Foundation model in agricoltura, l’IA che non possiede i suoi dati

C’è un settore che genera dati gratis a ogni passaggio di trattore, miliardi di rilevazioni georeferenziate l’anno, e che riceve lo 0,57 per cento del venture capital mondiale: minimo storico, toccato nel primo trimestre 2026 mentre i capitali correvano verso i data center. L’agricoltura è contemporaneamente il settore più ricco di dati e più povero di capitale IA. Eppure qualcosa in campo è già arrivato: nel 2025 i clienti di John Deere hanno trattato oltre cinque milioni di acri con l’irrorazione selettiva guidata da computer vision, dimezzando l’erbicida secondo i dati dell’azienda. La domanda per fondatori e investitori non è più se l’intelligenza artificiale entrerà in agricoltura. È chi possiederà i dati con cui la si addestra.

Il contesto: i modelli fondativi esistono già, ma parlano poco di campi

Un foundation model è il modello di base: si addestra una volta, su quantità enormi di dati, e sopra ci si costruiscono le applicazioni. ChatGPT è il foundation model dei testi; qui si parla dei loro equivalenti per campi, colture e immagini satellitari. La corsa a quelli agricoli si muove su due binari. Il primo è geospaziale: Prithvi-EO 2.0, il modello di IBM e NASA rilasciato a fine 2024 con 600 milioni di parametri addestrati su immagini satellitari, è open source e già usato per classificare colture; l’ESA ha messo a disposizione con il progetto Major TOM oltre 169 milioni di embedding da dati Sentinel, la più grande collezione di questo tipo. Il secondo binario è linguistico e agronomico: Bayer ha trasformato la propria conoscenza interna in E.L.Y., un modello linguistico compatto disponibile nel catalogo Azure di Microsoft, Syngenta ha integrato l’IA generativa nella piattaforma Cropwise, Google ha esteso nell’ottobre 2025 i suoi modelli agricoli nati in India (delimitazione dei campi, colture prevalenti, finestre di raccolta) a quattro Paesi asiatici. Sul piano regolatorio l’Europa ha fissato il calendario: dall’agosto 2026 scattano gli obblighi pieni dell’AI Act per i sistemi ad alto rischio, che includono le componenti di sicurezza delle macchine agricole autonome, mentre dal settembre 2025 il Data Act dà all’agricoltore il diritto di accedere ai dati generati dalle proprie macchine. Il capitale, intanto, si muove in controtendenza rispetto ai titoli: il deeptech è arrivato a un terzo delle operazioni agrifoodtech censite da AgFunder nel 2025, ma senza mega-round, e nessuna società del comparto ha superato i 200 milioni in un singolo round nell’anno. Tanto lavoro di laboratorio, poca benzina. I modelli, in altre parole, ci sono: quello che manca è chiarezza su chi controlla la materia prima che li nutre.

La mappa: chi costruisce, chi raccoglie, chi paga

La geografia dei player è insolitamente concentrata. John Deere (Illinois) è il caso di scuola dell’IA incorporata nel ferro: See & Spray ha superato i cinque milioni di acri trattati nel 2025 con un risparmio medio del 50 per cento di erbicida non residuale e un guadagno di resa di due staia per acro nei trial dichiarati dall’azienda. Ma il 2026 di Deere racconta anche l’altra faccia: a luglio l’accordo con la FTC americana l’ha obbligata a garantire per dieci anni ad agricoltori e riparatori indipendenti gli strumenti software di diagnosi, e una class action parallela le è costata 99 milioni di dollari. Digital Green (no profit, India e Africa orientale) ha costruito con Farmer.Chat il caso d’uso più concreto dell’IA generativa in agricoltura: mezzo milione di agricoltori raggiunti secondo la Rockefeller Foundation, con un costo per pratica adottata sceso, stando ai dati dell’organizzazione, da 35 dollari a meno di uno. KissanAI (India) ha rilasciato Dhenu, tra i primi modelli linguistici agricoli in lingue vernacolari. Living Models (Parigi) è il segnale nuovo del 2026: uscita dallo stealth a marzo con sette milioni di seed, costruisce Botanic, un foundation model genomico addestrato su 43 specie vegetali, a pesi aperti. Corteva ha stretto a fine 2025 un accordo con Profluent per progettare proteine per il gene editing con IA generativa, e Heritable Agriculture, scorporata dalla moonshot factory di Alphabet a inizio 2025, applica il machine learning al miglioramento genetico: il breeding, il miglioramento genetico delle piante, è il terreno dove i foundation model promettono di più, perché lì il dato è già strutturato da un secolo di registri varietali. La NASA ha perfino annunciato il primo foundation model geospaziale operativo in orbita, con l’elaborazione a bordo del satellite. Sul fronte macchine, Ecorobotix (Svizzera, 150 milioni raccolti) e Carbon Robotics (Seattle, USA, serie D da 70 milioni) vendono l’IA come ferro che cammina. E in Italia xFarm Technologies (round da 36 milioni di euro nell’ottobre 2024) presidia il livello che conta: la piattaforma dove i dati di mezzo milione di aziende agricole si accumulano ogni giorno.

