La acuicultura ofrece una solución viable para la producción de alimentos, pero no está exenta de desafíos: enfermedades, gestión ineficiente de recursos, impacto ambiental y la necesidad de optimizar la producción son obstáculos constantes. En este contexto, el uso de la inteligencia artificial (IA) en la industria acuícola emerge no solo como una herramienta innovadora, sino como una fuerza transformadora capaz de abordar estos retos y llevar la industria hacia un futuro más eficiente, sostenible y productivo. La sinergia entre inteligencia artificial y acuicultura está redefiniendo las prácticas tradicionales y abriendo nuevas fronteras en la gestión de las granjas acuáticas.
Este artículo explorará en profundidad el papel de la Inteligencia Artificial en la acuicultura moderna, detallando sus diversas aplicaciones, los beneficios tangibles que ofrece, los desafíos inherentes a su implementación y las perspectivas futuras de esta emocionante convergencia tecnológica. Analizaremos cómo el uso de IA en la gestión del agua, la alimentación de precisión, el monitoreo de la salud y otras áreas clave están optimizando las operaciones.
¿Qué es la Inteligencia Artificial y cómo se aplica en la acuicultura?
En esencia, la inteligencia artificial se refiere a la capacidad de las máquinas y sistemas informáticos para realizar tareas que normalmente requieren inteligencia humana. Esto incluye aprender de la experiencia (aprendizaje automático o machine learning), reconocer patrones (visión por computadora o computer vision), comprender el lenguaje natural y tomar decisiones basadas en datos.
En el ámbito de la acuicultura, la IA se presenta como una fuerza transformadora en la industria acuícola (Yang et al., 2025), ofreciendo herramientas como el Internet de las Cosas (IoT), el aprendizaje automático, cámaras y algoritmos para reducir la intervención humana y mejorar la productividad (Ashraf et al., 2024); en este sentido, la IA funciona procesando grandes volúmenes de datos recopilados de diversas fuentes dentro de una granja acuática. Estos datos pueden provenir de:
- Sensores IoT (Internet de las Cosas): Se utilizan diversos sensores para recopilar datos esenciales sobre parámetros del agua como el pH, la temperatura, el oxígeno disuelto (OD), la salinidad (SL), el nitrito (NO2), el nitrato (NO3) y el amoníaco (Capetillo-Contreras et al., 2024); estos dispositivos se vinculan mediante el Internet de la Cosas (IoT). Al respecto, Huang y Khabusi (2025) informan que la integración de la inteligencia artificial (IA) y el internet de las cosas (IoT) se conoce como inteligencia artificial de las cosas (AIoT).
- Cámaras Subacuáticas y Aéreas: Capturan imágenes y videos de los peces o mariscos, permitiendo el análisis de su tamaño, comportamiento, salud y densidad de población.
- Sistemas de Alimentación Automatizados: Registran la cantidad de alimento dispensado y, a veces, utilizan sensores acústicos o visuales para detectar la actividad alimenticia.
- Registros Históricos: Datos sobre ciclos de producción anteriores, tasas de crecimiento, incidencias de enfermedades, tratamientos aplicados y condiciones ambientales.
Los algoritmos de IA analizan esta “avalancha” de datos para identificar patrones complejos, predecir tendencias futuras y automatizar decisiones o acciones. Por ejemplo, un sistema de IA podría predecir un descenso inminente en los niveles de oxígeno basándose en la hora del día, la temperatura del agua y la biomasa actual, activando automáticamente los sistemas de aireación antes de que se alcance un nivel crítico. La inteligencia artificial y la acuicultura se combinan para crear sistemas de «acuicultura de precisión» o «acuicultura inteligente«, donde cada aspecto de la producción se gestiona con un nivel de detalle y eficiencia sin precedentes.
Aplicaciones clave de la Inteligencia Artificial en la acuicultura
La versatilidad de la IA permite su aplicación en prácticamente todas las etapas del ciclo de producción acuícola. A continuación, se detallan algunas de las áreas más impactantes:
Optimización de la alimentación: Precisión para el crecimiento
El alimento representa uno de los mayores costos operativos en la acuicultura (a menudo entre el 40% y el 60%). La sobrealimentación no solo desperdicia recursos costosos, sino que también contribuye a la contaminación del agua a través de nutrientes no consumidos. La subalimentación, por otro lado, ralentiza el crecimiento y reduce la productividad.
