Una firma de Rosario presentó Certera, una herramienta que estima la producción potencial de campos y ofrece esos datos como insumo para decisiones de crédito agropecuario. La iniciativa nace en un contexto donde el acceso al financiamiento agropecuario es uno de los principales cuellos de botella para productores de todos los tamaños.
El desarrollo proviene de PreSeeds, una empresa con más de 15 años de trabajo con drones, sensores y bases de datos para estudiar cultivos y su desempeño. Según su fundador, Gonzalo Goñi, la transición fue lógica: de calcular rendimientos para manejo agronómico a convertir esos cálculos en una métrica útil para bancos y empresas que otorgan crédito.
Hoy, gran parte del crédito se decide en base al CUIT y al historial financiero del productor, una fotografía que no siempre refleja la capacidad productiva del campo que se financiará. Conocer la producción esperada permite ajustar cuánto y en qué condiciones se presta, sin sustituir la evaluación crediticia tradicional sino complementándola.
El sistema integra histórico de rendimientos, características del suelo y modelos climáticos para simular escenarios como El Niño, La Niña o condiciones normales, e incorpora precios de granos, costos de producción y alquileres. Con esos insumos asigna a cada lote una calificación de riesgo de 0 a 100 que busca traducir la productividad esperada en capacidad de repago.
En la práctica, Certera ya trabaja con cultivos como soja, maíz, trigo y girasol, y planea sumar algodón y maní en próximas etapas. El enfoque es granular: cada lote recibe información sobre producción esperada y rendimiento económico para facilitar decisiones precisas.
Las empresas de insumos que permiten pago poscosecha son usuarios naturales de esta información, porque pueden ajustar líneas y montos según la expectativa de rendimiento del lote financiado. En palabras de la compañía, cada dólar prestado debería estar vinculado a cuánto puede rendir el lote donde ese dólar se invierte.
Cómo funciona Certera y qué datos considera
La plataforma combina imágenes satelitales y de drones con sensores de campo y registros históricos para generar modelos de rendimiento por lote y por campaña. Además, cruza esas estimaciones con proyecciones climáticas y de mercado para simular distintos escenarios económicos y productivos.
Como ejemplo operativo, la empresa presentó un caso ficticio de un campo de 505 hectáreas dividido en cinco lotes que necesitaba US$ 82.210 para insumos, donde la cosecha alcanzó a devolver el crédito en cuatro de los cinco escenarios analizados. El único escenario en el que la devolución no alcanzaba fue una Niña fuerte, lo que muestra la sensibilidad de los resultados a eventos climáticos extremos.
Otras aplicaciones prácticas incluyen a acopios, corredores y cooperativas que compran granos antes de cerrar la campaña, quienes pueden comparar lo que tienen comprado con lo que realmente se espera cosechar en una zona. Por ejemplo, si una firma pactó la compra de 5000 toneladas en Trenque Lauquen, Certera permite anticipar si la producción zonal será suficiente para cubrir ese compromiso.
Los propios productores obtienen una herramienta para definir estrategias de fertilización y siembra, priorizar inversiones y evaluar contratos de alquiler o compra de insumos. La información también puede usarse para proyectos municipales ligados a catastro e impuestos, ampliando el alcance más allá del crédito.
Riesgos, límites y preguntas abiertas
Ningún modelo es infalible y la validez de las proyecciones depende de la calidad de datos disponibles, la resolución de sensores y la precisión de los modelos climáticos, especialmente frente a volatilidad de precios y eventos extremos. Por eso, Certera se plantea como un complemento a las evaluaciones financieras tradicionales y no como un reemplazo absoluto.
También existen desafíos operativos y regulatorios: la adopción requiere conectividad rural, acuerdos de privacidad de datos y confianza entre productores, bancos y proveedores de insumos, además de metodologías claras para integrar el scoring agrícola en contratos crediticios. Sin soluciones a estas barreras, la herramienta puede quedar limitada a grandes productores o empresas con capacidad técnica.
Si se generaliza, la metodología podría contribuir a reducir el incumplimiento al alinear mejor el crédito con la capacidad productiva real y a optimizar la cadena de valor al mejorar la previsibilidad de oferta para acopios y procesadores. La clave será validar los modelos en campañas reales y transparentar supuestos para que bancos y productores tomen decisiones informadas.
Según Goñi, el objetivo es construir un scoring agrícola que aporte certeza operativa y financiera, y explorar usos municipales para gestión catastral y fiscal. Para que esa promesa se cumpla será necesario pilotear en distintas regiones, incluir a pequeños productores y crear marcos de confianza que permitan escalar la herramienta.
