SIVAI (Sistema Inteligente de Vigilancia Agrometeorológica para Invernaderos) es un sistema de inteligencia artificial desarrollado por la Universidad Nacional de San Luis y la Agencia de Extensión Rural San Luis del INTA junto con la Asociación Civil Daniel Donovan, que reúne a unos 40 pequeños productores. Combina sensores de temperatura y humedad de bajo costo instalados en un invernadero con datos históricos y en tiempo real de la Red de Estaciones Meteorológicas de San Luis, y avisa heladas y ráfagas de viento fuertes con entre una y seis horas de anticipación, por web, celular o Telegram.
En el módulo de prueba, las pérdidas por eventos climáticos habían sido de entre 37% y 40% el año anterior; en el invierno siguiente, con el sistema funcionando, fueron cero. Para una empresa del agro la lección no es comprar una plataforma de punta: es instrumentar bien los datos propios, entrenar un modelo para un problema concreto y hacer que la alerta llegue a tiempo a quien puede actuar.
Hay más casos reales de empresas argentinas con IA en el blog, pero este tiene algo que casi ninguno muestra: un número de antes y después sobre un problema que cualquier productor entiende sin explicación técnica.
¿Qué es el SIVAI y quién lo desarrolló?
SIVAI es un sistema de vigilancia agrometeorológica para invernaderos. Lo dirige la doctora Verónica Gil Costa, docente de la Universidad Nacional de San Luis (UNSL) e investigadora del CONICET, y reúne a cuatro actores:
- UNSL: los departamentos de Informática y Electrónica de la Facultad de Ciencias Físico Matemáticas y Naturales. Los modelos los entrenaron estudiantes de Ingeniería en Computación.
- INTA: la Agencia de Extensión Rural San Luis, que conecta el desarrollo con la producción.
- Asociación Civil Daniel Donovan: unos 40 pequeños productores frutihortícolas y ganaderos, donde funciona el invernadero piloto.
- Gobierno de San Luis: aporta los datos de su Red de Estaciones Meteorológicas. Noticias de Campo suma a la Sociedad Rural de San Luis entre las entidades del proyecto.
El sistema nació de la propuesta «Agroclima y producción», elegida en la convocatoria 2025 de la Alianza Universitaria Argentina Europea para la Transformación Digital (UNI-UEAR), con financiamiento de la Unión Europea. Según SanLuis24, fue una de las 13 iniciativas seleccionadas en el país entre más de 50 propuestas.
Para una pyme, el orden de magnitud es lo interesante: esa convocatoria del Consejo Interuniversitario Nacional financiaba hasta 13.000 euros por proyecto. No se publicó cuánto costó SIVAI en concreto, pero el techo de financiamiento deja claro que no hablamos de una inversión de corporación.
¿Cómo predice heladas y ráfagas de viento con inteligencia artificial?
La arquitectura es simple y por eso es replicable. Tiene tres capas:
| Capa | Qué hace en SIVAI | Por qué importa |
|---|---|---|
| Datos propios | Sensores de bajo costo miden temperatura y humedad dentro del invernadero | El microclima del invernadero no es el de la estación más cercana |
| Datos de contexto | Historial y lecturas en tiempo real de la Red de Estaciones Meteorológicas de San Luis | Da años de historia para entrenar sin esperar a juntar datos propios |
| Modelo | Modelos de IA entrenados sobre variables temporales que anticipan heladas y ráfagas fuertes | Resuelve una sola pregunta, no «el clima» en general |
| Alerta | Aviso con entre 1 y 6 horas de anticipación por panel web, app y bot de Telegram, con recomendaciones de acción | Una predicción que no llega al celular a tiempo no evita ninguna pérdida |
El panel público del proyecto muestra cómo se ve del lado del productor: la estación de Donovan, la temperatura con pronóstico a seis horas, la humedad, la velocidad del viento y un estado en lenguaje llano («Invernadero monitoreado. Todo bajo control»). Nada de tableros con veinte métricas.
Matías Centeno, jefe de la Agencia de Extensión Rural San Luis del INTA, lo resumió así ante Noticias de Campo: con esos datos se entrenaron modelos «capaces de generar alertas con hasta seis horas de anticipación ante ráfagas de viento y temperaturas extremas».
¿Qué resultado real tuvo en los productores de San Luis?