Huang y Khabusi (2025) informan que los sistemas de alimentación inteligentes que utilizan AIoT optimizan los horarios de alimentación, minimizan el desperdicio y mejoran la eficiencia alimentaria, lo que conduce a tasas de crecimiento significativamente mejores. En este sentido, la inteligencia artificial en la acuicultura ofrece soluciones sofisticadas para la alimentación de precisión:
Análisis del Comportamiento Alimenticio
Sistemas de visión por computadora y sensores acústicos monitorean la actividad de los peces o de camarones durante la alimentación. Los algoritmos de IA analizan la intensidad con la que los peces consumen el alimento, determinando cuándo están saciados y ajustando automáticamente la cantidad dispensada para minimizar el desperdicio.
Lim (2023) destaca que en la alimentación inteligente, se utilizan sensores acústicos y de vibración para distinguir entre peces hambrientos y bien alimentados; y cita como ejemplo el cultivo de camarones, donde la IA se aplica en alimentadores (comederos) inteligentes basados en el apetito, monitorización de patrones de natación, vigilancia de la calidad del agua en tiempo real y monitorización de lesiones y tamaño mediante aprendizaje automático y cámaras.
Modelos Predictivos de Apetito
La IA puede integrar datos sobre la temperatura del agua, la hora del día, el tamaño de los peces y los niveles de oxígeno para predecir los momentos óptimos de alimentación y la cantidad requerida, asegurando que los peces o camarones reciban la nutrición adecuada cuando su metabolismo es más receptivo.
Formulación de Dietas Personalizadas
A largo plazo, la IA podría analizar datos de crecimiento y salud para ayudar a optimizar la formulación de dietas específicas para diferentes especies, etapas de vida o incluso lotes individuales, maximizando la eficiencia de conversión alimenticia (FCR). De acuerdo con Mandal y Ghosh (2024) y Ashraf et al., (2024) manifiesta que la IA puede calcular programas de alimentación ideales, ajustar las cantidades en tiempo real según el comportamiento de los peces y desarrollar planes de alimentación personalizados para optimizar el crecimiento y reducir el desperdicio de alimento.
Monitoreo de la salud y detección temprana de enfermedades
Las enfermedades pueden devastar las poblaciones acuícolas, causando pérdidas económicas masivas. La detección temprana es crucial para implementar tratamientos efectivos y prevenir brotes a gran escala; en este sentido, IA se ha convertido en una herramienta poderosa para abordar los desafíos de la salud de los peces, permitiendo la identificación temprana de síntomas de enfermedades y la predicción de posibles riesgos para la salud (Yang et al., 2025), lo que permite un diagnóstico rápido de enfermedades y un tratamiento específico, reduciendo la necesidad del uso excesivo de antibióticos y productos químicos, a la vez que mejora el bienestar de los peces (Mandal y Ghosh, 2024).
La IA está revolucionando la vigilancia sanitaria:
Diagnóstico Visual Automatizado
Ashraf et al., (2024) informa que la IA puede analizar datos de sensores y cámaras para identificar signos tempranos de enfermedad o estrés en los peces; de esta forma, los algoritmos de visión por computadora, entrenados con miles de imágenes, pueden analizar videos o fotos de los peces para detectar signos tempranos de enfermedades o parásitos (como lesiones cutáneas, cambios de color, aletas erosionadas o la presencia de piojos de mar) mucho antes de que sean evidentes para el ojo humano.
Análisis del Comportamiento Anómalo
La IA puede monitorear patrones de natación, niveles de actividad y comportamientos sociales. Cambios sutiles, como letargo, natación errática o aislamiento del grupo, pueden ser indicadores tempranos de estrés o enfermedad, activando alertas para los operarios.
Predicción de Riesgos de Enfermedad
Al correlacionar datos ambientales (calidad del agua), datos operativos (densidad de población) y datos históricos de salud, los modelos de IA pueden predecir períodos de mayor riesgo de brotes de enfermedades específicas, permitiendo medidas preventivas proactivas.
Uso de IA en la gestión del agua: calidad y sostenibilidad
Mantener una calidad de agua óptima es fundamental para la salud y el crecimiento de los organismos acuáticos. Esto implica un monitoreo constante y ajustes precisos de múltiples parámetros interrelacionados; en este escenario, la gestión de la calidad del agua basada en IA ha demostrado ser fundamental para mantener condiciones óptimas en la acuicultura a través del monitoreo en tiempo real y ajustes proactivos (Yang et al., 2025).
