AI भारतातील शेतीची उत्पादकता (productivity), टिकावू क्षमता (resilience) आणि उत्पन्न वाढवू शकते, परंतु सर्वसमावेशक (inclusive) आणि परवडणाऱ्या उपाययोजना मोठ्या प्रमाणावर राबवण्यासाठी सरकार, खाजगी क्षेत्र आणि शेतकरी संस्थांनी एकत्रितपणे काम करणे आवश्यक आहे.
Image Source: Getty Images
मागील दशकात भारताच्या कृषी उत्पादनात वाढ झाली आहे. ही वाढ तांत्रिक प्रगती, सुधारित शेती इनपुट्स (farm inputs) आणि उन्नत कृषी पद्धती (agronomic practices) यांमुळे झाली असून, 2016 ते 2025 दरम्यान वार्षिक 4.45 टक्के वाढ नोंदवली गेली आहे. तरीही, या सातत्यपूर्ण वाढीनंतरही मका, सोयाबीन, डाळी आणि धान्य पिकांचे उत्पादन जागतिक सरासरीपेक्षा कमी आहे. देशांतर्गत मागणी वाढत असल्याने आणि बाह्य अडचणी वाढत असताना कृषी उत्पादनात आणखी वेगाने वाढ करणे आवश्यक ठरेल. शहरीकरण, पायाभूत सुविधा विकास, जमीन ऱ्हास (land degradation) आणि माती प्रदूषणामुळे भारतातील लागवडीयोग्य जमीन सतत कमी होत आहे. सुमारे 40.6 टक्के जमीनच सिंचनाखाली आहे, तर उर्वरित 60 टक्के जमीन पावसावर अवलंबून आहे, ज्यामुळे उत्पादनावर मोठा परिणाम होतो आणि किंमतवाढ व अन्न महागाई वाढते. बदलत्या हवामानामुळे शेती आणि जागतिक अन्नसुरक्षेला गंभीर धोका निर्माण झाला आहे. विशेषतः आशिया आणि आफ्रिकेतील पावसावर अवलंबून शेती दुष्काळामुळे मोठ्या प्रमाणावर प्रभावित होण्याची शक्यता आहे, ज्यामुळे 2050 पर्यंत गहू आणि मका उत्पादन अनुक्रमे 19.3 टक्के आणि 18 टक्के घटू शकते. त्यामुळे कृषी उत्पादन वाढवण्यासाठी अधिक उत्पादनक्षमता आवश्यक असेल, जी बाजारकेंद्रित (market-driven) आणि नवोन्मेष-आधारित (innovation-driven) हवामान-स्मार्ट शेती उपाययोजनांकडे (climate-smart solutions) धोरणात्मक बदल करून साध्य करता येईल.
सुमारे 40.6 टक्के लागवडीयोग्य जमीन सिंचनाखाली आहे, तर उर्वरित 60 टक्के जमीन अजूनही पावसावर अवलंबून आहे, ज्यामुळे उत्पादनावर परिणाम होतो आणि किंमतवाढ तसेच अन्न महागाई वाढते.
