ADOÇÃO DE TECNOLOGIAS DE AGRICULTURA DE PRECISÃO E INTELIGÊNCIA ARTIFICIAL NO TRIÂNGULO MINEIRO: UM ESTUDO COM PRODUTORES RURAIS
Resumo
Este estudo avalia o nível de adoção e a percepção dos produtores rurais sobre as tecnologias de Agricultura de Precisão (AP) e Inteligência Artificial (IA) na região do Triângulo Mineiro. A fundamentação teórica baseia-se na Teoria da Difusão de Inovações de Rogers (2003) e na evolução da Agricultura 4.0 como paradigma de gestão baseada em dados. A metodologia consistiu em um levantamento quantitativo-descritivo e exploratório, realizado com uma amostra de 20 produtores rurais vinculados à área de influência do Instituto Federal do Triângulo Mineiro (IFTM), selecionados por acessibilidade, utilizando questionário estruturado de 10 perguntas aplicado em 2025. Os resultados indicam que, embora o conhecimento sobre AP seja elevado (90%), a utilização efetiva é de apenas 40%, com variação geracional significativa: 75% entre produtores até 30 anos e 0% acima de 60 anos. Tecnologias consolidadas, como GPS e sistemas de piloto automático, predominam (70%), enquanto ferramentas avançadas de IA, como drones e softwares de gestão analítica, enfrentam barreiras de adoção. Os principais desafios identificados foram o alto custo de implementação (80%) e a falta de conectividade no campo (60%). A análise etária revelou que a falta de capacitação técnica afeta desproporcionalmente produtores acima de 50 anos (80% vs. 25% entre jovens). Conclui-se que o setor vivencia uma transição híbrida, na qual o otimismo quanto ao futuro (85% de intenção de investimento nos próximos dois anos) contrasta com a necessidade urgente de infraestrutura e capacitação técnica para a consolidação de uma gestão baseada em dados (data-driven).
Biografia do Autor
Graduando em Engenharia Agronômica.
Doutora em Fitotecnia/Fitopatologia.
Referências
AUBERT, B. A. et al. IT as enabler of sustainable farming: an empirical analysis of farmers' adoption decision of precision agriculture technology. Decision Support Systems, Amsterdam, v. 54, p. 510–520, 2013. DOI: https://doi.org/10.1016/j.dss.2012.07.002
BERNARDES, M. S.; HINOJOSA, L. L. R. Princípios de agricultura de precisão. Piracicaba: ESALQ/USP, 2021.
CARRER, M. J.; SOUZA FILHO, H. M.; VINHOLIS, M. M. B. Determinants of precision agriculture adoption in
Brazil. Precision Agriculture, Dordrecht, v. 23, n. 1, p. 1–21, 2022.
COBLE, K. H. et al. Advancing digital agriculture: new tools for a new era. Applied Economic Perspectives and Policy, Oxford, v. 40, n. 1, p. 12–38, 2018. DOI: https://doi.org/10.1093/aepp/ppx056
FERNANDES, J. L. Agricultura de precisão. Curitiba: Contentus, 2018.
FOOD AND AGRICULTURE ORGANIZATION OF THE UNITED NATIONS (FAO). The future of food and agriculture: trends and challenges. Roma: FAO, 2017. Disponível em: https://www.fao.org/3/i6583e/i6583e.pdf Acesso em: 22 abr. 2026.
GEBBERS, R.; ADAMCHUK, V. I. Precision agriculture and food security. Science, Washington, v. 327, n. 5967, p. 828–831, 2010. DOI: https://doi.org/10.1126/science.1183899
KAMILARIS, A.; PRENAFETA-BOLDÚ, F. X. Deep learning in agriculture: a survey. Computers and Electronics in Agriculture, Amsterdam, v. 147, p. 70–90, 2018. DOI: https://doi.org/10.1016/j.compag.2018.02.016
LIAKOS, K. G. et al. Machine learning in agriculture: a review. Sensors, Basel, v. 18, n. 8, e2674, 2018. DOI: https://doi.org/10.3390/s18082674
PIVOTO, D. et al. Factors influencing the adoption of smart farming in Brazil. Computers and Electronics in Agriculture, Amsterdam, v. 156, p. 476–486, 2019.
ROGERS, Everett M. Diffusion of innovations. 5. ed. New York: Free Press, 2003.
RUSSELL, Stuart; NORVIG, Peter. Inteligência Artificial: uma abordagem moderna. 4. ed. Rio de Janeiro: Elsevier, 2020.
SCHWAB, Klaus. A Quarta Revolução Industrial. Tradução de Daniel Moreira Miranda. São Paulo: Edipro, 2016.
SILVA, C. B. et al. Digital transformation in agriculture: a review. Ciência Rural, Santa Maria, v. 50, n. 11, e20190557, 2020.
SOTO, I. et al. Challenges and opportunities of artificial intelligence applications in agriculture. Frontiers in Plant Science, Lausanne, v. 12, e756587, 2021.
TALAVIYA, T. et al. Implementation of artificial intelligence in agriculture for optimisation of irrigation and application of pesticides and herbicides. Artificial Intelligence in Agriculture, Amsterdam, v. 4, p. 58–73, 2020. DOI: https://doi.org/10.1016/j.aiia.2020.04.002
WOLFERT, S. et al. Big data in smart farming: a review. Agricultural Systems, Amsterdam, v. 153, p. 69–80, 2017. DOI: https://doi.org/10.1016/j.agsy.2017.01.023
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.