El uso de IA en la gestión del agua aporta inteligencia y automatización a este proceso crítico:
Monitoreo Continuo y Predictivo
Los sensores de Internet de las Cosas (IoT) recopilan datos en tiempo real sobre oxígeno disuelto, pH, temperatura, amoníaco, nitritos, nitratos, salinidad y turbidez; de esta forma, la IA puede analizar datos de sensores para detectar patrones y anomalías en parámetros como temperatura, oxígeno disuelto, pH y niveles de amoníaco, permitiendo acciones correctivas tempranas y el desarrollo de modelos predictivos (Ashraf et al., 2024).
Er-rousse y Qafas (2024) reporta que en Marruecos, las granjas acuícolas utilizan sensores inteligentes para recopilar datos en tiempo real sobre parámetros como temperatura, salinidad, calidad del agua y nivel de oxígeno.
La IA analiza los datos de los sensores para detectar no solo desviaciones actuales, sino también para predecir cambios futuros basados en patrones históricos y condiciones actuales (por ejemplo, prever una caída de oxígeno durante la noche o un aumento de amoníaco después de la alimentación).
Control Automatizado de Sistemas
Basándose en las predicciones y los datos en tiempo real, la IA puede controlar automáticamente equipos como aireadores, bombas de agua, sistemas de filtración o dosificadores químicos para mantener los parámetros dentro de los rangos óptimos de forma proactiva, no sólo reactiva. Al respecto, Roy et al., (2024) destaca que los sistemas basados en IoT proporcionan retroalimentación instantánea para tomar decisiones oportunas y mantener la calidad del agua ideal.
Optimización del Uso de Recursos
En sistemas de recirculación acuícola (RAS) o sistemas de flujo abierto, la IA puede optimizar el uso de agua y energía, por ejemplo, ajustando las tasas de intercambio de agua o el funcionamiento de las bombas según la necesidad real, en lugar de operar con horarios fijos.
Estimación de biomasa y conteo de población
Conocer con precisión el número de individuos y su peso promedio (biomasa total) es esencial para la gestión de inventarios, la planificación de la alimentación, la programación de cosechas y la evaluación del rendimiento de la granja. Los métodos tradicionales (muestreo manual) son laboriosos, estresantes para los peces y a menudo inexactos.
La IA ofrece alternativas no invasivas y precisas:
Visión por Computadora para Conteo y Medición
Cámaras subacuáticas (a menudo estéreo para percepción de profundidad) capturan imágenes de los peces. Algoritmos de Machine Learning y visión por computadora proporciona metodologías no invasivas (Roy et al., 2024) pueden identificar, contar y estimar el tamaño y peso individual de los peces basándose en su longitud y forma, utilizando modelos entrenados específicamente para la especie cultivada.
Sistemas Acústicos
La tecnología de sonar también se puede utilizar, con la IA interpretando las señales acústicas para estimar la densidad y el tamaño promedio de los peces en una jaula o tanque.
Estimación de Biomasa en Tiempo Real
Al integrar datos de conteo y tamaño a lo largo del tiempo, los sistemas de IA pueden proporcionar estimaciones actualizadas de la biomasa total, permitiendo ajustes dinámicos en la gestión. Ashraf et al., (2024) reportó que la IA, combinada con el aprendizaje automático y la visión por computadora, permite estimar con mayor precisión el tamaño, peso, número, edad y sexo de los peces de manera no invasiva.
Cristea et al., (2024) reportó, en el caso de la acuicultura del esturión, importantes ventajas del uso del sistema de IA para la monitorización de la biomasa, entre ellas la reducción de los costes unitarios de mano de obra y pienso, la mejora de la calidad del agua y la optimización activa de las condiciones de cría.
Reproducción y programas de mejoramiento genético
Los programas de mejoramiento genético son importantes para el éxito de la industria de la acuicultura. De acuerdo con Ashraf et al., (2024), la IA tiene el potencial de mejorar la gestión del plantel de reproductores, predecir el rendimiento y acelerar el análisis de los datos genéticos.
Reproducción
La IA puede mejorar la gestión de la reproducción de los peces mediante la creación de planes de reproducción y la identificación de las condiciones óptimas para la producción de huevos. Asimismo, se puede emplear la IA para para mejorar la selección de parejas reproductoras basadas en datos genómicos (Fernandes y DMello, 2025).