AI सारख्या उदयोन्मुख तंत्रज्ञानामुळे कृषी क्षेत्रात मोठा बदल घडवण्याची क्षमता आहे. रोग व्यवस्थापन (disease management), संसाधनांचा योग्य वापर (resource optimisation), आर्थिक समावेशन (financial inclusion), पीक नियोजन आणि कापणीनंतर गुणवत्ता नियंत्रण (post-harvest quality control) यांद्वारे उत्पादन वाढवता येते. शेतीमध्ये AI चा वापर केल्यास कामगार आणि इनपुट खर्चातील सुधारणा करून प्रति एकर 100 बिलियन अमेरिकन डॉलर्स पर्यंत मूल्यनिर्मिती होऊ शकते, तसेच विक्री, उत्पादकता आणि कार्यक्षमतेत वाढ करून उद्योगांसाठी 150 बिलियन अमेरिकन डॉलर्स पर्यंत लाभ मिळू शकतो. याशिवाय, या क्षेत्रातील नवकल्पनांमुळे खाजगी क्षेत्रालाही आर्थिक फायदा होत असल्याचे दिसते; संशोधनानुसार agritech startups ने मागील 5 वर्षांत 800 मिलियन अमेरिकन डॉलर्स पेक्षा जास्त निधी उभारला आहे. सध्या AI उपाययोजना कृषी मूल्य साखळीच्या (value chain) चार टप्प्यांवर केंद्रित आहेत: इनपुट व्यवस्थापन, उत्पादन, कापणीनंतरचे व्यवस्थापन आणि बाजाराशी जोडणी. AI-आधारित इनपुट वापर deep learning आणि image recognition (प्रतिमा ओळख) च्या मदतीने सुधारता येतो, ज्यामुळे माती निरीक्षण, बियाणे निवड आणि खत वापर अधिक अचूक होतो. machine learning, satellite imagery (उपग्रह प्रतिमा) आणि computer vision (दृश्य विश्लेषण तंत्र) यांमुळे अचूक शेती (precision farming) शक्य होते आणि कीड ओळख तसेच हवामान निरीक्षणाद्वारे योग्य निर्णय घेण्यास मदत होते. कापणीनंतरच्या उपाययोजनांमुळे गुणवत्ता तपासणी, सुरक्षित साठवण आणि जतन (preservation) शक्य होते. बाजाराशी जोडणीच्या टप्प्यावर AI-आधारित agri-marketplace प्लॅटफॉर्म खरेदीदार आणि विक्रेते यांना जोडतात, योग्य दर मिळवून देतात आणि विक्री प्रक्रिया सुधारतात.
आकृती 1: कृषी मूल्य साखळीसाठी AI-आधारित उपाययोजना
स्रोत: लेखकांचे स्वतःचे
या क्षमतेची जाणीव ठेवून तेलंगणासारख्या भारतीय राज्यांनी शेतकऱ्यांना नवीन तंत्रज्ञानाचा उपयोग करता यावा यासाठी उपक्रम सुरू केले आहेत. अलीकडेच केंद्रीय कृषी मंत्रालयाने तेलंगणा राज्यासोबत मिळून AI for Agriculture Innovation (AI4AI initiative) सुरू केली. या उपक्रमामुळे AI-आधारित गुणवत्ता तपासणी, खरेदीदार आणि विक्रेत्यांना जोडणारे डिजिटल प्लॅटफॉर्म, तसेच माती परीक्षणाची सुविधा उपलब्ध झाली आहे. पायलट अभ्यासात या प्रदेशातील शेतकऱ्यांच्या उत्पन्नात लक्षणीय वाढ झाली असून एका पिकाच्या हंगामात प्रति एकर 800 अमेरिकन डॉलर्स इतके उत्पन्न नोंदवले गेले. राज्य सरकारने Agri Data Management Framework अंतर्गत भारतातील पहिले Agriculture Data Exchange (ADeX) सुरू केले, ज्यामध्ये गैर-वैयक्तिक (non-personal) डेटा संच उपलब्ध करून दिले जातात, जे पीक सल्ला, कर्ज मूल्यांकन आणि बाजार मार्गदर्शनासाठी उपयोगी ठरतात. अजून सुरुवातीच्या टप्प्यात असले तरी झारखंडने GIS-आधारित Climate Smart Agriculture आणि AgriStack योजना सुरू केली आहे, जी हवामानावर आधारित शेती नियोजन सुनिश्चित करते. एका खाजगी AI-सक्षम agri-marketplace मुळे शेतकऱ्यांना 3,200 पेक्षा अधिक कृषी इनपुट्सची उपलब्धता मिळते, तसेच कीड आणि रोग व्यवस्थापनासाठी मोबाईल अॅप आणि कॉल सेंटरद्वारे AI-आधारित वैयक्तिक पीक सल्ला दिला जातो. हे प्लॅटफॉर्म त्यांच्या शेतकरी जाळ्यातील 30 पेक्षा अधिक पिकांचे संकलन करते आणि 600 पेक्षा अधिक होलसेल खरेदीदारांना, ज्यामध्ये रिटेल साखळ्या, e-commerce कंपन्या, FMCG कंपन्या आणि SME अन्न प्रक्रिया उद्योग समाविष्ट आहेत, थेट पुरवठा करते. उद्योगाच्या पुढाकारातून आणखी एक नवकल्पना म्हणजे AI पेरणी अॅप, जे पेरणीची खोली, बियाणे प्रक्रिया, आर्द्रता मोजमाप आणि खत वापर याबाबत सल्ला थेट शेतकऱ्यांच्या साध्या मोबाईल फोनवर (feature phones) देते.
