La acuicultura moderna avanza impulsada por la innovación biotecnológica, en el ámbito de la genética, salud, nutrición y nuevas tecnologías, entre otros, y que abre oportunidades para mejorar la eficiencia productiva y sostenibilidad de la acuicultura. Sin embargo, el valor de estas innovaciones solo se materializa en decisiones y resultados cuando logramos traducir mejoras biológicas o productivas proyectadas en impactos económicos. La modelación bio-económica se establece como una herramienta científica y práctica puesto que traduce los datos biológicos, técnicos, ambientales y económicos, en una plataforma de modelación que permite proyectar resultados productivos y económicos comprensibles para productores, gerentes e inversionistas.
En este marco, el Aprendizaje Automático (Machine Learning, ML) es una nueva herramienta que hemos implementado en el proceso de modelación bio-económica que ha hecho más robusto y eficiente el proceso de modelación. Su implementación permite incorporar un mayor volumen y diversidad de datos, logrando que la parametrización de funciones de crecimiento, mortalidad y eficiencia alimenticia, entre otras, se obtengan con mayor precisión, capacidad predictiva y en menor tiempo. Con esta herramienta, adicionalmente, los modelos predictivos logran reflejar de mejor forma la complejidad de los sistemas acuícolas bajo distintas condiciones de ambiente y manejo.
El objetivo de este trabajo es mostrar, mediante casos en camarón y salmón, cómo la integración de la bioeconomía con el Aprendizaje Automático transforma datos complejos en indicadores útiles para la gestión. En camarón, algoritmos de ML entrenados con variables de cultivo y ambientales se integran en modelos bio-económicos para evaluar siembras y estrategias de cosecha, respondiendo preguntas como: ¿Qué impacto económico tiene variar la época de siembra?, o ¿Qué estrategia maximiza la rentabilidad según línea genética y condiciones ambientales? En salmón, un marco operativo relaciona mortalidad, eficiencia alimenticia y tiempo de ciclo con métricas económicas como costo de producción y rentabilidad. Las preguntas se enfocan en ¿Cuánto se puede ahorrar al reducir la mortalidad?, ¿Qué beneficios genera acortar el ciclo de engorda?, y ¿Qué ocurre al combinar ambas mejoras en comparación con la situación de la industria?
En conclusión, la bioeconomía aplicada, fortalecida con ML, se proyecta como la brújula productiva de la acuicultura del futuro. Este enfoque ofrece a productores, académicos y tomadores de decisión un lenguaje común que conecta innovación biotecnológica, análisis científico y gestión económica, asegurando que cada avance en genética se traduzca en valor tangible y competitivo.
Palabras clave: bioeconomía; acuicultura; machine learning (aprendizaje automático); innovación biotecnológica; eficiencia productiva; genética; salmón; camarón