Por otro lado, Kao y Chen (2024) demostraron la viabilidad y la alta precisión de un sistema inteligente basado en YOLO para la identificación de género en alevines de tilapia, ofreciendo una alternativa eficiente y menos laboriosa a los métodos manuales tradicionales en la acuicultura de ciudades inteligentes.
Programas de mejoramiento genético
La IA puede analizar datos genómicos para crear modelos predictivos del rendimiento de los peces, permitiendo programas de mejoramiento más efectivos para características como la resistencia a enfermedades y la tasa de crecimiento.
Genoma de los peces, secuenciación y edición genómica
La IA tiene el potencial de revolucionar el estudio de los genomas de los peces, acelerando el análisis de datos genéticos, la secuenciación y el ensamblaje del genoma, y el diseño y refinamiento de tecnologías de edición genómica como CRISPR-Cas9.
Análisis del Comportamiento y Bienestar Animal
El bienestar animal es una preocupación creciente en la producción animal, incluida la acuicultura. Entender cómo se comportan los peces en diferentes condiciones puede ayudar a optimizar su entorno y manejo. De acuerdo con Huang y Khabusi (2025) el monitoreo del comportamiento de los peces utilizando sensores de movimiento, visión por computadora y acústica proporciona información valiosa sobre la salud, el bienestar animal y los niveles de actividad de los peces.
Monitorización Conductual
La IA, mediante visión por computadora, puede rastrear patrones de natación, velocidad, distribución en el tanque o jaula, interacciones sociales y respuestas a estímulos (como la alimentación o cambios ambientales). La investigación de Zhao et al., (2025) sobre el reconocimiento de comportamiento, se centró en identificar factores de estrés que causan respuestas anormales en los peces y en analizar el apetito y el estado de alimentación; ellos analizaron el comportamiento individual y grupal, utilizando indicadores cualitativos y cuantitativos.
Detección de Estrés
Comportamientos anómalos (como roces contra las paredes, respiración rápida en la superficie, agresión excesiva) pueden ser detectados automáticamente por la IA como indicadores de estrés ambiental, social o sanitario.
Optimización del Entorno
Al correlacionar datos de comportamiento con parámetros ambientales y operativos, la IA puede ayudar a identificar las condiciones óptimas que promueven el bienestar y minimizan el estrés (por ejemplo, densidades de población ideales, regímenes de iluminación adecuados).
Procesamiento post-cosecha
De acuerdo con Yang et al., (2025), la aplicación de la inteligencia artificial (IA) en el procesamiento post-cosecha en acuicultura ha mejorado significativamente la eficiencia, precisión y sostenibilidad de estas operaciones. Las tecnologías de IA optimizan varias etapas del procesamiento, desde la evaluación de la calidad hasta el envasado, lo que reduce las necesidades de mano de obra y minimiza las pérdidas post-cosecha, manteniendo altos estándares de calidad del producto.
Evaluación de la Calidad
La literatura científica reporta que se emplean algoritmos de aprendizaje automático (ML) para el análisis en tiempo real de la calidad del pescado o del camarón, evaluando parámetros como el tamaño, el peso y la condición física. Esto asegura que solo el pescado que cumple con criterios específicos avance en la línea de procesamiento. Este enfoque mejora la consistencia en la calidad del producto y reduce la dependencia de la inspección manual, minimizando así el error humano.
Clasificación y Calificación Automatizada
Los sistemas avanzados de visión por computadora (CVS) automatizan aún más los procesos de clasificación y calificación, permitiendo una clasificación precisa del pescado basada en criterios estandarizados. Esta automatización respalda la uniformidad en los productos procesados, satisfaciendo las demandas del mercado de manera más eficiente.
Optimización de la Logística y los Horarios de Procesamiento
Los modelos predictivos impulsados por IA optimizan los horarios y la logística del procesamiento mediante el análisis de las tendencias del mercado, las limitaciones de la cadena de suministro y la capacidad de procesamiento. Estos modelos facilitan la asignación eficiente de recursos, garantizando el envasado, almacenamiento y transporte oportunos. Al mejorar la utilización de los recursos y reducir el desperdicio, las tecnologías de procesamiento impulsadas por IA contribuyen a la viabilidad económica y la sostenibilidad ambiental de la acuicultura, asegurando un proceso post-cosecha eficiente y eficaz.
