Dels articles “AI models trained on ‘synthetic data’ could break down and regurgitate unintelligible nonsense, scientists warn”, de Ben Turner, publicat a Live Science, el 9 d’agost de 2024, i “How can we prevent AI models from cannibalizing themselves when human-generated data runs out? Scientists say they’ve found the answer”, de Roland Moore-Colyer, publicat a Live Science, el 14 de maig de 2026, l’estudi acadèmic “Addressing domain shift in deep learning: Challenges and insights from plant disease diagnosis and flower recognition”, de Jianqiang Sun et al., publicat a bioRxiv el 7 d’octubre de 2024; i el reportatge “AI models from Western tech giants fail in overseas agricultural settings”, de Rohini Chandran, publicat a Rest of World el 15 de maig de 2026.
Els dos articles de Live Science descriuen el risc que els models d’IA entrenats amb dades sintètiques entrin en un procés de degradació conegut com a model collapse, en què els errors es van acumulant a cada iteració de reentrenament fins a produir sortides cada vegada més homogènies, empobrides o directament incoherents. Aquest risc es veu agreujat pel fet que les dades generades per humans són finites i podrien esgotar-se aviat, cosa que obligaria a recórrer a dades sintètiques amb més freqüència. El segon article mostra, però, que la introducció d’un sol punt de dades humanes en un conjunt majoritàriament sintètic pot actuar com a ancoratge estadístic i evitar el col·lapse, fins i tot en règims de reentrenament tancat.
Aquesta problemàtica teòrica es veu reforçada per evidència empírica procedent de l’àmbit agrícola. Un estudi recent de Jianqiang Sun (2024) demostra que els models de diagnosi de malalties de plantes, tot i assolir precisions molt altes en els seus datasets d’entrenament, pateixen caigudes dràstiques de rendiment quan s’apliquen a dades recollides en condicions diferents. Models com ResNet, EfficientNet o MobileNet, entrenats en imatges controlades de fulles de tomàquet, poden passar d’un F1 de 0,98 a valors tan baixos com 0,01 quan s’enfronten a imatges de camp amb variacions de llum, fons, orientació o varietat vegetal. Aquest fenomen, conegut com a domain shift, és un exemple clar de degradació per manca de diversitat real, i constitueix un mecanisme molt proper al que condueix al model collapse: la pèrdua de variància i la incapacitat de representar casos rars o condicions no previstes.
A més, un reportatge de Rest of World (Chandran, 2026) documenta fallades pràctiques greus en aplicacions agrícoles reals. Models desenvolupats per grans empreses occidentals fallen “espectacularment” quan s’apliquen en entorns agrícoles del Sud Global, perquè no reconeixen cultius locals, boscos tropicals o condicions ambientals diferents de les que apareixen en els datasets occidentals. En alguns casos, models de visió per computador entrenats en boscos nord-americans no detecten més de la meitat dels arbres en imatges de drons de l’Índia, i sistemes de classificació de cultius no identifiquen varietats locals de blat de moro, mandioca o fesols. Aquests fracassos no són col·lapse en sentit estricte, però sí manifestacions reals d’un empobriment de la representació quan el model no disposa de dades humanes diverses i contextualitzades.
En conjunt, els quatre textos dibuixen un panorama coherent: els models d’IA són vulnerables a processos de degradació quan depenen massa de dades sintètiques o de dades humanes poc representatives. El model collapse és la versió extrema d’un problema que ja s’observa avui en aplicacions agrícoles: pèrdua de generalització, biaixos sistemàtics, incapacitat de reconèixer casos locals i fallades pràctiques que afecten directament agricultors i ecosistemes. Les solucions proposades —introducció regular de dades humanes, diversificació de datasets, adaptació local i propietat comunitària de les dades— apunten totes en la mateixa direcció: sense un flux continu de dades reals i contextualitzades, els models no només no milloraran, sinó que poden degradar-se fins a perdre utilitat.