Un approfondimento sulle trasformazioni in corso nelle produzioni animali grazie all’intelligenza artificiale. Viene tracciato un quadro delle applicazioni già operative nei settori della salute animale, dell’ambiente di allevamento e della nutrizione di precisione. Un’analisi centrata sugli aspetti concreti e attuali, che apre la strada a una successiva riflessione di respiro più teorico.
Introduzione
Le tecnologie di intelligenza artificiale (IA) migliorano l’efficienza e la sostenibilità dei sistemi agroalimentari, grazie a un migliore monitoraggio delle colture e all’ottimizzazione dei processi di trasformazione alimentare (Nath et al., 2024; Kar et al., 2022). Diverse tecnologie – come sistemi di telecamere, reti IoT e dispositivi robotici – permettono di monitorare parametri ambientali degli allevamenti e fisiologici degli animali allevati, facilitando tutte le operazioni zootecniche, riducendo l’intervento umano, lo spreco di acqua ed energia e i costi di manodopera (Yue & Shen, 2022; Wang et al., 2021). In questo breve articolo vengono presentati sinteticamente i settori principali in cui si sta sviluppando lo smart farming.
Monitoraggio delle condizioni di salute e welfare negli allevamenti
La diagnosi precoce delle malattie in zootecnia è un elemento fondamentale per migliorare l’efficienza degli allevamenti e ridurre l’uso di farmaci. Tradizionalmente, questo compito è svolto dagli allevatori, che osservano i animali in tutte le fasi del ciclo produttivo. Oggi però, l’intelligenza artificiale (IA) sta rivoluzionando questo aspetto, grazie a tecnologie automatizzate e non invasive. Le applicazioni dell’IA per il monitoraggio della salute degli animali sono nate a partire da strumenti usati inizialmente in medicina umana e, soprattutto, in agricoltura (Karunathilake et al., 2023; Aghababaei et al., 2025). Oggi, numerose ricerche si concentrano su sensori intelligenti e sistemi di imaging che analizzano il comportamento degli animali e i segnali fisiologici per individuare tempestivamente eventuali problemi di salute in maniera diretta oppure alterazioni comportamentali che sono una indicazione indiretta di una condizione sub patologica o di sofferenza. Tecnologie di digital imaging come immagini digitali, microscopiche, spettrali, a fluorescenza e ultrasuoni sono sempre più utilizzate per migliorare la diagnosi delle malattie (Wang et al., 2021; Hu et al., 2022). Oltre alle immagini, anche i dati raccolti tramite sensori acustici e ambientali vengono impiegati con successo per analizzare il comportamento degli animali (O’Donncha et al., 2021). Questo approccio combinato – che integra diversi tipi di dati – consente di ottenere previsioni più accurate e supportare le decisioni in allevamento. Ad esempio, l’utilizzo della IA applicata a immagini microscopiche di uova di carpa ha permesso di selezionare automaticamente quelle non vitali, migliorando la qualità complessiva della produzione.
Perché queste tecnologie possano davvero diffondersi su larga scala, sarà però fondamentale integrare immagini di alta qualità e sensori affidabili. Negli allevamenti avicoli la IA viene utilizzata per monitorare il benessere degli animali e le condizioni ambientali, inoltre viene usata per gestire in maniera efficiente l’alternanza dei cicli produttivi e la redditività degli allevamenti (Taleb et al., 2025; Cakic et al., 2023). Nell’allevamento suino (Lagua et al., 2023) e bovino, sia da carne che da latte vengono utilizzati differenti sensori che servono a monitorare le condizioni di allevamento, le dinamiche sociali all’interno delle stalle e l’insorgenza precoce delle malattie, ma anche la robotica serve per migliorare la gestione delle sale di mungitura e la pulizia delle stalle (Rutten et al 2013). Inoltre le dimensioni di questi animali permette di utilizzare sensori interni che possono migliorare in maniera molto accurata le produzioni (De Vries et al., 2023). Nell’allevamento suino sono utilizzati in particolare dei sensori acustici che rilevano precocemente l’insorgenza delle patologie respiratorie che invece risultano di difficile utilizzo negli allevamenti bovini che sono spesso situati in spazi aperti (Lagua et al., 2023)
Controllo e monitoraggio ambientale degli allevamenti
Oltre alla salute degli animali, mantenere condizioni ambientali ottimali è un elemento fondamentale per il successo di un allevamento zootecnico. Non a caso, è anche uno degli ambiti in cui la IA viene studiata e applicata con maggiore interesse (Hu et al., 2022). Le tecnologie IA vengono utilizzate per monitorare parametri importanti della qualità dell’aria negli allevamenti a terra e dell’acqua negli allevamenti ittici, la temperatura ambientale, l’umidità relativa e la presenza di gas potenzialmente tossici come l’ammoniaca che possono causare anche difficoltà respiratorie agli animali allevati. Grazie a una rete di sensori, questi sistemi raccolgono dati in tempo reale e possono generare allarmi predittivi, aiutando così a prevenire eventi critici. Il risultato? Miglioramento della salute degli animali e della produttività dell’allevamento.