El dato que hace valer el caso: en el módulo de prueba, las pérdidas por heladas, viento y otros eventos climáticos habían sido de entre 37% y 40% el año anterior. En el invierno siguiente, con el sistema funcionando, fueron cero.
Para esos productores no es un indicador de eficiencia: es la diferencia entre tener plantines para vender o no. «Si no tienen invernaderos no pueden vender y no pueden vivir», explicó Gil Costa a SanLuis24.
El paso siguiente que anunció el equipo va en la dirección lógica: convertir la experiencia en un paquete tecnológico adaptable a otros invernaderos chicos de distintas regiones, y sumar automatizaciones como apertura de puertas, calefacción y riego. Es decir, pasar de avisarle a una persona a actuar directamente.
¿Qué datos y qué inversión necesita una empresa agropecuaria para un sistema similar?
Leyendo el caso desde una empresa, la lista de lo necesario es más corta de lo que parece:
- Sensores en el lugar donde está el riesgo. Temperatura y humedad en el invernadero, el galpón o el lote. En SIVAI son dispositivos de bajo costo.
- Una fuente de historia climática. San Luis tiene una red provincial de estaciones con datos abiertos al proyecto; en otras provincias hay que ver qué red existe cerca y cuántos años de registro tiene.
- Registro de las pérdidas de antes. Sin el 37-40% del año anterior, el cero no demostraría nada. Medir la línea de base es lo primero, y lo que casi nadie hace.
- Una acción concreta por alerta. Cerrar, calefaccionar, cubrir, regar. Si nadie sabe qué hacer cuando suena, el modelo no sirve.
- Alguien que sepa entrenar y mantener el modelo. Acá lo hizo la universidad. Una empresa lo puede resolver con un convenio con una universidad o el INTA, o con un proveedor.
Sobre la plata: no hay costo publicado del sistema, y la referencia más cercana es el tope de 13.000 euros por proyecto de la convocatoria que lo financió. El costo real de una empresa depende de cuántos puntos quiera medir y de si desarrolla o compra, pero el caso muestra que el cuello de botella no es el presupuesto: es tener la línea de base medida y la acción definida.
¿Cómo se compara con otros casos de IA en el agro argentino?
Tres casos recientes muestran tres formas muy distintas en las que la IA ya entró al agro:
| SIVAI | BBVA Agro Advisor | Cámaras IA del INASE | |
|---|---|---|---|
| Problema | Pérdidas por heladas y viento en invernaderos | Evaluar y monitorear lotes para el negocio comercial del banco | Trazabilidad y control de la semilla de algodón en el deslinte |
| Quién lo hizo | UNSL e INTA con la Asociación Civil Daniel Donovan | BBVA Argentina | Obligación del INASE (Resolución 392/2026) para las plantas procesadoras |
| Qué datos usa | Sensores propios y red de estaciones meteorológicas | Datos geoespaciales de más de 550.000 hectáreas con cinco campañas de historia | Cámaras con reconocimiento de patente integradas a Semilla Segura |
| Qué tan replicable es para una pyme | Alta: sensores baratos y un problema acotado | Baja como producto; alta como patrón (datos propios más un asistente para el equipo) | No se elige: es un requisito para operar |
Si querés el detalle de cada uno: BBVA ya monitorea 550.000 hectáreas con IA, las cámaras con IA obligatorias en el procesamiento de algodón y, del lado de los datos que empiezan a existir por obligación, la trazabilidad veterinaria digital de SENASA.
¿Por qué en el agro la IA se gana con casos concretos y no con herramientas genéricas?
Porque el valor está en el dato local y en la acción, no en el modelo. Un asistente genérico puede explicarte qué es una helada radiativa; no sabe qué temperatura hay ahora dentro de tu invernadero ni qué pasó las últimas diez noches con esa humedad. SIVAI funciona porque alguien decidió medir exactamente eso.
Es el mismo patrón que veo cuando acompaño a empresas: los proyectos que funcionan eligen un problema con costo medible, juntan los datos que lo explican y definen quién hace qué cuando el sistema avisa. Los que fracasan arrancan por la herramienta y buscan después dónde usarla.
¿Qué tiene que verificar una empresa antes de invertir en un sistema de alerta temprana con IA?
Antes de contratar o desarrollar, estas preguntas separan un sistema útil de una demo:
- ¿Tengo medida la pérdida actual? Sin línea de base no hay forma de saber si el sistema pagó su costo.
- ¿Con cuánta anticipación necesito el aviso para poder actuar? Si cubrir un cultivo lleva tres horas, una alerta con una hora no alcanza.
