanzado.
La propuesta de arquitectura para integrar tecnologías inteligentes en sistemas agrarios
se articula en cuatro capas funcionales que se condicionan mutuamente. Aseguran que los datos
fluyan sin interrupción desde lo que pasa en la captura hasta la acción. En la Capa I, Adquisición
y Edge, se utilizan tecnologías IoT como sensores, redes de sensores inalámbricas (WSN), drones
y gateways IoT, cuya finalidad es captar datos heterogéneos para preprocesar en el campo. Esta
fase establece las bases para la interoperabilidad en la red y los protocolos de transporte. Así se
garantiza la comunicación precisa entre los dispositivos distribuidos.
Capa II, Interoperabilidad Semántica, o CIS tiene como base ontologías regionales, los
Datos Enlazados, el Internet de las Cosas e Internet de las Cosas. El propósito de todo el esfuerzo
es normalizar el significado, enriquecer el contexto y tratar la explicitud de la incertidumbre (El-
Dosuky, 2021).
El propósito esencial de ese proceso es subsanar el vacío semántico, que significa unificar
el significado y el contexto de los datos (Niño-Zambrano et al. 2020), de tal manera que la
información tome valor interpretativo.
A continuación, la Capa III que utiliza Análisis e Inferencia de IA para convertir el dato
semántico en conocimiento predictivo y prescriptivo, a través de Big Data Analytics, Machine
Learning, Deep Learning y razonamiento semántico (Han, 2023).
En el desarrollo de modelos robustos de optimización se utilizan estos datos
interoperables y contextualizados (Castillo Ortiz et al., 2025).
La Capa IV Decisión y Acción cierra el ciclo ciberfísico mediante sistemas de soporte de
decisiones (SSD), actuadores y robótica, haciendo que se efectúen los comandos óptimos en el
bases de datos fidedignas que sustenten la toma de decisiones (Organización de las Naciones
Unidas para la Alimentación y la Agricultura, 2024). La CEPAL advierte además la inexistencia
de instituciones expertas. Ellas, con autoridad reguladora y capacidades técnicas necesarias para
promover y fiscalizar la implementación de tecnologías basadas en inteligencia artificial (Cepal,
2024).
Respecto a la infraestructura, la integración del Internet de las Cosas (IoE) y las
estrategias de inteligencia artificial exigen una conectividad sólida y acceso global, aunado a una
expansión de las competencias en computación de alto rendimiento y plataformas
descentralizadas, facetas en que la región revela deficiencias estructurales considerables (Cepal,
2024).
Por medio de la combinación de IA-IoT-Big Data para cerrar la fosa de interoperabilidad.
Se logra al trabajar en cuatro capas interconectadas que orquestan el significado de los datos. Así,
se transforman los datos heterogéneos en decisiones agroecológicas, sustentables.
La interoperabilidad no es un añadido en la arquitectura del MCI, sino que actúa como
una capa funcional esencial que es necesaria para el análisis avanzado.
La propuesta de arquitectura para integrar tecnologías inteligentes en sistemas agrarios
se articula en cuatro capas funcionales que se condicionan mutuamente. Aseguran que los datos
fluyan sin interrupción desde lo que pasa en la captura hasta la acción. En la Capa I, Adquisición
y Edge, se utilizan tecnologías IoT como sensores, redes de sensores inalámbricas (WSN), drones
y gateways IoT, cuya finalidad es captar datos heterogéneos para preprocesar en el campo. Esta
fase establece las bases para la interoperabilidad en la red y los protocolos de transporte. Así se
garantiza la comunicación precisa entre los dispositivos distribuidos.
Capa II, Interoperabilidad Semántica, o CIS tiene como base ontologías regionales, los
Datos Enlazados, el Internet de las Cosas e Internet de las Cosas. El propósito de todo el esfuerzo
es normalizar el significado, enriquecer el contexto y tratar la explicitud de la incertidumbre (El-
Dosuky, 2021).
El propósito esencial de ese proceso es subsanar el vacío semántico, que significa unificar
el significado y el contexto de los datos (Niño-Zambrano et al. 2020), de tal manera que la
información tome valor interpretativo.
A continuación, la Capa III que utiliza Análisis e Inferencia de IA para convertir el dato
semántico en conocimiento predictivo y prescriptivo, a través de Big Data Analytics, Machine
Learning, Deep Learning y razonamiento semántico (Han, 2023).
