Electric Plant: US$11,2M para una IA que lee plantas

Electric Plant salió del sigilo con una ronda semilla de US$11,2 millones y con Bombadil, presentado por la compañía como el primer modelo fundacional de IA dedicado a la electrofisiología vegetal. La ronda fue liderada por Onto Ventures y Climactic, con participación de Ponderosa, Endeavor Catalyst, Ludlow, Michigan Rise, The Fund, Schox VC y Dug Song.

Para un founder de agrotech, el dato relevante no es el monto: es lo que ese monto compra. La empresa lleva tres años recolectando datos, según contó su CEO a TechCrunch, y el comunicado oficial recogido por TMCnet precisa que Bombadil se entrenó con más de 4 millones de horas de grabaciones de 100 especies de plantas. La compañía afirma además que su corpus ya creció a 7 millones de horas desde el primer entrenamiento del modelo.

La tesis es directa: en lugar de inferir el estado de un cultivo desde afuera —humedad del suelo, imágenes satelitales, inspección visual—, leer la actividad eléctrica dentro del tejido vegetal.

¿Cómo se lee la electricidad de una planta?

El hardware se llama Bud. Es un sensor de aproximadamente el tamaño de un iPhone doblado a lo largo, que se fija a la planta con tornillos de acero inoxidable. Los tornillos deben atravesar el cámbium —la capa de tejido vivo justo debajo de la corteza— para captar los cambios de microvoltios que ocurren dentro de la planta.

Los datos viajan a una estación base por una red inalámbrica de bajo consumo; el modelo los interpreta en la nube y devuelve al cliente una lectura accionable: por ejemplo, ajustar el calendario de riego o de fertilización. Según Justin Mast, cofundador y CEO, con un par de sensores por acre alcanza para obtener resultados precisos.

El comunicado de la compañía agrega el detalle técnico que importa: Bombadil estima siete marcadores fisiológicos de estrés y calcula indicadores como la eficiencia del fotosistema II, la temperatura de la hoja respecto del aire circundante y el Crop Water Stress Index (CWSI), un estándar agrícola para medir estrés hídrico. El modelo se preentrenó sin etiquetas sobre esas 4 millones de horas provenientes de más de 1.400 plantas de 100 especies, con el mismo enfoque auto-supervisado que se usó en los modelos de lenguaje.

James Kirk, head de AI/ML de la compañía, lo explicó en el comunicado con una frase que resume el avance: los modelos anteriores de señales eléctricas vegetales funcionaban para una especie en un entorno, y cambiar de planta obligaba a empezar de nuevo. La generalización entre especies es la novedad que, según él, permite escalar.

El origen del proyecto tiene un componente humano poco habitual. Mast, que antes fundó el retailer online de jardinería Bloomscape, llegó al tema leyendo investigación sobre una planta de interior conectada a un soporte motorizado que se movía sola hacia la luz cuando sus tejidos generaban corriente. Se asoció con Lee von Kraus, neurocientífico con paso por DARPA, y ambos fundaron la compañía en 2023. La empresa tiene sede en San Francisco.

¿Qué significa esto para tu startup?

Primero, el cambio de cuello de botella. Durante años el límite de la agrotech fue el sensor: caro, frágil, difícil de calibrar. Electric Plant sostiene que el suyo cuesta "decenas de dólares", frente a los miles de dólares que suelen costar los equipos tradicionales. Si eso se sostiene en campo, el hardware deja de ser el foso defensivo y la ventaja competitiva se corre hacia el dataset y el modelo.

Segundo, el modelo de distribución. La compañía no vende directamente al agricultor final: licencia su tecnología a los operadores que ya tienen negocios de cuidado de plantas, y está sumando "operadores fundadores" mientras expande cultivo por cultivo. Es una decisión replicable para cualquier startup de hardware agrícola: vender el cerebro y dejar la relación comercial en manos de quien ya la tiene.