AI सारखी उदयोन्मुख तंत्रज्ञाने कृषी क्षेत्रासाठी मोठा बदल घडवणारी साधने ठरत आहेत. ती रोग व्यवस्थापन, संसाधनांचा योग्य वापर, आर्थिक समावेशन, पीक नियोजन आणि कापणीनंतर गुणवत्ता नियंत्रण यांद्वारे उत्पादन वाढवतात.
याशिवाय, ‘Making AI Work for India’ या भारत सरकारच्या दृष्टीकोनाचा भाग म्हणून Kisan e-Mitra हा आवाजावर आधारित AI-सक्षम chatbot सुरू करण्यात आला आहे, जो प्रादेशिक भाषांमध्ये शेतकऱ्यांना सरकारी योजनांबाबत मार्गदर्शन करतो. Agri-Stack उपक्रम शेतकऱ्यांच्या अडचणी दूर करण्यासाठी कमी व्याजदरात कृषी कर्ज, माहितीतील असमतोल (information asymmetry) कमी करणे, प्रमाणीकरणासाठी आभासी प्रणाली (virtual interface) तयार करणे आणि दर्जेदार डेटाला प्रवेश देणे यावर लक्ष केंद्रित करतो.
केंद्रीय अर्थसंकल्प 2026–27 मध्ये AI-आधारित Bharat-VISTAAR सुरू करण्याचा प्रस्ताव मांडला गेला. हा माहिती जाळा परस्पर जोडलेल्या डेटाबेसचा (जसे AgriStack, India Meteorological Department [IMD] डेटा, राज्यस्तरीय माहिती आणि खाजगी क्षेत्रातील कृषी माहिती) वापर करून कृषी समुदायासाठी निर्णयप्रक्रिया आणि कार्यक्षमता वाढवण्याचा उद्देश ठेवतो.
आकृती 2: AI-आधारित Bharat-VISTAAR परिसंस्था (ecosystem)
स्रोत: Bharat-VISTAAR
तंत्रज्ञानाचा स्वीकार करताना विकसनशील अर्थव्यवस्थांसमोर, विशेषतः भारतासारख्या देशासमोर, मोठ्या अडचणी उभ्या राहतात. देश अजूनही विश्वासार्ह वीजपुरवठा, पाण्याची उपलब्धता आणि दर्जेदार कृषी इनपुट्स यांसारख्या मूलभूत गरजा मजबूत करण्याच्या प्रक्रियेत आहे. भारताच्या हरित क्रांतीने (Green Revolution) कृषी क्षेत्रात मोठा बदल घडवण्याची देशाची क्षमता दाखवून दिली आहे. मर्यादित संसाधने असली तरी, सर्वसमावेशक आणि लक्षित धोरणांमुळे अर्थपूर्ण बदल शक्य होतो हे त्यातून स्पष्ट झाले. विकसनशील देशांमध्ये agri-tech चे उद्दिष्ट वेगवेगळ्या परिस्थितीनुसार बदलतात. प्रगत अर्थव्यवस्थांमध्ये डिजिटलायझेशन (digitalisation) आणि ऑटोमेशन (automation) प्रामुख्याने कामगार टंचाई दूर करण्यासाठी वापरले जाते. भारतासारख्या देशात agri-tech ने उत्पादकता वाढवणे, मूल्यवर्धन (value addition) करणे, परवडणारे राहणे आणि कामगारांचे विस्थापन (labour displacement) टाळणे आवश्यक आहे. उपाययोजना लहान शेतकऱ्यांसह विविध गटांपर्यंत पोहोचल्या तरच agri-tech खऱ्या अर्थाने सर्वसमावेशक मानले जाईल.