Alcuni studi hanno mostrato come l’IA possa essere integrata con piattaforme per trasmettere i dati via Bluetooth a semplici app su smartphone (Salih et al., 2019; Wu et al., 2022). La presenza di queste tecnologie facilita negli allevamenti moderni l’integrazione con attrezzature complementari. Alcuni sistemi utilizzano anche pannelli solari, riducendo la dipendenza dalla rete elettrica e rendendo gli allevamenti più sostenibili (Hawari & Hazwan, 2022). Nel Sud-Est asiatico sono stati creati sistemi portatili con IA integrata in acquacoltura, pensati per essere usati su più vasche in allevamenti ittici: includono campionamento automatico dell’acqua, camere di analisi e meccanismi autopulenti, per supportare le decisioni degli allevatori. Anche le reti di sensori wireless, progettate per consumare poca energia, vengono studiate per ridurre i costi di gestione degli impianti.
Alimentazione di precisione
La gestione dell’alimentazione è uno degli aspetti più importanti della zootecnia, perché incide direttamente sia sulla sostenibilità ambientale che sulla redditività economica. Oggi, i sistemi di alimentazione di precisione basati sulla IA stanno cambiando il modo in cui vengono alimentati gli animali negli allevamenti. Questi sistemi utilizzano dati raccolti da sensori e telecamere per stabilire quanto cibo viene realmente consumato, i momenti migliori in cui somministrarlo e in quali quantità. In questo modo si evitano gli sprechi e si riduce notevolmente l’impatto ambientale della zootecnia. Gli allevamenti forniti di attrezzature IA si adattano meglio alle diverse fasi di crescita e ai bisogni nutrizionali specifici delle varie specie allevate (Chiu et al., 2022). Le attrezzature con IA permettono anche di gestire l’alimentazione degli allevamenti da remoto (Liu et al., 2023). Tecnologie avanzate, come la visione artificiale infrarosso (Zhou et al., 2018) o l’analisi delle onde sulla superficie dell’acqua negli allevamenti ittici (Hu et al., 2022), permettono stime più precise e frequenti della biomassa di pesci presenti rispetto ai metodi manuali tradizionali. Ad esempio, l’azienda Umitron che è una startup di acquacoltura con base a Singapore e in Giappone (https://umitron.com/), ha dimostrato come gli strumenti basati su IA possano migliorare notevolmente la precisione dell’alimentazione dei pesci e allo stesso tempo ridurre i costi del lavoro. Tuttavia è chiaro che per adottare efficacemente queste tecnologie su larga scala, servono infrastrutture digitali solide e competenze specifiche (Wang et al., 2021).