Il lato oscuro: chi semina dati, chi raccoglie valore

Il primo nodo è la proprietà. L’agricoltore genera il dato, la piattaforma lo aggrega, il modello lo capitalizza: in mezzo, contratti di licenza che pochi leggono. Il caso Deere è istruttivo proprio per i suoi limiti: la FTC ha vinto sul diritto di riparazione, ma la proprietà dei dati macchina non è stata toccata. In Europa il Data Act è il primo contrappeso reale, e chi costruisce oggi farebbe bene a progettare la conformità invece di subirla. Il secondo nodo è la responsabilità: un consiglio agronomico sbagliato non è una risposta imprecisa, è un raccolto perso. L’AI Act classifica ad alto rischio i robot, non i sistemi di raccomandazione colturale, che restano in una zona grigia dove l’errore non ha ancora un responsabile chiaro. Il terzo nodo è il pregiudizio dei dataset: i modelli imparano dal mais e dalla soia del Midwest, perché è lì che i dati abbondano. La viticoltura collinare, l’oliveto terrazzato, la policoltura mediterranea sono statisticamente invisibili, e un modello che non ha mai visto un vigneto in pendenza darà consigli da pianura dell’Iowa. Chi lavora a colmare il divario esiste, dai progetti FAO ai modelli vernacolari indiani, ma il grosso del capitale va altrove.

Dove si può costruire, se si vuole

L’Italia non avrà un suo foundation model generalista, e inseguirlo sarebbe velleitario. Ha però due asset che i costruttori di modelli non hanno: dati di colture che il resto del mondo non coltiva e strutture per validarli. I consorzi di tutela, le cooperative, i centri di saggio possiedono serie storiche su vite, olivo e ortofrutta di qualità che nessun dataset americano contiene: organizzarli in cooperative di dati, che vendono accesso ai costruttori di modelli alle proprie condizioni, è un modello di business ancora scoperto. La rete europea AgrifoodTEF, coordinata dalla Fondazione Bruno Kessler di Trento con 60 milioni di budget, offre l’infrastruttura di test che una startup da sola non potrebbe permettersi. E il primo mercato è in casa: gli obblighi di monitoraggio agronomico ventennale degli impianti agrivoltaici finanziati dal PNRR sono esattamente il tipo di cliente che paga per dati certificati. La condizione è una sola: partire dal dato proprietario e difendibile, non dal modello. I modelli invecchiano in sei mesi; una serie storica di vent’anni sul Sangiovese non la ricostruisce nessuno.

Nota per il lettore: l’autore collabora con fondi di investimento attivi nell’ambito agritech, che potrebbero aver sostenuto o sostenere in futuro alcune delle startup menzionate. L’articolo riflette unicamente opinioni personali a fini divulgativi. (foto di Teo Sticea su Unsplash)

Fonti principali

John Deere, “See & Spray technology across 5 million acres”, 4 novembre 2025: https://www.deere.com/en/news/all-news/see-spray-technology-across-5-million-acres/

FTC, “FTC, states secure settlement with Deere & Company advancing farmers’ right to repair”, 8 luglio 2026: https://www.ftc.gov/news-events/news/press-releases/2026/07/ftc-states-secure-settlement-deere-company-advancing-farmers-right-repair

Microsoft, “Microsoft introduces new adapted AI models for industry” (E.L.Y. Crop Protection di Bayer), 13 novembre 2024: https://blogs.microsoft.com/blog/2024/11/13/microsoft-introduces-new-adapted-ai-models-for-industry/

Syngenta Group, “Syngenta Group adds cutting-edge generative AI to Cropwise”, ottobre 2024: https://www.syngentagroup.com/newsroom/2024/syngenta-group-adds-cutting-edge-generative-artificial-intelligence-genai-cropwise-0

Google, “Sowing seeds of agri AI models: from India to APAC”, 24 ottobre 2025: https://blog.google/intl/en-in/company-news/technology/sowing-seeds-of-agri-ai-models-from-india-to-apac/

IBM Research, “Prithvi-EO-2.0”, 6 dicembre 2024: https://research.ibm.com/blog/prithvi2-geospatial

ESA Φ-lab, “New AI-powered insights with the latest Major TOM embeddings”, 31 gennaio 2025: https://philab.esa.int/new-ai-powered-insights-with-the-latest-major-tom-embeddings/

Rockefeller Foundation, “An AI-powered app fights climate change while revolutionizing farming” (Farmer.Chat): https://www.rockefellerfoundation.org/grantee-impact-stories/an-ai-powered-app-fights-climate-change-while-revolutionizing-farming/

iGrowNews, “Living Models” (seed da 7 milioni di dollari, marzo 2026): https://igrownews.com/living-models-latest-news/

AgFunderNews, “Agrifoodtech funding is flat, the interesting part is where it isn’t”, 18 marzo 2026: https://agfundernews.com/agrifoodtech-funding-is-flat-the-interesting-part-is-where-it-isnt

CropLife, “2026 Q1 agtech venture capital investment and exit round-up”: https://www.croplife.com/smart-tech/2026-q1-agtech-venture-capital-investment-and-exit-round-up/

xFarm Technologies, comunicato sul round da 36 milioni di euro, ottobre 2024: https://www.xfarm.ag/en/blog-posts/xfarm-technologies-leader-europeo-nella-digitalizzazione-del-settore-agroalimentare-chiude-un-round-da-eu36-milioni

AgrifoodTEF (rete europea di test per AI e robotica agricola): https://agrifoodtef.eu/

Commissione europea, quadro regolatorio AI Act: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

© RIPRODUZIONE RISERVATA