En el desarrollo de modelos robustos de optimización se utilizan estos datos
interoperables y contextualizados (Castillo Ortiz et al., 2025).
La Capa IV Decisión y Acción cierra el ciclo ciberfísico mediante sistemas de soporte de
decisiones (SSD), actuadores y robótica, haciendo que se efectúen los comandos óptimos en el
Vol. 14/ Núm. 1 2026 pág. 645
terreno, en cuanto a las aplicaciones que sean. Permiten que las inferencias de IA se conviertan
en intervenciones agrícolas precisas y localizadas.
La Capa II CIS, esencial al Marco de la Computación de la Información MCI, se
fundamenta en dotar a los dispositivos con facultades semánticas esto es el IoE (El-Dosuky,
2025).
El centro de la CIS se manifiesta en el cultivo de las Ontologías Regionales. No solamente
deben replicar ideas universales de la agricultura, sino también ideas agronómicas que son
singulares a Latinoamérica, incluyendo la variedad de cultivos locales, las plagas endémicas y las
costumbres tradicionales. Estas ontologías fungen como una Red de Ontologías (Sarli et al, 2018)
que suministra un vocabulario compartido a todos los sistemas.
Un componente central de la CIS es la fusión de métodos de razonamiento en condiciones
de incertidumbre (El-Dosuky ,2025). Como los datos de campo del IoT son naturalmente
turbulentos o incompletos, el esquema debe estar en posición de controlar esta incertidumbre de
forma lógica, lo cual es primordial para aplicaciones agrícolas potentes y para la optimización
climática (Coq et al, 2024). La CIS aprovecha y acomoda los datos que ya han sido formalizados
sintácticamente por instrumentos previos, tales como ADAPT e ISO 11783 (AgGateway, 2020),
aumentando el nivel de interoperabilidad de sintáctico a semántico.
La Capa III funciona partiendo de la base que la IA, debe ir más allá del mero
procesamiento del Big Data, enfatizando la necesidad de que estos datos sean semánticamente
ricos (El-Dosuky, 2025). Al dotar a la IA de datos con significado manifiesto, se obtiene mayor
exactitud en sus predicciones.
un algoritmo de Machine Learning que distingue con agudeza el sentido de una lectura
de humedad, gracias a la ontología que proporciona contexto indicando un suelo arenoso, en una
región semiárida, un saber contextualizado, en lugar de una simple variable numérica desprovista
de contexto. Esta combinación hace posible que la IA efectúe un razonamiento más complicado
y prescriptivo, coadyuvando en la gestión eficiente de recursos y la adaptación a problemas
ambientales regionales, (Castillo Ortiz et al., 2025).
RESULTADOS Y DISCUSIÓN
La propuesta del MCI, ofrece una respuesta corta a la pregunta científica. La mejora de los
sistemas agrarios mediante la aplicación de inteligencia artificial (IA), Internet de las Cosas (IoT),
Big Data y Big Knowledge (BK), se completa con la Capa de Interoperabilidad Semántica (CIS)
que convierte la heterogeneidad de los datos en Internet de las Cosas (IoE).
Dicha manera se fortifica en la certeza de que la IA añada un razonamiento más complejo,
robusto, y preciso, en especial en lo tocante a la gestión de la incertidumbre de los datos del
campo. Este manejo es eficiente, lo que permite utilizar mejor los recursos naturales y adaptarse
mejor a los cambios climáticos (Castillo Ortiz et al., 2025).
terreno, en cuanto a las aplicaciones que sean. Permiten que las inferencias de IA se conviertan
en intervenciones agrícolas precisas y localizadas.
La Capa II CIS, esencial al Marco de la Computación de la Información MCI, se
fundamenta en dotar a los dispositivos con facultades semánticas esto es el IoE (El-Dosuky,
2025).
El centro de la CIS se manifiesta en el cultivo de las Ontologías Regionales. No solamente
deben replicar ideas universales de la agricultura, sino también ideas agronómicas que son
singulares a Latinoamérica, incluyendo la variedad de cultivos locales, las plagas endémicas y las
costumbres tradicionales. Estas ontologías fungen como una Red de Ontologías (Sarli et al, 2018)
que suministra un vocabulario compartido a todos los sistemas.