Principali ostacoli alla diffusione dell’AI negli allevamenti zootecnici moderni
Nonostante il grande potenziale dell’intelligenza artificiale (IA), la sua integrazione nelle produzioni animali presenta ancora alcune questioni tecniche e operative da risolvere, tra cui la principale è il costo elevato di queste strutture e anche la necessità di avere personale con competenze informatiche specifiche. Rispetto agli allevamenti tradizionali, i sistemi basati su IA richiedono un maggior consumo di energia e competenze specializzate per essere installati, gestiti e mantenuti nel tempo (Akter, 2024; Georgopoulos et al., 2023). Per funzionare davvero bene, i sistemi IA hanno bisogno non solo di sensori avanzati, ma anche di una grande capacità di elaborazione di immagini digitali. Chi lavora con questi strumenti deve saper raccogliere i dati, utilizzare i modelli di analisi e integrarli con strumenti statistici avanzati (Chiu et al., 2022). Man mano che queste tecnologie si diffondono, il settore della zootecnia avrà sempre più bisogno di nuove figure professionali, capaci di unire competenze in ingegneria informatica e analisi dei dati e gestione ambientale. Questo cambiamento può diventare una grande opportunità occupazionale, soprattutto nelle aree dove la zootecnia digitale è già realtà (Mustapha et al., 2021). Dall’altro lato, però, questo progresso rischia di aumentare il divario con i paesi che hanno un accesso limitato a queste competenze multidisciplinari, rallentando la diffusione equa dell’innovazione nel settore.
Come esempio, nel 2023 in tutto il mondo sono risultate soltanto 38 aziende in acquacultura che utilizzano IA e gli investimenti nel settore sono limitati ad aziende di grandi dimensioni che possono permettersi alti investimenti. La mappa globale degli investimenti (Fig. 2) mostra che il fattore principale che determina questi investimenti è l’interesse economico del settore zootecnico interessato. Fino al 2023, il paese che investe maggiori capitali in acquacoltura a livello mondiale è la Norvegia che è leader mondiale dell’allevamento del salmone. Questo risultato indica che l’effetto propulsivo della IA non è legato al livello produttivo general del comparto, infatti il primo produttore mondiale di prodotti dell’acquacoltura è la Cina e nemmeno il livello tecnologico generale del paese, come potrebbero essere gli USA, ma dall’importanza relativa del settore nell’economia del paese. A conferma indiretta di questo è interessante il caso dei due dei tre paesi africani in cui sono presenti i maggiori investimenti in IA in acquacoltura, Zambia e Zimbabwe. Questi paesi hanno delle produzioni di acquacoltura assolutamente trascurabili rispetto agli altri paesi nel mondo, infatti tutta la produzione africana rappresenta solo il 3 o 4% della produzione globale, ma alcune grandi imprese hanno investito in attrezzature IA in allevamenti di acquacultura in quei paesi in maniera significativa. La dimensione economica della applicazione dell’IA fino ad adesso è stata possibile soltanto per aziende di grandi dimensioni e introdurrà certamente una diffusione geografica diversa dall’attesa. Osservando l’acquacoltura che è un piccolo settore zootecnico a livello globale, ma con un grande contenuto tecnologico, si possono trarre degli spunti interessanti per gli altri comparti. Fino a questo momento i protagonisti di questa ‘AI revolution’ sono state le big companies che investono dove esiste maggiore redditività, mentre le imprese medio piccole, che rappresentano il tessuto produttivo dell’acquacoltura mondiale, sono escluse da questa corsa. Queste considerazioni si possono certamente estendere agli altri comparti zootecnici e devono fare riflettere gli operatori politici del settore, se si vogliono prendere decisioni utili a diminuire il divario esistente.
Conclusione
L’integrazione dell’intelligenza artificiale nello smart farming o Precision Livestock Farming (PLF) rappresenta una trasformazione profonda e irreversibile della zootecnia moderna. Questa transizione rappresenta certamente un grande miglioramento della zootecnia moderna, ma dal punto di vista applicativo c’è molta strada da fare. Date le attuali disuguaglianze tecnologiche e geografiche, la velocità di evoluzione tecnologica potrebbe risultare troppo rapida per alcuni paesi a svantaggio di altri, generando un divario economico nel settore. Questo rischio è già evidente in acquacoltura che è il settore più moderno delle produzioni animali. Le maggiori difficoltà che incontrano attualmente la diffusione di queste tecnologie moderne sono di ordine soprattutto economico, ma anche tecnico, per la necessità di nuove competenze informatiche che non sono familiari al comparto zootecnico. Le università devono essere il volano di questo sviluppo, testando le soluzioni più economiche e di semplice utilizzo, in modo da partecipare attivamente a questa transizione sostenendo soprattutto le piccole e medie imprese.