Automatización y Robótica en Granjas Acuícolas
La IA es el «cerebro» que impulsa la automatización avanzada y la robótica en la acuicultura.
Robots Submarinos (ROVs) y Autónomos (AUVs)
Equipados con cámaras y sensores, y guiados por IA, estos robots submarinos pueden realizar tareas como inspección de redes y jaulas, limpieza de bioincrustaciones (biofouling), reparación de estructuras, e incluso la remoción de mortalidades. Asimismo, los sistemas de vehículos acuáticos no tripulados (UAV) equipados con IA se utilizan para controlar la calidad del agua, recopilando datos como conductividad eléctrica, profundidad del agua, turbidez y pH (Lim, 2023).
Por otro lado, Er-rousse y Qafas (2024) reportan que los robots submarinos equipados con IA pueden realizar tareas como monitorear la calidad del agua, dispensar alimento, limpiar piscinas o jaulas, clasificar peces y detectar contaminantes.
Sistemas de Alimentación Robóticos
Más allá de la dispensación automática, los robots podrían moverse para distribuir el alimento de manera más uniforme o dirigirse a áreas específicas según la detección de peces.
Cosecha Automatizada
Se están explorando sistemas robóticos guiados por IA para realizar la cosecha selectiva de peces que alcanzan el tamaño de mercado, reduciendo la mano de obra y el estrés en los peces restantes.
Planificación espacial y la selección de áreas para la acuicultura
Er-rousse y Qafas (2024) destacan que las tecnologías de inteligencia artificial (IA) han mejorado la planificación espacial y la selección de áreas para las operaciones de acuicultura. La disponibilidad de imágenes satelitales y la posibilidad de acceder a datos oceanográficos, hidrológicos y meteorológicos (temperatura del agua, patrones de precipitación, niveles de salinidad, frecuencia de tormentas) gracias a la teledetección a largo plazo, combinada con el uso de imágenes digitales de drones, han permitido una planificación no solo más eficiente y rápida, sino también una aplicación más completa del enfoque ecosistémico a la acuicultura (EAA).
En este sentido, la IA facilita una planificación más informada y basada en datos para la acuicultura, lo que contribuye a optimizar la ubicación de las instalaciones y a minimizar el impacto ambiental de estas actividades.
Beneficios Tangibles de la Inteligencia Artificial y la Acuicultura Moderna
La integración de la inteligencia artificial y acuicultura está generando una serie de beneficios medibles que impulsan la viabilidad económica y ambiental del sector:
- Eficiencia y Productividad Mejoradas: Optimización del uso de alimento, reducción de ciclos de producción, aumento de las tasas de supervivencia y mejor planificación de la cosecha, todo lo cual conduce a mayores rendimientos.
- Sostenibilidad Ambiental: Reducción del desperdicio de alimento, uso más eficiente del agua y la energía, menor necesidad de productos químicos y antibióticos, y minimización de la contaminación por efluentes.
- Mejora del Bienestar Animal: Monitoreo continuo de la salud y el comportamiento, mantenimiento de condiciones ambientales óptimas y reducción del estrés asociado al manejo, contribuyendo a prácticas de cultivo más éticas.
- Reducción de Riesgos y Costos: Detección temprana de enfermedades y problemas ambientales que previene pérdidas masivas, optimización del uso de insumos costosos (alimento, energía) y reducción de los costos laborales mediante la automatización.
- Toma de Decisiones Basada en Datos: Transforma la gestión de la acuicultura de un enfoque basado en la intuición y la experiencia a uno fundamentado en análisis de datos objetivos y predicciones fiables, permitiendo una gestión más precisa y proactiva.
- Mejora de la Trazabilidad y la Transparencia: Los datos recopilados por sistemas de IA pueden usarse para documentar todo el ciclo de producción, mejorando la trazabilidad del producto final para los consumidores y los reguladores.
Desafíos y Consideraciones para la Implementación de la IA en la Acuicultura
A pesar del enorme potencial, la adopción generalizada de la inteligencia artificial en la acuicultura enfrenta varios obstáculos; Estos desafíos incluyen el acceso restringido a datos representativos, costos prohibitivos, complejidades técnicas, falta de aceptación social y preocupaciones sobre la privacidad y seguridad de los datos (Aung et al., 2025 y Fernandes y DMello, 2025).