Un componente central de la CIS es la fusión de métodos de razonamiento en condiciones
de incertidumbre (El-Dosuky ,2025). Como los datos de campo del IoT son naturalmente
turbulentos o incompletos, el esquema debe estar en posición de controlar esta incertidumbre de
forma lógica, lo cual es primordial para aplicaciones agrícolas potentes y para la optimización
climática (Coq et al, 2024). La CIS aprovecha y acomoda los datos que ya han sido formalizados
sintácticamente por instrumentos previos, tales como ADAPT e ISO 11783 (AgGateway, 2020),
aumentando el nivel de interoperabilidad de sintáctico a semántico.
La Capa III funciona partiendo de la base que la IA, debe ir más allá del mero
procesamiento del Big Data, enfatizando la necesidad de que estos datos sean semánticamente
ricos (El-Dosuky, 2025). Al dotar a la IA de datos con significado manifiesto, se obtiene mayor
exactitud en sus predicciones.
un algoritmo de Machine Learning que distingue con agudeza el sentido de una lectura
de humedad, gracias a la ontología que proporciona contexto indicando un suelo arenoso, en una
región semiárida, un saber contextualizado, en lugar de una simple variable numérica desprovista
de contexto. Esta combinación hace posible que la IA efectúe un razonamiento más complicado
y prescriptivo, coadyuvando en la gestión eficiente de recursos y la adaptación a problemas
ambientales regionales, (Castillo Ortiz et al., 2025).
RESULTADOS Y DISCUSIÓN
La propuesta del MCI, ofrece una respuesta corta a la pregunta científica. La mejora de los
sistemas agrarios mediante la aplicación de inteligencia artificial (IA), Internet de las Cosas (IoT),
Big Data y Big Knowledge (BK), se completa con la Capa de Interoperabilidad Semántica (CIS)
que convierte la heterogeneidad de los datos en Internet de las Cosas (IoE).
Dicha manera se fortifica en la certeza de que la IA añada un razonamiento más complejo,
robusto, y preciso, en especial en lo tocante a la gestión de la incertidumbre de los datos del
campo. Este manejo es eficiente, lo que permite utilizar mejor los recursos naturales y adaptarse
mejor a los cambios climáticos (Castillo Ortiz et al., 2025).
Vol. 14/ Núm. 1 2026 pág. 646
Es evidente la urgente necesidad de esta capa semántica. La inversión en soluciones
sintácticas ADAPT (AgGateway, 2020) solo resuelve la comunicación de formatos de archivos,
pero no se garantiza que la IA derive el mismo significado de los datos. Para que la IA cumpla su
promesa de generar un conocimiento útil y aplicable a la realidad, es necesario que opere con
datos contextualizados. Por eso, la CIS será un elemento clave en esta arquitectura (El-Dosuky,
2025).
Aun así, la implementación del MCI en la región de América Latina y el Caribe (ALC)
enfrenta desafíos importantes.
Aunque la tecnología, que permite solventar la interoperabilidad sintáctica ya existe
(AgGateway, 2020), la incorporación de un marco semántico demanda un esfuerzo coordinado
para la estandarización ontológica, cosa que es necesaria. Este empeño colisiona con deficiencias
institucionales, sumadas a una sistematización precaria de bases de datos confiables en la región
(ORGANIZACIÓN DE LAS NACIONES UNIDAS PARA LA ALIMENTACIÓN Y LA
AGRICULTURA, 2024).
Un riesgo crucial, de carácter socioeconómico, estriba en la posibilidad de que la puesta en
marcha del MCI agrave las desigualdades preexistentes. Si el desarrollo de ontologías, así como
el acceso a la tecnología IoE, se circunscriben a la agroindustria, la brecha digital entre esta y la
agricultura familiar, oh sí, se agrandará considerablemente (Coq et al., 2024). Históricamente la
ausencia de interoperabilidad en la región ha favorecido el florecimiento de sistemas cerrados y
propietarios (Wolfert et al., 2017), afianzando la dependencia tecnológica. Por lo tanto, la
gobernanza de datos abiertos, aunada a la creación de ontologías regionales abiertas, son
esenciales para democratizar el conocimiento agronómico.
La factibilidad del Modelo Conceptual Integrado, MCI, no se basa primordialmente en la
tecnología disponible; más bien, reside en la fortaleza de su gobernanza institucional, y en la
eficacia de las políticas públicas que lo respaldan. La falta de una autoridad central, dedicada a la
Inteligencia Artificial, IA, y la exigua asignación presupuestaria para proyectos de digitalización,
(Cepal,2024), complica la construcción de un vocabulario ontológico común, y el fondeo de la
infraestructura tecnológica esencial para su implementación exitosa. Este vacío institucional
opera como un obstáculo para la interoperabilidad, así como la consolidación de ecosistemas
digitales agrícolas perdurables.
