Durante séculos, os seres humanos entendem as plantas por fora para dentro. Observamos folhas, testamos solo, analisamos o céu. A agricultura moderna evoluiu com sensores de umidade, satélites de imagem multiespectral e espectroscopia portátil — ferramentas sofisticadas que mapeiam variáveis ambientais com precisão crescente. Mas todas elas compartilham uma limitação fundamental: nada delas lê o que a própria planta está sentindo. É como diagnosticar um paciente olhando apenas o ambiente onde ele está, sem nunca medir pressão arterial, frequência cardíaca ou sinais vitais.
Uma startup chamada Electric Plant Company, que emerge hoje do stealth após três anos de desenvolvimento, quer mudar esse paradigma. Fundada pelo ex-CEO da Bloomscape Justin Mast e pelo neurocientista Lee von Kraus — que já trabalhou com DARPA e a EPA dos Estados Unidos — a empresa lançou o Bombadil, o primeiro modelo de fundação da história treinado especificamente para decodificar sinais elétricos de plantas. O resultado: um sistema que lê o estado fisiológico de uma planta diretamente de sua própria atividade elétrica, sem depender do solo, do clima ou de observação visual.
O Bombadil é, em termos técnicos, o que o campo de inteligência artificial chamaria de um "foundation model" — um modelo pré-treinado sem rótulos sobre uma quantidade massiva de dados brutos, capaz de generalizar para tarefas que nunca viu durante o treinamento. No caso, foram mais de 4 milhões de horas de gravações elétricas de 1.400 plantas pertencentes a 100 espécies em dez ambientes distintos, desde laboratórios e estufas até pomares comerciais e florestas naturais. Desde o primeiro treinamento, o corpus cresceu para 7 milhões de horas — mais do que todas as gravações publicamente disponíveis de atividade cerebral humana combinadas.
A arquitetura de hardware é simples e deliberadamente low-tech: sensores do tamanho de um iPhone dobrado ao meio, fixados na planta com parafusos de aço inoxidável que penetram o câmbio, a camada de tecido vivo logo abaixo da casca. Esses parafusos se conectam às microvariações de voltagem que ocorrem naturalmente dentro do vegetal. Os dados são enviados para uma estação base via rede sem fio de baixa potência. Em média, bastam dois sensores por hectare para resultados acurados, segundo a empresa.
O que acontece a seguir é puramente no domínio do machine learning. O sinal elétrico bruto chega ao Bombadil na nuvem, e o modelo estima sete marcadores fisiológicos de estresse apenas a partir do sinal — incluindo eficiência do fotossistema II, temperatura foliar relativa ao ar circundante e o Índice de Estresse Hídrico da Cultura (CWSI, na sigla em inglês), um padrão agrícola estabelecido para medir déficit de água. O diferencial do modelo não está na acurácia pontual, mas na generalização: ele consegue ler o estado de espécies que nunca encontrou durante o treinamento. "A maioria dos modelos anteriores de sinais elétricos de plantas funcionava para uma única espécie em um único ambiente", explicou James Kirk, chefe de IA/ML da empresa. "Quando você muda a planta ou o ambiente, tinha que recomeçar do zero. O Bombadil aprende o que é comum entre espécies, e essa generalização é o que permite escala."
O contexto científico que torna isso possível existe há décadas. Burdon-Sanderson registrou potenciais de ação em plantas no século 19. Volkov mapeou a eletrofisiologia vegetal de forma sistemática nas décadas seguintes. Plantas geram e propagam quatro tipos distintos de potenciais elétricos: potenciais de ação (que se propagam automaticamente, como no caso da Mimosa pudica, a "planta-que-fecha", a 44 mm/s), potenciais de variação (disparados por estresse ambiental), potenciais de sistema (envolvendo ativação de H+-ATPase) e potenciais locais. Essas são as mesmas assinaturas elétricas que o Bombadil decodifica.
O que o Bombadil traz de novo é a escala. Trabalhos acadêmicos recentes, como os publicados no arXiv em 2025 e 2026, já demonstraram que machine learning pode detectar estresse hídrico em plantas de tomate com 92% a 99,29% de acurácia a partir de sinais eletrofisiológicos. Outros estudos, como o do projeto europeu WatchPlant, usaram dispositivos vestíveis chamados PhytoNode para monitorar a electrofisiologia de Hedera helix em ambientes externos ao ar livre, alcançando F1-scores macro de até 95%. Mas todos esses sistemas eram restritos a uma espécie, um ambiente ou uma única tarefa. O modelo da Electric Plant é o primeiro a tentar o que os pesquisadores de IA chamam de "generalização cross-species" — aprender padrões eletrofisiológicos universais que se aplicam a qualquer planta.
A startup levantou US$ 11,2 milhões em rodada-semente liderada pela Onto Ventures e Climactic, com participação da Ponderosa, Endeavor Catalyst, Ludlow, Michigan Rise, The Fund, Schox VC e Doug Song. As implantacões iniciais já estão rodando em sítios comerciais, com centenas de sensores no campo. A empresa licencia sua tecnologia para operadores de serviços de cuidado com plantas em vez de substituí-los, e afirma que o sistema pode aumentar a produtividade e reduzir o uso de água em mais de 20%.
Mas há uma questão filosófica que transcende a agricultura. Se um modelo de IA consegue decodificar o que uma planta "sente" a partir de seus sinais elétricos, estamos realmente lendo a natureza ou apenas traduzindo padrões eletroquímicos para variáveis que nos são familiares? Os próprios fundadores da Electric Plant são cautelosos: "Nós estamos mais escutando do que falando", diz Mast, "mas o escutar é o primeiro passo". A analogia com os grandes modelos de linguagem é quase inevitável — GPT aprendeu a estrutura da língua humana lendo trilhões de palavras, sem nunca ter "entendido" o que estava lendo. Bombadil aprendeu a estrutura dos sinais elétricos das plantas lendo milhões de horas de voltagem crua. A diferença é que as plantas não têm cérebro para interpretar o que seus sinais significam. Elas só enviam. Quem decide o que isso quer dizer é o modelo.
O que se segue pode ser o começo de algo radicalmente novo na relação entre humanos e o reino vegetal — um diálogo bidirecional onde cada planta em um campo ou floresta se torna um nó ativo em uma rede de biofeedback, ou pode ser apenas o próximo capítulo em uma indústria que já transformou cada aspecto da natureza em dado a ser coletado, analisado e otimizado. O fato é que, pela primeira vez na história, temos a capacidade técnica de ler uma planta por dentro. O que fazemos com essa capacidade é a pergunta que vale para toda a inteligência artificial aplicada à biosfera.
Fontes: TechCrunch, Business Wire, arXiv
✓ Fontes independentes cruzadas e verificadas antes da publicação