A continuación presentó una breve descripción de cada desafío:
Costo Inicial de Inversión
La adquisición de sensores, cámaras, hardware de procesamiento, software de IA y la infraestructura necesaria puede requerir una inversión inicial significativa, especialmente para pequeños y medianos productores.
Necesidad de Datos de Alta Calidad y Volumen
Los algoritmos de IA requieren grandes cantidades de datos precisos y bien etiquetados para ser entrenados eficazmente. La recopilación de datos fiables en entornos acuáticos (agua turbia, bioincrustaciones en sensores, condiciones de iluminación variables) puede ser técnicamente desafiante.
Requerimiento de Expertise Técnico
Se necesita personal cualificado no solo en acuicultura, sino también en ciencia de datos, IA, manejo de IoT y mantenimiento de tecnología, una combinación de habilidades que puede ser difícil de encontrar.
Condiciones Ambientales Adversas
Los equipos electrónicos (sensores, cámaras) deben ser robustos y resistentes para soportar la corrosión del agua salada, la presión, las incrustaciones biológicas y las condiciones climáticas extremas en muchas operaciones acuícolas.
Integración con Sistemas Existentes
Incorporar nuevas tecnologías de IA en las infraestructuras y flujos de trabajo existentes en una granja puede ser complejo y requerir adaptaciones significativas.
Conectividad
Especialmente en granjas remotas o en alta mar, asegurar una conectividad a Internet fiable para la transmisión de datos en tiempo real puede ser un desafío.
Estandarización y Compatibilidad
La falta de estándares comunes para los datos y la interoperabilidad entre diferentes sistemas y proveedores puede dificultar la integración.
Aspectos Éticos y Regulatorios
A medida que la IA toma decisiones más autónomas, surgen preguntas sobre la responsabilidad, la transparencia de los algoritmos y la necesidad de marcos regulatorios adaptados.
El Futuro de la Inteligencia Artificial en la Acuicultura: Tendencias Emergentes
El futuro de la inteligencia artificial en la acuicultura es prometedor, con varias tendencias que probablemente darán forma a la próxima generación de granjas acuáticas inteligentes:
Integración Profunda de AIoT
La combinación de IA e IoT será aún más estrecha, creando ecosistemas ciberfísicos donde los sensores recopilan datos, la IA los analiza y los actuadores responden automáticamente en un ciclo continuo de optimización.
Modelos Predictivos Hiper-Personalizados
Algoritmos capaces de predecir el crecimiento, la salud y las necesidades de lotes específicos de peces o incluso individuos, permitiendo una gestión ultra-precisa.
Robótica Autónoma Avanzada
Robots más sofisticados capaces de realizar tareas complejas de forma autónoma, como la vacunación individualizada, la cosecha selectiva o el monitoreo ambiental detallado dentro de grandes jaulas.
IA para la Genética y la Cría Selectiva
Utilización de IA para analizar datos genómicos y de rendimiento para acelerar los programas de cría selectiva, desarrollando estirpes más resistentes a enfermedades, de crecimiento más rápido o mejor adaptadas a condiciones específicas.
Plataformas de Gestión Integradas Basadas en la Nube
Soluciones de software que integran todos los datos de la granja (ambientales, alimentación, salud, biomasa, financieros) en una única plataforma accesible remotamente, con potentes herramientas de análisis y visualización impulsadas por IA.
Democratización de la Tecnología
Desarrollo de soluciones de IA más asequibles y fáciles de usar, posiblemente basadas en modelos de suscripción o plataformas de código abierto, para que los beneficios lleguen también a los pequeños productores.
Enfoque en la Sostenibilidad Holística
Uso de IA no solo para optimizar la producción, sino también para monitorear y minimizar la huella ambiental completa de la operación, incluyendo el uso de energía, las emisiones de carbono y el impacto en los ecosistemas circundantes.
Conclusión
La inteligencia artificial en la acuicultura ya no es una visión futurista, sino una realidad presente que está impulsando mejoras significativas en la eficiencia, la sostenibilidad y la rentabilidad del sector. Desde optimizar la cantidad exacta de alimento hasta detectar enfermedades antes de que se propaguen y asegurar la calidad del agua de forma proactiva, la IA ofrece herramientas poderosas para abordar los desafíos inherentes al cultivo acuático.