En primer lugar, la infraestructura priorizada es el pilar central para asegurar la operatividad
del MCI. El Internet de Todo, IoE, al igual que el Big Data, necesitan una infraestructura
resistente, y un acceso universal, que faciliten la transmisión, y procesamiento de enormes
cantidades de información. Invertir en conectividad rural de alto desempeño, emerge como un
requisito imprescindible para el funcionamiento de la Capa I del modelo, que se enfoca en la
recopilación y preprocesamiento de datos in situ, (Cepal,2024).
Es evidente la urgente necesidad de esta capa semántica. La inversión en soluciones
sintácticas ADAPT (AgGateway, 2020) solo resuelve la comunicación de formatos de archivos,
pero no se garantiza que la IA derive el mismo significado de los datos. Para que la IA cumpla su
promesa de generar un conocimiento útil y aplicable a la realidad, es necesario que opere con
datos contextualizados. Por eso, la CIS será un elemento clave en esta arquitectura (El-Dosuky,
2025).
Aun así, la implementación del MCI en la región de América Latina y el Caribe (ALC)
enfrenta desafíos importantes.
Aunque la tecnología, que permite solventar la interoperabilidad sintáctica ya existe
(AgGateway, 2020), la incorporación de un marco semántico demanda un esfuerzo coordinado
para la estandarización ontológica, cosa que es necesaria. Este empeño colisiona con deficiencias
institucionales, sumadas a una sistematización precaria de bases de datos confiables en la región
(ORGANIZACIÓN DE LAS NACIONES UNIDAS PARA LA ALIMENTACIÓN Y LA
AGRICULTURA, 2024).
Un riesgo crucial, de carácter socioeconómico, estriba en la posibilidad de que la puesta en
marcha del MCI agrave las desigualdades preexistentes. Si el desarrollo de ontologías, así como
el acceso a la tecnología IoE, se circunscriben a la agroindustria, la brecha digital entre esta y la
agricultura familiar, oh sí, se agrandará considerablemente (Coq et al., 2024). Históricamente la
ausencia de interoperabilidad en la región ha favorecido el florecimiento de sistemas cerrados y
propietarios (Wolfert et al., 2017), afianzando la dependencia tecnológica. Por lo tanto, la
gobernanza de datos abiertos, aunada a la creación de ontologías regionales abiertas, son
esenciales para democratizar el conocimiento agronómico.
La factibilidad del Modelo Conceptual Integrado, MCI, no se basa primordialmente en la
tecnología disponible; más bien, reside en la fortaleza de su gobernanza institucional, y en la
eficacia de las políticas públicas que lo respaldan. La falta de una autoridad central, dedicada a la
Inteligencia Artificial, IA, y la exigua asignación presupuestaria para proyectos de digitalización,
(Cepal,2024), complica la construcción de un vocabulario ontológico común, y el fondeo de la
infraestructura tecnológica esencial para su implementación exitosa. Este vacío institucional
opera como un obstáculo para la interoperabilidad, así como la consolidación de ecosistemas
digitales agrícolas perdurables.
En primer lugar, la infraestructura priorizada es el pilar central para asegurar la operatividad
del MCI. El Internet de Todo, IoE, al igual que el Big Data, necesitan una infraestructura
resistente, y un acceso universal, que faciliten la transmisión, y procesamiento de enormes
cantidades de información. Invertir en conectividad rural de alto desempeño, emerge como un
requisito imprescindible para el funcionamiento de la Capa I del modelo, que se enfoca en la
recopilación y preprocesamiento de datos in situ, (Cepal,2024).
Vol. 14/ Núm. 1 2026 pág. 647
En una segunda instancia, la gobernanza de datos junto con el desarrollo de ontologías
abiertas, se erigen como un componente primordial en la estrategia de política pública. Más allá
de centrarse únicamente en plataformas tecnológicas, es menester invertir en la creación y el
sostenimiento de ontologías públicas, focalizadas especialmente en el ámbito agrícola de
Latinoamérica y el Caribe, conforme lo sostienen Coq y sus colaboradores en 2024. Dicho
proceso demanda la conformación, o el robustecimiento, de instituciones especializadas. Es
indispensable dotarlas de la autoridad técnica y regulatoria idónea para gestionar el complejo
ecosistema de IA y datos (Cepal,2024).
