Este artículo fue creado para el Google Cloud Run Hackathon 2025 y presenta cómo AgriPath aprovecha la arquitectura serverless de Cloud Run y el Google Agent Development Kit para resolver problemas reales de cultivo.

La historia que lo inició todo comienza con una observación simple pero potente. Mi tío sembró 7 acres de rábano el 5 de diciembre junto con todos los agricultores del pueblo. En febrero el mercado se saturó y los precios se hundieron de 18 INR por kg a 9 INR por kg. Con la misma tierra, las mismas semillas y el mismo esfuerzo obtuvo 630000 INR cuando pudo haber obtenido 1200000 INR si hubiera escalonado las siembras. La razón no fue desconocimiento de cultivos sino ausencia de planes de ejecución precisos: nadie les dijo cuándo exactamente sembrar, cuánto sembrar y qué pasos seguir día a día.

Problema real: no falta información, falta ejecución. Existen cientos de aplicaciones que recomiendan cultivos, pero los agricultores necesitan una hoja de ruta diaria desde la preparación del suelo hasta la cosecha, con materiales exactos, costes y acciones paso a paso. AgriPath entrega eso.

La solución: un sistema de 11 agentes IA especializados orquestados por Google ADK y ejecutados en Cloud Run. Cada agente es experto en un dominio y juntos generan planes completos de ejecución en aproximadamente 90 segundos. Las capas principales son: capa de inteligencia de datos con análisis de BigQuery, pronósticos meteorológicos y análisis de mercado; capa de planificación y optimización con optimizador de siembras escalonadas; capa de ejecución y entrega que genera calendarios detallados, proyecciones financieras y gestión de subvenciones; y capa de monitorización y riesgos que evalúa amenazas de clima, plagas y mercado.

Por qué Cloud Run fue la elección adecuada: timeout generoso de hasta 300 segundos, escalado automático, facturación pay per use y cero operaciones devops manuales. La configuración típica utilizada incluye 4 GB de RAM, 2 vCPU, timeout 300s, max instancias 10 y min instancias 0 para costos bajos. Con estas medidas el coste estimado en producción es de aproximadamente 150 USD al mes para 1000 planes diarios, lo que supone alrededor de 0.15 USD por plan frente a varios dólares en máquinas virtuales tradicionales.

La innovación clave: el optimizador de siembras escalonadas. Algoritmo resumido en pasos sencillos: calcular índice de volatilidad de precios a partir de historial, identificar meses de caída de precio, determinar lotes óptimos y fechas de siembra para capturar mercados tempranos y post pico, y comparar financieramente el enfoque escalonado frente al tradicional. En el ejemplo del rábano con 7 acres el modelo sugiere sembrar 30 por ciento temprano y 70 por ciento más tarde, pasando de un ingreso de 630000 INR a 1200000 INR, un aumento del 90 por ciento en ingresos.

Generación de calendarios: el agente calendarizador crea entre 150 y 200 actividades por plan con materiales, costes, instrucciones y contingencias. Ejemplo de actividad: fecha de siembra, materiales necesarios con cantidades y coste estimado, número de trabajadores, maquinaria requerida, duración en horas, instrucciones paso a paso y plan de contingencia ante lluvia intensa. Esto permite al agricultor ejecutar el plan sin ambigüedades.

Integraciones reales: BigQuery para consultar más de 10000 registros históricos de cultivo y calcular similitud de condiciones; Weatherbit para pronósticos a 16 días y recomendaciones de riego; Google Maps para identificar fuentes de agua cercanas y planificar riego. Estas integraciones aportan datos reales que convierten las recomendaciones en acciones practicables.

Desarrollo y despliegue: flujo local, dockerización y despliegue en Cloud Run. En desarrollo utilizamos pruebas locales y contenedores para reproducibilidad, luego construimos y desplegamos con gcloud hacia Cloud Run, manteniendo variables de entorno y secretos gestionados por la plataforma.

Retos y lecciones aprendidas: coordinación entre agentes es compleja, por lo que una definición estricta de esquemas de entrada y salida fue esencial. El manejo de errores y degradación elegante ante fallos de APIs externas permite ofrecer alternativas y datos históricos. La optimización del tiempo de respuesta fue crítica: caching, paralelización de agentes cuando es posible, prompts concisos y migración a modelos Gemini Flash redujeron el tiempo de 240 segundos a un promedio de 60 120 segundos.

Aspectos técnicos y mejores prácticas: usar esquemas Pydantic estrictos para validar salidas de agentes, incluir etiquetas claras de formato de salida en los prompts, reintentos con backoff exponencial para llamadas a APIs y optimizar consultas BigQuery con índices y agregaciones que reduzcan latencia.

Impacto real: estudios de caso muestran mejoras significativas en ingresos y ROI para agricultores con múltiples parcelas o pequeños productores que optan por cultivos tolerantes a sequía y calendarios optimizados. Además AgriPath detecta y sugiere subvenciones gubernamentales aplicables, aumentando la capacidad de inversión del agricultor.

Sobre Q2BSTUDIO: somos una empresa de desarrollo de software y aplicaciones a medida especializada en soluciones tecnológicas que incluyen inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio y automatización de procesos. Como estudio ofrecemos desarrollos a medida que integran agentes IA, power bi y soluciones de IA para empresas. Si buscas crear una aplicación a medida, en Q2BSTUDIO desarrollamos soluciones completas y adaptadas a las necesidades del cliente, consulta nuestros servicios de aplicaciones y software a medida en desarrollo de aplicaciones y software multiplataforma. Para proyectos de inteligencia artificial o consultoría de IA para empresas visita nuestras soluciones de inteligencia artificial.

Próximos pasos para AgriPath: implementar respuestas en streaming para mostrar progreso en tiempo real, lanzar aplicación móvil con acceso offline, notificaciones push, captura de fotos para análisis de suelo y entrada por voz en idiomas regionales, e integrar sensores IoT para datos de humedad y Trigger automáticos de riego. Estas mejoras mejoran la adopción y la confianza de pequeños agricultores.

Conclusión: la mayor contribución de la IA no es reemplazar la experiencia humana sino multiplicarla. Los agricultores tienen conocimiento local valiosísimo; AgriPath analiza miles de registros, predice caídas de precio, genera 185 actividades detalladas, calcula ROI y encuentra subvenciones que antes pasaban desapercibidas. Si este tipo de soluciones se adopta a escala, se puede recuperar rentabilidad en la agricultura y mejorar ingresos rurales.

Contacta a Q2BSTUDIO si quieres construir una solución similar, integrar agentes IA, servicios de inteligencia de negocio o mejorar la seguridad digital de tus sistemas con ciberseguridad y pentesting. Podemos ayudarte a diseñar software a medida que combine IA, cloud y BI con implementaciones seguras y escalables.