Alimentación de precisión de la cerda moderna en la era de la Inteligencia Artificial

Se puede afirmar que más del 60 % del coste de producción de un cerdo de cebo corresponde a la alimentación. Por esta razón su eficiencia resulta determinante para la rentabilidad de la explotación.

Entre las principales estrategias para mejorarla destacan la reducción de la variabilidad dentro de los lotes y el ajuste de la alimentación a los requerimientos individuales de cada animal.

Este enfoque es igualmente aplicable a las cerdas que se comen mil kilos y pico de pienso al año, y donde ambos aspectos siguen siendo retos difíciles de implementar en la práctica.

A pesar de los avances logrados, la variabilidad genética en porcino continúa siendo considerable, de modo que alimentar a los animales de un mismo lote en base a valores promedio genera ineficiencias significativas. Esta realidad refuerza la necesidad de avanzar hacia una nutrición de mayor precisión, adaptada a cada individuo.

En la actualidad se habla mucho de alimentación o nutrición de precisión en la cerda moderna; sin embargo, entendida como el ajuste exacto de los nutrientes a las necesidades reales del animal en el momento adecuado, su aplicación práctica sigue siendo todavía muy limitada.

Para que este enfoque se materialice, es necesario integrar y automatizar de forma efectiva distintos componentes y tecnologías. Por un lado, la cerda moderna o hiperprolífica, notablemente más productiva que hace 25 años, presenta diferentes requerimientos nutricionales —en términos de energía, aminoácidos, vitaminas y minerales— a los de antes, lo que obliga a que la formulación de los piensos se adapte a esta nueva realidad genética.

En este sentido, hasta la actualidad nos ha llegado el legado conceptual iniciado por J. Noblet o C.T. Whittemore en los años 80 y continuado pocos años después por otros como J.Y. Dourmad, H. Everts y R.A. Dekker.

Este conocimiento ha permitido, tanto actualizar los criterios de formulación, como a otros autores como Candido Pomar o J. van Milgen, crear ingeniosas herramientas para diseñar diferentes estrategias de alimentación de precisión tanto en la gestación como en la lactación.

Todos ellos demostraron que, mediante un enfoque determinista y dinámico, basado en ecuaciones matemáticas de distinta complejidad, es posible estimar con precisión los requerimientos nutricionales de un animal a lo largo del tiempo.

Estas ecuaciones incorporan factores como la edad, el nivel productivo y las condiciones ambientales y sanitarias que, en la actualidad, pueden recopilarse de forma automática en granja gracias al desarrollo reciente de las tecnologías de ganadería de precisión, como crotales electrónicos y sensores de imagen y sonido.

La integración de estos sistemas con modelos matemáticos y algoritmos de inteligencia artificial permite la estimación en tiempo real de los requerimientos nutricionales de cada animal. Pero, incluso cuando el pienso ha sido formulado con precisión, resulta imprescindible que se suministre en la cantidad exacta que permita cubrir las necesidades de la cerda también en cada momento. Y es cierto, que los sistemas de alimentación electrónica, impulsados en gran medida por la reorganización obligatoria de las áreas de gestación en las granjas europeas tras el RD 1135/2002, se han desarrollado mucho, contribuyendo a mejorar notablemente el aprovechamiento del pienso.

Sin embargo, aún no se ha desarrollado un sistema comercial que, detectando esa variabilidad de las cerdas, ajuste de forma automática el aporte de pienso en función de dietas previamente formuladas.

Paradójicamente, esta complejidad técnica contrasta con el elevado conocimiento disponible sobre la nutrición porcina. En una era en la que herramientas como AlphaFold, desarrollada por Google DeepMind y reconocida con el Premio Nobel de Química 2024, permiten predecir la estructura de las proteínas mediante inteligencia artificial, la formulación y las tecnologías de precisión han avanzado con rapidez. Sin embargo, su integración efectiva en granjas comerciales aún no explota todo su potencial para reducir costes, minimizar la excreción y optimizar el rendimiento productivo.

Imagen: Fuente: Dourmad et al. 2008. Comparación de valores predichos y medios de PV y EGD (cuadrados) durante tres ciclos reproductivos utilizando datos de Everts y Dekker (1995). El modelo simplemente considera un rango óptimo de peso corporal por paridad y reservas de grasa para minimizar el riesgo de problemas periparto inherentes a las cerdas con sobrepeso (parto prolongado, mayor número de mortinatos) o con bajo peso (lechones más ligeros al nacer, menor producción de leche).

Guillermo Usero Alonso, PhD.
Ingeniero Agrónomo/ Doctor en genética y nutrición animal.