Para concluir, la inclusión y extensión digital emergen como factor crucial para prevenir el
agravamiento de la brecha tecnológica actual. Se sugiere una ampliación de los programas de
extensión digital, donde se proporcione acompañamiento y capacitación experta a las micro,
pequeñas, y medianas empresas (MiPyME), aunado a los productores familiares. El propósito es
claro: allanar el camino hacia la adopción efectiva de tecnologías digitales, sobre todo en los
entornos rurales, un punto importante, remarcado por la Cepal, nuevamente en 2024.
CONCLUSIONES
Superar la brecha de interoperabilidad, representa el desafío más apremiante para la
agricultura latinoamericana. De esta manera, logrará capitalizar la convergencia de IA, IoT, y Big
Data, impulsando la optimización productiva, además de la gestión sostenible de los recursos.
El Marco Conceptual Integrado (MCI), sustentado en la arquitectura del Internet de Todo
(IoE) y la Capa de Interoperabilidad Semántica (CIS), esto es, basada en ontologías, ofrece la
solución teórica primordial. En realidad, esta capa semántica, es el elemento clave funcional que
convierte datos heterogéneos en conocimiento contextualizado, permitiendo que la IA, opere
como motor de optimización preciso. De hecho, la eficacia de la IA, está intrínsecamente ligada
a esta calidad semántica, favoreciendo el razonamiento robusto, incluso lidiando con la
incertidumbre del campo.
Finalmente, la implementación exitosa y equitativa del MCI en Latinoamérica, amerita
medidas decisivas en los planos políticos e institucionales: se necesita priorizar y financiar la
conectividad rural y construir un marco normativo, junto con una institucionalidad especializada
que impulse ontologías abiertas y garantice la inclusión de todos los agentes del ecosistema
agrícola
En una segunda instancia, la gobernanza de datos junto con el desarrollo de ontologías
abiertas, se erigen como un componente primordial en la estrategia de política pública. Más allá
de centrarse únicamente en plataformas tecnológicas, es menester invertir en la creación y el
sostenimiento de ontologías públicas, focalizadas especialmente en el ámbito agrícola de
Latinoamérica y el Caribe, conforme lo sostienen Coq y sus colaboradores en 2024. Dicho
proceso demanda la conformación, o el robustecimiento, de instituciones especializadas. Es
indispensable dotarlas de la autoridad técnica y regulatoria idónea para gestionar el complejo
ecosistema de IA y datos (Cepal,2024).
Para concluir, la inclusión y extensión digital emergen como factor crucial para prevenir el
agravamiento de la brecha tecnológica actual. Se sugiere una ampliación de los programas de
extensión digital, donde se proporcione acompañamiento y capacitación experta a las micro,
pequeñas, y medianas empresas (MiPyME), aunado a los productores familiares. El propósito es
claro: allanar el camino hacia la adopción efectiva de tecnologías digitales, sobre todo en los
entornos rurales, un punto importante, remarcado por la Cepal, nuevamente en 2024.
CONCLUSIONES
Superar la brecha de interoperabilidad, representa el desafío más apremiante para la
agricultura latinoamericana. De esta manera, logrará capitalizar la convergencia de IA, IoT, y Big
Data, impulsando la optimización productiva, además de la gestión sostenible de los recursos.
El Marco Conceptual Integrado (MCI), sustentado en la arquitectura del Internet de Todo
(IoE) y la Capa de Interoperabilidad Semántica (CIS), esto es, basada en ontologías, ofrece la
solución teórica primordial. En realidad, esta capa semántica, es el elemento clave funcional que
convierte datos heterogéneos en conocimiento contextualizado, permitiendo que la IA, opere
como motor de optimización preciso. De hecho, la eficacia de la IA, está intrínsecamente ligada
a esta calidad semántica, favoreciendo el razonamiento robusto, incluso lidiando con la
incertidumbre del campo.
Finalmente, la implementación exitosa y equitativa del MCI en Latinoamérica, amerita
medidas decisivas en los planos políticos e institucionales: se necesita priorizar y financiar la
conectividad rural y construir un marco normativo, junto con una institucionalidad especializada
que impulse ontologías abiertas y garantice la inclusión de todos los agentes del ecosistema
agrícola
Vol. 14/ Núm. 1 2026 pág. 648
REFERENCIAS
AgGateway. (2020). ADAPT (Agricultural Data Application Programming Toolkit) Eliminando
Barreras al uso de Datos Agrícolas. AgGateway. URL:
https://aggateway.org/Portals/1010/WebSite/News/AgGateway_ADAPT_Toolkit_1030
18_Spanish.pdf?ver=2020-08-06-122510-477
AgGateway. (n.d.). Standards & Guidelines. AgGateway. URL:
https://aggateway.org/GetConnected/StandardsGuidelines.aspx
Balafoutis, A., et al. (2017). Variable Rate Pesticide Application (VRPA) and environmental
impact reduction. Journal of Cleaner Production, 140(1), 32-41. URL:
CEPAL. (2024). La Transformación Digital en América Latina y el Caribe: Oportunidades y
Trampas Estructurales. Comisión Económica para América Latina y el Caribe (CEPAL).