Bibliografia essenziale
Aghababaei, A., Aghababaei, F., Pignitter, M., & Hadidi, M. (2025). Artificial Intelligence in Agro-Food Systems: From Farm to Fork. Foods, 14(3), 411. https://doi.org/10.3390/foods14030411
Akter, Most. S. (2024). AI for Sustainability: Leveraging Technology to Address Global Environmental. Journal of Artificial Intelligence General Science, 3(1), 40–48.
Cakic, S. et al. (2023). Developing Edge AI Computer Vision for Smart Poultry Farms Using Deep Learning and HPC. Sensors, 23(6), 3002. https://doi.org/10.3390/s23063002
Chiu, M.-C., Yan, W.-M., Bhat, S. A., & Huang, N.-F. (2022). Development of smart aquaculture farm management system using IoT and AI-based surrogate models. Journal of Agriculture and Food Research, 9, 100357.
De Vries, A., Bliznyuk, N., & Pinedo, P. (2023). Examples and opportunities for artificial intelligence in dairy farms. Applied Animal Science, 39(1), 14–22.
Georgopoulos, V. P. et al. (2023). Factors Influencing the Adoption of Artificial Intelligence Technologies in Agriculture, Livestock Farming and Aquaculture. Sustainability, 15(23), 16385.
Hawari, H. F., & Hazwan, M. A. (2022). Development of IoT Monitoring System For Aquaculture Application. GECOST Conference Proceedings, IEEE. https://ieeexplore.ieee.org/document/10010661
Hu, W.-C. et al. (2022). A Computer Vision-Based Intelligent Fish Feeding System Using Deep Learning. IEEE Sensors Journal, 22(7), 7185–7194.
Kar, A. K., Choudhary, S. K., & Singh, V. K. (2022). How can artificial intelligence impact sustainability: A systematic literature review. Journal of Cleaner Production, 376, 134120.
Karunathilake, E.M.B.M. et al. (2023). The Path to Smart Farming: Innovations and Opportunities in Precision Agriculture. Agriculture, 13, 1593.
Liu, H. et al. (2023). Application of Deep Learning-Based Object Detection Techniques in Fish Aquaculture: A Review. Journal of Marine Science and Engineering, 11(4), 867.
Lagua, E. B. et al. (2023). Artificial Intelligence for Automatic Monitoring of Respiratory Health Conditions in Smart Swine Farming. Animals, 13, 1860. https://doi.org/10.3390/ani13111860
Mustapha, U. F. et al. (2021). Sustainable aquaculture development: Roles of CIA (Cloud, IoT, AI). Reviews in Aquaculture, 13(4), 2076–2091.
Nath, P. C. et al. (2024). Recent advances in AI towards the sustainable future of agri-food industry. Food Chemistry, 447, 138945.
O’Donncha, F. et al. (2021). Data Driven Insight Into Fish Behaviour and Their Use for Precision Aquaculture. Frontiers in Animal Science, 2, 695054.
Rutten, C. J. et al. (2013). Sensors to support health management on dairy farms. Journal of Dairy Science, 96(4), 1928–1952.
Saberioon, M. et al. (2016). Application of machine vision systems in aquaculture. Reviews in Aquaculture, 9(4), 369–387.
Salih, N. A. J. et al. (2019). Smart monitoring system for water quality of fish farms. Indonesian Journal of Electrical Engineering and Computer Science, 14(1), 44.
Taleb, H. M. et al. (2025). Using Artificial Intelligence to Improve Poultry Productivity – A Review. Annals of Animal Science, 25(1), 23–33.
Wang, C. et al. (2021). Intelligent fish farm—The future of aquaculture. Aquaculture International, 29(6), 2681–2711.
Wu, Y. et al. (2022). Application of intelligent and unmanned equipment in aquaculture: A review. Computers and Electronics in Agriculture, 199, 107201.
Yue, K., & Shen, Y. (2022). Overview of disruptive technologies for aquaculture. Aquaculture and Fisheries, 7(2), 111–120.
Immagini generate tramite ChatGPT. Tutti i diritti sono riservati. Università di Torino (2025).