Si bien la implementación presenta desafíos relacionados con costos, datos y experiencia técnica, los beneficios potenciales son inmensos. La capacidad de tomar decisiones basadas en datos precisos, automatizar tareas complejas y predecir problemas antes de que ocurran está transformando la gestión de las granjas acuáticas. La convergencia de inteligencia artificial y acuicultura es fundamental para satisfacer la creciente demanda mundial de productos del mar de manera responsable y sostenible.
A medida que la tecnología continúa evolucionando y se vuelve más accesible, podemos esperar ver una adopción aún mayor de la IA, llevando a la industria acuícola hacia una era de precisión, inteligencia y resiliencia sin precedentes. La aplicación de la inteligencia artificial en pesquerías y acuicultura, aunque diferente en sus enfoques específicos, comparte el objetivo común de utilizar la tecnología para asegurar un futuro más sostenible para nuestros recursos acuáticos y las comunidades que dependen de ellos. La inversión continua en investigación, desarrollo y adopción de estas tecnologías será clave para desbloquear todo el potencial de la acuicultura inteligente.
Referencias
Ashraf Rather, M., Ahmad, I., Shah, A., Ahmad Hajam, Y., Amin, A., Khursheed, S., Ahmad, I., & Rasool, S. (2024). Exploring opportunities of Artificial Intelligence in aquaculture to meet increasing food demand. Food Chemistry: X, 22, 101309. https://doi.org/10.1016/j.fochx.2024.101309
Aung, T., Razak, R. A., & Bin Md Nor, A. R. (2025). Artificial intelligence methods used in various aquaculture applications: A systematic literature review. Journal of the World Aquaculture Society, 56(1), e13107. https://doi.org/10.1111/jwas.13107
Capetillo-Contreras, O., Pérez-Reynoso, F. D., Zamora-Antuñano, M. A., Álvarez-Alvarado, J. M., & Rodríguez-Reséndiz, J. (2024). Artificial Intelligence-Based Aquaculture System for Optimizing the Quality of Water: A Systematic Analysis. Journal of Marine Science and Engineering, 12(1), 161. https://doi.org/10.3390/jmse12010161
Cristea, D. S., Gavrilă, A. A., Petrea, Ş. M., Munteanu, D., David, S., & Mănescu, C. O. (2024). The use of artificial intelligence in sturgeon aquaculture. Amfiteatru Economic, 26(67), 957-974.
Er-rousse, O., & Qafas, A. (2024). Artificial intelligence for the optimization of marine aquaculture. In E3S Web of Conferences (Vol. 477, p. 00102). EDP Sciences.
Fernandes, S., & DMello, A. (2025). Artificial intelligence in the aquaculture industry: Current state, challenges and future directions. Aquaculture, 598, 742048. https://doi.org/10.1016/j.aquaculture.2024.742048
Huang, Y., & Khabusi, S. P. (2025). Artificial Intelligence of Things (AIoT) Advances in Aquaculture: A Review. Processes, 13(1), 73. https://doi.org/10.3390/pr13010073
Kao, C.-Y., & Chen, I.-C. (2024). Smart City Aquaculture: AI-Driven Fry Sorting and Identification Model. Applied Sciences, 14(19), 8803. https://doi.org/10.3390/app14198803
Lim, L. W. K. (2023). Implementation of Artificial Intelligence in Aquaculture and Fisheries: Deep Learning, Machine Vision, Big Data, Internet of Things, Robots and Beyond. Journal of Computational and Cognitive Engineering, 3(2), 112–118. https://doi.org/10.47852/bonviewJCCE3202803
Mandal, A., Ghosh, A.R. Role of artificial intelligence (AI) in fish growth and health status monitoring: a review on sustainable aquaculture. Aquacult Int 32, 2791–2820 (2024). https://doi.org/10.1007/s10499-023-01297-z
Roy, D., Padhiary, M., Roy, P., & Barbhuiya, J. A. (2024). Artificial Intelligence-Driven Smart Aquaculture: Revolutionizing Sustainability through Automation and Machine Learning. LatIA, (2), 30.
Yang, H., Feng, Q., Xia, S., Wu, Z., & Zhang, Y. (2025). AI-driven aquaculture: A review of technological innovations and their sustainable impacts. Artificial Intelligence in Agriculture. https://doi.org/10.1016/j.aiia.2025.01.012
Zhao, Y., Qin, H., Xu, L. et al. A review of deep learning-based stereo vision techniques for phenotype feature and behavioral analysis of fish in aquaculture. Artif Intell Rev 58, 7 (2025). https://doi.org/10.1007/s10462-024-10960-7