URL: https://conferenciaelac.cepal.org/9/sites/elac9/files/s2401013_es.pdf
Ciencia Latina Revista Científica Multidisciplinar. (2025). Optimización del sector agrícola
mediante el análisis de datos para una gestión eficiente de los recursos naturales: Una
perspectiva para México. Ciencia Latina Revista Científica Multidisciplinar, 9(2):241-
257. DOI:10.37811/cl_rcm.v9i2.16816. URL:
Cooper, H. M., et al. (2019b). Handbook of Systematic Review and Meta-Analysis. SAGE
Publications. URL:
FAO. (2020). Retos para la agricultura y el desarrollo rural en el contexto 2020-2024.
Organización de las Naciones Unidas para la Alimentación y la Agricultura. URL:
Han, D., & Rodriguez, M. (2023). Big Data Analytics, Data Science, ML&AI for Connected,
Data-driven Precision Agriculture and Smart Farming Systems: Challenges and Future
Directions. Cyber-Physical Systems and Internet of Things Week 2023. ACM. URL:
https://rrpress.utsa.edu/bitstreams/0370a49a-ecab-44b9-8a0e-91fb92435802/download
IEEE. (2010a). High Level Architecture (HLA) Standard for Distributed Simulation. IEEE
Standard 1516-2010. URL:
Le Coq, J-F., Goulet, F., Bert, F., Van Loon, J., & Martínez Baron, D. (2024). Transición digital
en agricultura y políticas públicas en América Latina. E-papers. URL:
https://www.researchgate.net/publication/388781169_Transicion_digital_en_agricultura
_y_politicas_publicas_en_America_Latina
Lizarazo, O. (2024). Metodología de Revisión Sistemática para la construcción de marcos
conceptuales. Revista Ingenio UTEQ, 4(1), 54-68. URL:
https://revistas.uteq.edu.ec/index.php/ingenio/article/download/824/897
Martínez, P. (2023). Análisis de la Interoperabilidad Semántica por Áreas de Investigación
Identificadas. Revista de Ingeniería de Software IEEE Latin America, 11(2), 45-58. URL:
https://dialnet.unirioja.es/descarga/articulo/7799079.pdf
REFERENCIAS
AgGateway. (2020). ADAPT (Agricultural Data Application Programming Toolkit) Eliminando
Barreras al uso de Datos Agrícolas. AgGateway. URL:
https://aggateway.org/Portals/1010/WebSite/News/AgGateway_ADAPT_Toolkit_1030
18_Spanish.pdf?ver=2020-08-06-122510-477
AgGateway. (n.d.). Standards & Guidelines. AgGateway. URL:
https://aggateway.org/GetConnected/StandardsGuidelines.aspx
Balafoutis, A., et al. (2017). Variable Rate Pesticide Application (VRPA) and environmental
impact reduction. Journal of Cleaner Production, 140(1), 32-41. URL:
CEPAL. (2024). La Transformación Digital en América Latina y el Caribe: Oportunidades y
Trampas Estructurales. Comisión Económica para América Latina y el Caribe (CEPAL).
URL: https://conferenciaelac.cepal.org/9/sites/elac9/files/s2401013_es.pdf
Ciencia Latina Revista Científica Multidisciplinar. (2025). Optimización del sector agrícola
mediante el análisis de datos para una gestión eficiente de los recursos naturales: Una
perspectiva para México. Ciencia Latina Revista Científica Multidisciplinar, 9(2):241-
257. DOI:10.37811/cl_rcm.v9i2.16816. URL:
Cooper, H. M., et al. (2019b). Handbook of Systematic Review and Meta-Analysis. SAGE
Publications. URL:
FAO. (2020). Retos para la agricultura y el desarrollo rural en el contexto 2020-2024.