- ¿Hay datos históricos cerca de mi campo para entrenar el modelo, o voy a tener que medir una temporada primero?
- ¿Cuántas falsas alarmas tolera mi equipo? Un sistema que avisa de más termina ignorado.
- ¿La alerta llega por un canal que la gente realmente mira a las cuatro de la mañana, como el celular o Telegram?
- ¿Quién mantiene el modelo cuando cambian los sensores o el clima de la zona?
Si todavía no hay datos ordenados en la empresa, conviene empezar un paso antes: la guía paso a paso para implementar IA en una pyme arranca justamente por diagnosticar dónde hay impacto medible.
Preguntas frecuentes sobre SIVAI
SIVAI (Sistema Inteligente de Vigilancia Agrometeorológica para Invernaderos) es un sistema de inteligencia artificial que anticipa heladas y ráfagas de viento fuertes en invernaderos. Combina sensores de temperatura y humedad instalados en el invernadero con datos históricos y en tiempo real de la Red de Estaciones Meteorológicas de San Luis, y envía alertas por panel web, app y bot de Telegram, con recomendaciones de qué hacer.
Lo desarrolló un equipo de los departamentos de Informática y Electrónica de la Universidad Nacional de San Luis, dirigido por la doctora Verónica Gil Costa (docente de la UNSL e investigadora del CONICET), junto con la Agencia de Extensión Rural San Luis del INTA. Los modelos los entrenaron estudiantes de Ingeniería en Computación. El piloto funciona con la Asociación Civil Daniel Donovan, que reúne a unos 40 pequeños productores frutihortícolas y ganaderos. Surgió de la propuesta Agroclima y producción, seleccionada en la convocatoria 2025 de la alianza universitaria UNI-UEAR con financiamiento de la Unión Europea.
Entre una y seis horas antes, según las fuentes del proyecto. El panel público muestra la temperatura con un pronóstico a seis horas. Para que sirva, esa ventana tiene que ser mayor que el tiempo que lleva la acción de protección: cerrar, calefaccionar o cubrir el cultivo.
En el módulo de prueba, las pérdidas por heladas, viento y otros eventos climáticos habían sido de entre 37% y 40% el año anterior, y en el invierno siguiente, con el sistema funcionando, fueron cero, según el INTA San Luis. Es un resultado de un módulo durante un invierno: una señal muy fuerte de que el enfoque funciona, no una garantía para cualquier campo ni cualquier temporada.
SIVAI fue diseñado y probado en invernaderos, y no hay resultados publicados a campo abierto. El enfoque —sensores en el lugar del riesgo, historia de una red de estaciones y un modelo entrenado para anticipar un evento— es trasladable, pero a campo abierto cambian las acciones posibles frente a la alerta y el microclima es más difícil de medir con pocos sensores. El equipo anunció que busca convertir la experiencia en un paquete tecnológico adaptable a otros invernaderos chicos de distintas regiones.
Cinco cosas: sensores en el lugar donde está el riesgo, una fuente de historia climática cercana para entrenar el modelo, el registro de las pérdidas actuales como línea de base, una acción concreta definida para cada alerta y alguien que entrene y mantenga el modelo (una universidad, el INTA o un proveedor). No se publicó el costo de SIVAI; la convocatoria que lo financió tenía un tope de 13.000 euros por proyecto.
No. Un sistema de alerta temprana reduce las pérdidas que se pueden evitar si se actúa a tiempo, como cerrar o calefaccionar un invernadero antes de una helada. No cubre los eventos donde no hay acción posible ni compensa económicamente una pérdida. Son herramientas complementarias: la alerta baja la frecuencia del daño y el seguro cubre lo que igual ocurre.
Última actualización: · Versión 1.0 · Fuentes: sitio oficial de SIVAI (UNSL), Noticias de Campo (16 de septiembre de 2026), SanLuis24 (septiembre de 2026) y las bases de la convocatoria PDTS CIN UNI-UEAR 2025. Análisis: Diego Ceredi, consultor certificado por Anthropic y Google.
BBVA ya monitorea 550.000 hectáreas con IA: qué le enseña su Agro Advisor a cualquier empresa que quiere implementar inteligencia artificial
8 min de lectura
Hotelga 2026 le dio pabellón propio a la tecnología: qué IA se le está vendiendo hoy a los hoteles argentinos
10 min de lectura