Después de Harvey, el próximo ganador de $10 mil millones de la IA vertical podría estar en la agricultura.

      TL;DRHarvey superó los $11 mil millones al envolver datos legales alrededor de un modelo base. La capa de datos fragmentada de $500 mil millones de la agricultura es ahora la próxima frontera vertical de la IA, con el acuerdo de $300 millones de Palantir del USDA validando la tesis y GrowersTech construyendo la pila de inteligencia específica del dominio desde dentro de la industria.

      En el ámbito legal, Harvey alcanzó una valoración de $11 mil millones y Legora está compitiendo para reclamar el mercado europeo detrás de él. En el sector de la salud, Abridge ha construido un negocio de varios miles de millones de dólares convirtiendo conversaciones clínicas en registros médicos estructurados. En el servicio al cliente, Sierra ahora está valorada en más de $15 mil millones, convirtiéndose en una de las empresas más rápidas en la historia de la IA en alcanzar esa cifra. La arquitectura en cada caso es idéntica: un modelo base envuelto en datos propietarios, una ontología de dominio y la lógica de flujo de trabajo de una sola industria compleja. La IA vertical se ha convertido en la apuesta más confiable que define categorías en el ciclo actual de la IA.

      La pregunta que cada inversor se está haciendo ahora es qué sector será el siguiente y cuán grande será el premio cuando lo sea.

      Una respuesta sigue volviendo: agricultura.

      Los números detrás de esto son fáciles de pasar por alto. McKinsey ha estimado que conectar los datos fragmentados de la agricultura podría agregar $500 mil millones al PIB global. Los agricultores de cultivos de EE. UU. gastan aproximadamente $72 mil millones al año en semillas, fertilizantes y protección de cultivos. Se prevé que el mercado de IA en agricultura se triplique en esta década, creciendo de $2.43 mil millones en 2025 a más de $8 mil millones para 2031, según Mordor Intelligence. Y cada dólar de valor en esa expansión está bloqueado por un solo cuello de botella: la capa de datos que opera debajo de cada decisión en el sistema alimentario global está rota.

      Lo que Harvey realmente demostró

      La ronda de $200 millones de Harvey a $11 mil millones no se ganó teniendo un modelo base más fuerte. Se ganó por la capa que lo rodea, datos legales confiables, una ontología de cómo fluye realmente el trabajo legal, marcos de evaluación ajustados a los estándares de precisión legal y contexto específico del asunto que ChatGPT no puede sintetizar a demanda. Su asociación con A&O Shearman produjo IA agente y de múltiples pasos para presentaciones antimonopolio, formación de fondos y revisión de préstamos. Su alianza con LexisNexis integró contenido confiable y herramientas de flujo de trabajo. Nada de eso fue una historia de modelo. Todo fue una historia de contexto.

      El informe GenAI Divide 2025 del Proyecto NANDA del MIT encontró que el 95% de las organizaciones no están obteniendo ningún retorno de sus iniciativas de GenAI. El diagnóstico no fue que los modelos son débiles. Fue que la IA horizontal rara vez transforma industrias complejas por sí sola. Harvey resolvió eso para el derecho. Abridge lo resolvió para la documentación clínica. Sierra lo resolvió para el servicio al cliente. Las empresas posicionadas para resolverlo para la agricultura son ahora las que los inversores están observando más de cerca.

      El gobierno de EE. UU. acaba de poner $300 millones detrás de la misma tesis.

      Una señal de $300 millones del USDA

      En 2026, el Departamento de Agricultura de EE. UU. lanzó su iniciativa "Un agricultor, un archivo", un esfuerzo por unificar sistemas a través de la Agencia de Servicios Agrícolas, el Servicio de Conservación de Recursos Naturales y la Agencia de Gestión de Riesgos en un solo registro de agricultor. Poco después, el USDA y Palantir anunciaron un Acuerdo de Compra en Blanco de $300 millones apoyando el Plan de Acción de Seguridad Nacional Agrícola.

      El acuerdo valida lo que los operadores de agri-tech han argumentado durante años: el problema de datos de la agricultura es ahora a nivel de infraestructura. Palantir es la solución horizontal. La versión vertical, construida desde dentro de la agricultura, con lógica agronómica codificada como arquitectura primaria, es lo que se parecerá la próxima empresa que defina la categoría en este espacio.

      Esa es la apuesta detrás de GrowersTech, el grupo israelí-estadounidense que combinó la plataforma de datos Agmatix con GROWERS, la empresa de lealtad minorista de EE. UU. que captura la capa transaccional de la cadena de suministro de la agricultura estadounidense. Su motor central, Axiom, está construido alrededor de una arquitectura de IA neuro-simbólica: un grafo de conocimiento en capas con ontologías agronómicas preentrenadas, fusionadas con datos a nivel de campo y las señales transaccionales que fluyen entre los fabricantes de insumos, minoristas y agricultores.

      "La agricultura no tiene un problema de datos. Tiene un problema de inteligencia", dijo Ron Baruchi, CEO de la empresa. "Los datos existen. Lo que falta es infraestructura que entienda lo que significa".

      Por qué la IA genérica falla en el campo

      Un modelo genérico sabe qué es el nitrógeno. No puede decirte que la cantidad correcta cambia dependiendo de la etapa de crecimiento, el tipo de suelo, lo que se plantó en ese campo el año anterior y cómo será el clima durante los próximos 90 días. Las decisiones agronómicas se toman en contexto. Ese contexto es lo que cada implementación de IA horizontal en agricultura ha fallado en capturar, y es lo que hace que el sector sea tan implacable para las herramientas genéricas.

      GrowersTech comienza desde la dirección opuesta. Su ontología, la representación estructurada de cómo funciona realmente la agricultura, es preentrenada por agrónomos antes de que cualquier dato del cliente ingrese al sistema. Las relaciones entre cultivos, suelos, productos y resultados están codificadas como arquitectura primaria. Las nuevas implementaciones configuran esa ontología en lugar de reconstruirla.

      El sistema ahora estructura más de 1.5 mil millones de puntos de datos de ensayos de campo, extraídos a través de asociaciones de investigación con universidades agrícolas líderes. El trabajo de modelado de la empresa ha sido publicado en Nature, un marcador de credibilidad raramente obtenido por proveedores privados de agri-tech. La plataforma ya está funcionando dentro de fabricantes globales de insumos agrícolas, grandes cadenas de suministro de alimentos y bebidas, cooperativas de minoristas agrícolas de EE. UU. y ministerios de agricultura gubernamentales, cubriendo predicción de rendimiento de productos, modelado de sostenibilidad, inteligencia de lealtad de minoristas y ensayos de I+D acelerados. Cada implementación agrega al grafo de datos subyacente, lo que compone la precisión del modelo en cada otro caso de uso.

      Ese es el mismo volante que convirtió a Harvey en infraestructura de la industria legal.

      Cuán grande se vuelve el premio

      El caso de la IA vertical en agricultura es estructuralmente más grande que el caso legal. La huella económica de la agricultura es global. Sus datos son más heterogéneos. Sus puntos de decisión son más numerosos. La IA legal comprime el trabajo de profesionales costosos. La IA agrícola comprime la pérdida entre decisiones y resultados a lo largo de una cadena de valor de $500 mil millones.

      Harvey alcanzó los $11 mil millones porque el derecho fue la primera categoría de IA vertical en demostrar su validez. Las empresas que ganen la próxima ronda serán valoradas contra un denominador mucho más grande.

      La pregunta abierta ya no es si la IA vertical en agricultura produce un ganador de categoría. Es qué empresa escala primero y cuán mucho más grande se vuelve el premio cuando lo haga.