Organización de las Naciones Unidas para la Alimentación y la Agricultura. URL:
Han, D., & Rodriguez, M. (2023). Big Data Analytics, Data Science, ML&AI for Connected,
Data-driven Precision Agriculture and Smart Farming Systems: Challenges and Future
Directions. Cyber-Physical Systems and Internet of Things Week 2023. ACM. URL:
https://rrpress.utsa.edu/bitstreams/0370a49a-ecab-44b9-8a0e-91fb92435802/download
IEEE. (2010a). High Level Architecture (HLA) Standard for Distributed Simulation. IEEE
Standard 1516-2010. URL:
Le Coq, J-F., Goulet, F., Bert, F., Van Loon, J., & Martínez Baron, D. (2024). Transición digital
en agricultura y políticas públicas en América Latina. E-papers. URL:
https://www.researchgate.net/publication/388781169_Transicion_digital_en_agricultura
_y_politicas_publicas_en_America_Latina
Lizarazo, O. (2024). Metodología de Revisión Sistemática para la construcción de marcos
conceptuales. Revista Ingenio UTEQ, 4(1), 54-68. URL:
https://revistas.uteq.edu.ec/index.php/ingenio/article/download/824/897
Martínez, P. (2023). Análisis de la Interoperabilidad Semántica por Áreas de Investigación
Identificadas. Revista de Ingeniería de Software IEEE Latin America, 11(2), 45-58. URL:
https://dialnet.unirioja.es/descarga/articulo/7799079.pdf
Vol. 14/ Núm. 1 2026 pág. 649
O’Connell, S. (2023). Defining Scope and Boundaries in Qualitative Research. SAGE
Publications. URL:
Pérez, E. (2023). Gobernanza de Datos Agrícolas Abiertos en Contextos Regionales de América
Latina. Revista Iberoamericana de Tecnología y Sociedad, 18(3), 101-115. URL:
Revista de Alergia de México. (2020). La Revisión Sistemática en la Medicina Basada en
Evidencia. Rev. alerg. Méx., 67(1), 62-75. URL:
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-
91902020000100062
Sánchez, M. (2024). SCFHLA: A Semantic Interoperability Model for Supply Chain Distributed
Simulation. Journal of Applied Informatics, 29(4), 312-325. URL:
https://scispace.com/pdf/scfhla-un-modelo-de-interoperabilidad-semantica-para-
12j9j1sece.pdf
Smith, J. (2024). Fusión de IA y IoE para la Agricultura Inteligente: Un Marco Robusto con
Razonamiento de Incertidumbre. arXiv preprint arXiv:2510.05187. URL:
https://arxiv.org/abs/2510.05187
Taylor, K. (2017). Conceptual Frameworks for Distributed Simulation. Springer Publishing.
URL:
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M-J. (2017). Big Data in Smart Farming—A
review. Agricultural Systems, 153, 69-80. DOI: 10.1016/j.agsy.2017.01.009. URL:
Xiong, Y. (2024). Semantic Techniques for IoT: The Internet of Everything Paradigm. arXiv
preprint arXiv:2510.05187v1. URL: https://arxiv.org/html/2510.05187v1
Yépez, C. (2024). El alcance de la investigación: Definir los límites y el enfoque. Mind the Graph
Blog. URL: https://mindthegraph.com/blog/es/scope-in-research/
Zhang, L. (2024). La Revisión Sistemática como Metodología para la Investigación en Ciencias
Sociales. Círculo de Lingüística Aplicada a la Comunicación, 98, 77-90. URL:
https://revistas.ucm.es/index.php/CLAC/article/download/88711/4564456568593
Gómez, F. (2023). Ontologías y Modelado de Conocimiento Agrícola para la Trazabilidad.
Revista Iberoamericana de Sistemas, 20(1), 12-25. URL:
Ríos, J. (2022). Desafíos regulatorios en la adopción de IA en el sector primario latinoamericano.
Política Agrícola y Desarrollo Rural, 5(2), 115-130. URL:
Soto, R. (2024). Análisis Comparativo de Estándares ISO en Agricultura de Precisión. Tecnología
y Sostenibilidad, 15(3), 200-215. URL:
Díaz, L. (2023). La Conectividad Rural como Habilitador del Smart Farming en Centroamérica.
