Durante siglos, los seres humanos entendemos las plantas por fuera hacia adentro. Observamos hojas, analizamos suelo, leemos el cielo. La agricultura moderna ha evolucionado con sensores de humedad, satélites de imagen multiespectral y espectrómetros portátiles — herramientas sofisticadas que mapean variables ambientales con precisión creciente. Pero comparten todas una limitación fundamental: ninguna lee lo que la propia planta está experimentando. Es como diagnosticar a un paciente solo mirando la habitación donde está, sin nunca medir presión arterial, frecuencia cardíaca ni signos vitales.
Una startup llamada Electric Plant Company, que emerge hoy del stealth tras tres años de desarrollo, quiere cambiar ese paradigma. Fundada por Justin Mast, ex-CEO de Bloomscape, y el neurocientífico Lee von Kraus, quien trabajó con DARPA y la EPA de Estados Unidos, la empresa ha lanzado Bombadil, el primer modelo de fundación de la historia entrenado específicamente para decodificar señales eléctricas de plantas. El resultado: un sistema que lee el estado fisiológico de una planta directamente desde su propia actividad eléctrica, sin depender del suelo, el clima ni la observación visual.
Bombadil es, en términos técnicos del campo de inteligencia artificial, lo que sería un "foundation model" — un modelo preentrenado sin etiquetas sobre una cantidad masiva de datos en bruto, capaz de generalizar a tareas que nunca vio durante el entrenamiento. En este caso, más de 4 millones de horas de grabaciones eléctricas de 1.400 plantas pertenecientes a 100 especies en diez ambientes distintos, desde laboratorios e invernaderos hasta pomares comerciales y bosques naturales. Desde el primer entrenamiento, el corpus creció a 7 millones de horas — más que todas las grabaciones públicamente disponibles de actividad cerebral humana combinadas.
La arquitectura de hardware es deliberadamente simple y low-tech: sensores del tamaño de un iPhone doblado a lo largo, fijados a la planta con tornillos de acero inoxidable que penetran el câmbium, la capa de tejido vivo justo debajo de la corteza. Estos tornillos se conectan a las microvariaciones de voltaje que ocurren naturalmente dentro del vegetal. Los datos se envían a una estación base vía red inalámbrica de baja potencia. En promedio, bastan dos sensores por hectárea para resultados precisos, según la empresa.
Lo que sucede a continuación es puro machine learning. La señal eléctrica en bruto llega al Bombadil en la nube, y el modelo estima siete marcadores fisiológicos de estrés únicamente a partir de la señal — incluyendo eficiencia del fotosistema II, temperatura foliar relativa al aire circundante y el Índice de Estrés Hídrico del Cultivo (CWSI, por sus siglas en inglés), un estándar agrícola establecido para medir déficit de agua. El diferenciador del modelo no está en la precisión puntual, sino en la generalización: puede leer el estado de especies que nunca encontró durante el entrenamiento. "La mayoría de los modelos anteriores de señales eléctricas de plantas funcionaban para una sola especie en un solo ambiente", explicó James Kirk, jefe de IA/ML de la empresa. "Cuando cambiabas la planta o el ambiente, tenías que empezar desde cero. Bombadil aprende lo que es común entre especies, y esa generalización es lo que permite escala."
El contexto científico que hace esto posible existe desde hace décadas. Burdon-Sanderson registró potenciales de acción en plantas en el siglo XIX. Volkov mapeó sistemáticamente la electrofisiología vegetal en las décadas siguientes. Las plantas generan y propagan cuatro tipos distintos de potenciales eléctricos: potenciales de acción (que se propagan autónomamente, como en la Mimosa pudica, la "planta-que-se-cierra", a 44 mm/s), potenciales de variación (disparados por estrés ambiental), potenciales de sistema (involucrando activación de H+-ATPasa) y potenciales locales. Estas son las mismas señales eléctricas que Bombadil decodifica.
Lo que Bombadil aporta de nuevo es la escala. Trabajos académicos recientes, como los publicados en arXiv en 2025 y 2026, ya demostraron que machine learning puede detectar estrés hídrico en plantas de tomate con 92% a 99,29% de precisión a partir de señales electrofisiológicas. Otros estudios, como el del proyecto europeo WatchPlant, usaron dispositivos portátiles llamados PhytoNode para monitorear la electrofisiología de Hedera helix en ambientes exteriores al aire libre, alcanzando F1-scores macro de hasta 95%. Pero todos estos sistemas eran restringidos a una especie, un ambiente o una única tarea. El modelo de Electric Plant es el primero en intentar lo que los investigadores de IA llaman "generalización cross-species" — aprender patrones electrofisiológicos universales que se aplican a cualquier planta.
La startup levantó USD 11,2 millones en ronda semilla liderada por Onto Ventures y Climactic, con participación de Ponderosa, Endeavor Catalyst, Ludlow, Michigan Rise, The Fund, Schox VC y Doug Song. Las implementaciones iniciales ya están corriendo en sitios comerciales, con cientos de sensores en el campo. La empresa licencia su tecnología a operadores de servicios de cuidado con plantas en lugar de reemplazarlos, y afirma que el sistema puede aumentar la productividad y reducir el uso de agua en más del 20%.
Pero hay una cuestión filosófica que trasciende la agricultura. Si un modelo de IA puede decodificar lo que una planta "siente" a partir de sus señales eléctricas, estamos realmente leyendo la naturaleza o solo traduciendo patrones electroquímicos a variables que nos son familiares? Los propios fundadores de Electric Plant son cautelosos: "Nosotros estamos más escuchando que hablando", dice Mast. La analogía con los grandes modelos de lenguaje es casi inevitable — GPT aprendió la estructura del lenguaje humano leyendo trillones de palabras sin nunca "entender" lo que leía. Bombadil aprendió la estructura de las señales eléctricas de las plantas leyendo millones de horas de voltaje en bruto. La diferencia es que las plantas no tienen cerebro para interpretar qué significan sus señales. Ellas solo envían. El modelo decide qué significa eso.
Lo que sigue puede ser el comienzo de algo radicalmente nuevo en la relación entre humanos y el reino vegetal — un diálogo bidireccional donde cada planta en un campo o bosque se convierte en un nodo activo en una red de biofeedback — o puede ser simplemente el próximo capítulo en una industria que ya transformó cada aspecto de la naturaleza en dato a ser recogido, analizado y optimizado. El hecho es que, por primera vez en la historia, tenemos la capacidad técnica de leer una planta desde adentro. Qué hacemos con esa capacidad es lo que vale la pena observar.
Fuentes: TechCrunch, Business Wire, arXiv
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
