Las microalgas, que crecen utilizando luz y dióxido de carbono, pueden emplearse para producir alimentos e ingredientes para animales, pigmentos y posibles combustibles renovables. Sin embargo, no es fácil cultivarlas de forma eficiente a escala industrial, ya que durante el cultivo hay que controlar a la vez la luz, la temperatura, el pH (grado de acidez o alcalinidad) y la concentración de oxígeno, entre otros factores.

Estudios y pruebas recientes muestran que la inteligencia artificial (IA) podría ayudar a gestionar este proceso. A partir de la información obtenida de sensores e imágenes, puede analizar el estado de crecimiento y ayudar a ajustar las condiciones de funcionamiento, como el suministro de dióxido de carbono o el pH. No obstante, esto no significa que la IA haya demostrado ya su eficacia o viabilidad económica en la producción industrial.

Antecedentes y contexto

Las microalgas son organismos microscópicos abundantes en mares, ríos y lagos. Mediante la fotosíntesis, transforman la luz en compuestos orgánicos como proteínas, grasas y carbohidratos. En los fotobiorreactores (equipos que utilizan luz para cultivar microorganismos) donde se cultivan microalgas, es necesario mantener unas condiciones de cultivo adecuadas.

Estas condiciones se influyen mutuamente. Si falta luz, se limita la fotosíntesis; si es demasiado intensa, puede producirse fotoinhibición (fenómeno por el que un exceso de luz reduce la eficiencia fotosintética). A medida que aumenta el número de células en el medio de cultivo, estas también pueden ocultarse la luz unas a otras. Por eso, ajustar un solo factor puede no bastar para gestionar adecuadamente el cultivo.

Los sensores pueden medir de forma continua la temperatura, el pH, el oxígeno disuelto (oxígeno disuelto en un líquido), la luz y el dióxido de carbono, entre otros parámetros. El aprendizaje automático (método que analiza datos para encontrar patrones) se utiliza para examinar esta información e identificar el estado del cultivo y los cambios relacionados con el crecimiento. También se estudia el análisis de imágenes del medio de cultivo para estimar cambios en la biomasa (materia de origen biológico) o en la densidad del cultivo.

Ya existen casos de uso del aprendizaje automático para predecir el crecimiento de las microalgas u optimizar las condiciones de cultivo. Sin embargo, gran parte de la producción examinada se mantiene en la escala de laboratorio o de plantas piloto pequeñas. El hecho de que se haya probado el control con IA en algunos sistemas de cultivo al aire libre de gran tamaño muestra que su aplicación podría ir más allá del laboratorio, pero no confirma por sí solo que se hayan logrado resultados a escala comercial.

Qué significa esta noticia

La función de la IA consiste menos en sustituir el cultivo que en ayudar a investigadores y operadores de los procesos a tomar decisiones, analizando conjuntamente varias condiciones y mediciones. Puede detectar en los datos de los sensores patrones relacionados con el crecimiento o identificar cambios difíciles de observar de forma continua para que sirvan de referencia al ajustar las condiciones de funcionamiento. El análisis de imágenes también puede aportar otra fuente de información para estimar el estado del medio de cultivo.

En 2026, investigadores de Almería, en el sureste de España, probaron el aprendizaje por refuerzo en un raceway abierto de 80㎡ utilizado para el cultivo de microalgas. El aprendizaje por refuerzo es un método mediante el cual un ordenador aprende qué acciones producen resultados adecuados. El sistema de IA utilizó mediciones de la temperatura, la luz solar y el oxígeno disuelto para determinar la cantidad de dióxido de carbono que debía suministrarse y controlar el pH regulando su inyección.

El sistema se probó durante 8 días en condiciones exteriores cambiantes, y los investigadores afirmaron que ajustó el proceso respondiendo a los cambios en las condiciones de funcionamiento. Se trata de un caso de aplicación del control con IA en un sistema de cultivo operativo. Sin embargo, la información presentada en el artículo no permite saber qué efecto tiene a escala comercial ni cuáles son sus costes o su viabilidad económica.

Imaginemos, por ejemplo, que una instalación de cultivo utiliza datos de sensores para ajustar el suministro de dióxido de carbono. Los ajustes que proponga la IA pueden ayudar al operador a tomar decisiones, pero sería difícil esperar el mismo rendimiento si las mediciones de los sensores son imprecisas o si el modelo no se ha validado suficientemente con otras cepas y equipos. Por eso, además del modelo de IA, hay que tener en cuenta los sensores, los equipos de cultivo, las cepas de microalgas y las condiciones de funcionamiento.

Lo que se sabe y lo que aún se desconoce

Lo que se sabe

  • Las microalgas pueden emplearse para producir alimentos e ingredientes para animales, pigmentos y posibles combustibles renovables, pero es difícil cultivarlas de forma eficiente a escala industrial.
  • Los sensores y el aprendizaje automático se utilizan para analizar las condiciones de cultivo y los patrones relacionados con el crecimiento; también se estudian métodos que estiman mediante imágenes los cambios en la biomasa o en la densidad del cultivo.
  • En 2026 se probó durante 8 días, en un raceway abierto de 80㎡ en Almería, un método de control del pH mediante IA que regulaba la cantidad de dióxido de carbono inyectada.
  • La contaminación de los sensores, los cambios de sus mediciones con el paso del tiempo y las diferencias entre cepas y equipos pueden plantear problemas al aplicar un modelo a otros sistemas.

Lo que aún se desconoce

  • No se indica qué efecto tiene el control basado en IA en la producción de microalgas a escala comercial.
  • No se explican los costes ni la viabilidad económica del cultivo con IA.
  • No se ha confirmado que los modelos desarrollados en laboratorio o en un sistema concreto al aire libre tengan el mismo rendimiento con otras cepas y equipos.

Qué debe comprobar el lector

  • Conviene comprobar si los sensores del sistema de cultivo están contaminados o si sus mediciones cambian con el tiempo, y verificar que los datos utilizados en el análisis de IA sean fiables.
  • Al aplicar a otros sistemas un modelo creado para una cepa o un equipo concretos, hay que comprobar si mantiene su rendimiento en esas nuevas condiciones.
  • Al evaluar casos de control con IA, hay que comprobar la escala y la duración de las pruebas y si el sistema respondió a los cambios en las condiciones exteriores, y distinguir estos aspectos de la demostración de efectos comerciales o de viabilidad económica.