Acciones concretas que puedes implementar esta semana:

• Audita tu propia telemetría. Si tu producto ya genera datos de campo —riego, clima, maquinaria, sensores ambientales—, pregúntate qué señal nadie está modelando. Bombadil no es un sensor nuevo: es un modelo entrenado sobre una señal que ya existía y que nadie interpretaba a escala. Ese mismo movimiento puede estar disponible en tu vertical.
• Presupuesta el costo del dato, no solo el del hardware. Una revisión publicada por News-Medical sobre biosensores vegetales advierte que el drift del sensor, el biofouling, la calibración en campo y el mantenimiento son los principales obstáculos para pasar del piloto a la operación comercial. Ese presupuesto suele ser el que rompe el caso de negocio, no el precio del dispositivo.
• Revisa el ROI del agua en tu mercado. Electric Plant afirma que su sistema puede aumentar rendimientos y reducir el uso de agua en 20% o más. Para calibrar si ese número es competitivo en tu contexto, la misma revisión de News-Medical reporta que, según Colizzi y colegas (2025), los sistemas de riego con IA pueden reducir el consumo de agua entre 20% y 40% y el de energía entre 15% y 30%. Y agrega que las evaluaciones de campo de riego asistido por IA muestran un 36% menos de agua y una mejora del 109% en eficiencia de uso del agua. Son resultados obtenidos en condiciones experimentales específicas, no promesas universales: úsalos como vara de comparación, no como plan de negocio.

¿Por qué el sector mira hacia dentro de la planta?

El argumento de fondo es agronómico. La revisión de News-Medical sostiene que el sector necesita sistemas capaces de detectar estrés fisiológico antes de que aparezcan los síntomas visibles, y cita reportes que proyectan un aumento del 70% en la demanda global de alimentos hacia 2050. También señala que la agricultura concentra cerca del 70% de las extracciones mundiales de agua dulce y que los sistemas de riego convencionales pueden perder entre 40% y 60% de esa agua según el método y las condiciones.

Ahí está la oportunidad comercial: pasar de una gestión reactiva a una continua y basada en datos. La misma revisión menciona que los modelos de aprendizaje profundo ya pueden predecir deficiencias de nutrientes hasta 10 días antes que la visión por computadora convencional, y que el costo de los patógenos agrícolas supera los US$220.000 millones anuales a nivel global.

El punto ciego sigue siendo la validación. La afirmación de que Bombadil es "el modelo más diverso jamás creado sobre señales eléctricas biológicas" proviene de la propia compañía, que publicó un whitepaper técnico pero no evidencia de desempeño auditada de forma independiente. Y hay un detalle a seguir: TechCrunch reporta que el modelo interpreta señales de unas 125 especies, mientras el comunicado menciona 100 especies en el entrenamiento. La diferencia puede ser de formulación, pero vale la pena seguirla cuando la compañía publique métricas de campo.

Conclusión

Electric Plant combina dos jugadas que cualquier fundador de agrotech debería estudiar por separado: hardware radicalmente más barato y un modelo fundacional entrenado sobre un activo de datos propietario y difícil de replicar. La ronda de US$11,2 millones no compra sensores: compra años de grabaciones que nadie más tiene.

Los riesgos son los de siempre en agtech: que la generalización entre especies funcione fuera del laboratorio, que el sensor sobreviva al campo y que el modelo de licencia a operadores existentes genere tracción comercial real. La compañía no reveló quiénes son sus primeros clientes, aunque dice tener cientos de sensores desplegados en sitios comerciales.

Si trabajas en agrotech, la lección práctica es de asignación de recursos. Antes de invertir en el próximo dispositivo, revisa qué señal ya estás capturando y no estás modelando. La ventaja competitiva del sector se está moviendo exactamente ahí.

Fuentes

• TechCrunch: Plants can speak using electricity, so this startup built an AI model to decipher their language
• TMCnet: Electric Plant Company Launches From Stealth With $11.2M in Funding and a Foundation AI Model for Plants, Bombadil
• Business Wire: comunicado oficial de Electric Plant Company
• News-Medical: How Plant Biosensors, IoT, and AI Are Advancing Precision Agriculture