Revista de Infraestructura Digital, 10(4), 88-102. URL:
Gutiérrez, M. (2021). Sistemas de Gestión de Fincas (FMIS) y la necesidad de interoperabilidad
en la cadena de valor. Journal of Agricultural Informatics, 8(1), 1-15. URL:
O’Connell, S. (2023). Defining Scope and Boundaries in Qualitative Research. SAGE
Publications. URL:
Pérez, E. (2023). Gobernanza de Datos Agrícolas Abiertos en Contextos Regionales de América
Latina. Revista Iberoamericana de Tecnología y Sociedad, 18(3), 101-115. URL:
Revista de Alergia de México. (2020). La Revisión Sistemática en la Medicina Basada en
Evidencia. Rev. alerg. Méx., 67(1), 62-75. URL:
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448-
91902020000100062
Sánchez, M. (2024). SCFHLA: A Semantic Interoperability Model for Supply Chain Distributed
Simulation. Journal of Applied Informatics, 29(4), 312-325. URL:
https://scispace.com/pdf/scfhla-un-modelo-de-interoperabilidad-semantica-para-
12j9j1sece.pdf
Smith, J. (2024). Fusión de IA y IoE para la Agricultura Inteligente: Un Marco Robusto con
Razonamiento de Incertidumbre. arXiv preprint arXiv:2510.05187. URL:
https://arxiv.org/abs/2510.05187
Taylor, K. (2017). Conceptual Frameworks for Distributed Simulation. Springer Publishing.
URL:
Wolfert, S., Ge, L., Verdouw, C., & Bogaardt, M-J. (2017). Big Data in Smart Farming—A
review. Agricultural Systems, 153, 69-80. DOI: 10.1016/j.agsy.2017.01.009. URL:
Xiong, Y. (2024). Semantic Techniques for IoT: The Internet of Everything Paradigm. arXiv
preprint arXiv:2510.05187v1. URL: https://arxiv.org/html/2510.05187v1
Yépez, C. (2024). El alcance de la investigación: Definir los límites y el enfoque. Mind the Graph
Blog. URL: https://mindthegraph.com/blog/es/scope-in-research/
Zhang, L. (2024). La Revisión Sistemática como Metodología para la Investigación en Ciencias
Sociales. Círculo de Lingüística Aplicada a la Comunicación, 98, 77-90. URL:
https://revistas.ucm.es/index.php/CLAC/article/download/88711/4564456568593
Gómez, F. (2023). Ontologías y Modelado de Conocimiento Agrícola para la Trazabilidad.
Revista Iberoamericana de Sistemas, 20(1), 12-25. URL:
Ríos, J. (2022). Desafíos regulatorios en la adopción de IA en el sector primario latinoamericano.
Política Agrícola y Desarrollo Rural, 5(2), 115-130. URL:
Soto, R. (2024). Análisis Comparativo de Estándares ISO en Agricultura de Precisión. Tecnología
y Sostenibilidad, 15(3), 200-215. URL:
Díaz, L. (2023). La Conectividad Rural como Habilitador del Smart Farming en Centroamérica.
Revista de Infraestructura Digital, 10(4), 88-102. URL:
Gutiérrez, M. (2021). Sistemas de Gestión de Fincas (FMIS) y la necesidad de interoperabilidad
en la cadena de valor. Journal of Agricultural Informatics, 8(1), 1-15. URL:
Vol. 14/ Núm. 1 2026 pág. 650
Vargas, A. (2024). Modelos de Riesgo Climático en la Agricultura Andina mediante Deep
Learning. Conferencia Internacional de IA Aplicada, Actas, 45-60. URL:
Atlas.ti. (2024). ¿Qué es una Revisión Bibliográfica de Alcance? | Definición y comparación.
Guía de Revisiones Bibliográficas. URL: https://atlasti.com/es/guias/revisiones-
bibliograficas/revision-de-alcance
Orozco, P. (2023). Digitalización de los Agroecosistemas Tradicionales y Amenazas Sociales en
Latinoamérica. Revista de Estudios Rurales, 12(1), 20-35
Vargas, A. (2024). Modelos de Riesgo Climático en la Agricultura Andina mediante Deep
Learning. Conferencia Internacional de IA Aplicada, Actas, 45-60. URL:
Atlas.ti. (2024). ¿Qué es una Revisión Bibliográfica de Alcance? | Definición y comparación.
Guía de Revisiones Bibliográficas. URL: https://atlasti.com/es/guias/revisiones-
bibliograficas/revision-de-alcance
Orozco, P. (2023). Digitalización de los Agroecosistemas Tradicionales y Amenazas Sociales en
Latinoamérica. Revista de Estudios Rurales, 12(1), 20-35