AI उपाययोजना तीन प्रमुख घटकांच्या सहभागातून सर्वांसाठी उपलब्ध (democratised) होऊ शकतात: शेतकरी संघटना, खाजगी क्षेत्र आणि राज्य.
मर्यादित डिजिटल साक्षरता (digital literacy), जास्त खर्च, दर्जेदार डेटाची कमतरता आणि डिजिटल पायाभूत सुविधांपर्यंत मर्यादित प्रवेश हे भारतात agri-tech च्या मोठ्या प्रमाणावरील स्वीकारासाठी अडथळे ठरू शकतात.
AI उपाय सर्वांसाठी उपलब्ध करण्यासाठी शेतकरी गट, खाजगी खेळाडू आणि राज्य यांचा सहभाग महत्त्वाचा आहे. मोठ्या प्रमाणावर स्वीकारासाठी उपलब्धता (availability), परवडणारी किंमत (affordability) आणि सुलभ प्रवेश (accessibility) यांची खात्री करणे आवश्यक आहे.
Affordability (परवडणारी किंमत): Farmer-Producer Organisations (FPOs) किंवा Self-Help Groups (SHGs) सारख्या संघटना cluster-based approach (गटाधारित पद्धत) वापरून शेवटच्या टप्प्यापर्यंत सेवा पोहोचवू शकतात आणि खर्च कमी करू शकतात. सामायिक पायाभूत सुविधा वापरून विविध सेवा एकत्र देता येतात, ज्यामुळे शेतकऱ्यांना तंत्रज्ञानाचा पूर्ण खर्च उचलावा लागत नाही. सध्या FPOs Custom Hiring Centres (CHCs) चालवतात, जे सदस्य आणि गैर-सदस्यांना यंत्रसामग्री भाड्याने देतात. ही सुविधा राज्य अनुदानित AI साधने आणि पायाभूत सुविधांपर्यंत वाढवता येईल. FPO आणि SHG यांच्या पुढाकारातून कार्यशाळा, ग्राहक सहाय्य आणि अभ्यासक्रमाद्वारे प्रशिक्षण देऊन ज्ञान आणि संसाधनांची देवाणघेवाण सुलभ करता येईल.
Availability (उपलब्धता): तांत्रिक कौशल्य (technical know-how) आणि स्थानिक परिस्थितीनुसार तयार केलेली नवकल्पना start-ups आणि खाजगी क्षेत्र विकसित करू शकतात. भारतीय शेतीसाठी सानुकूलित (tailored) AI उपाय प्रादेशिक भाषांचा वापर करू शकतात, कमी इंटरनेट वेगावर आणि साध्या उपकरणांवर कार्यक्षम राहू शकतात आणि आवाज-आधारित संवाद (voice-led engagement) सक्षम करू शकतात. खाजगी क्षेत्र Krishi Vigyan Kendras (KVKs), राज्य विद्यापीठे आणि FPOs सोबत भागीदारी करून क्षमता विकासालाही (capacity building) मदत करू शकते.
Accessibility (सुलभ प्रवेश): कृषीसाठी सार्वजनिक डिजिटल पायाभूत सुविधा (Digital Public Infrastructure - DPI) उभारण्यासाठी केंद्र आणि राज्य सरकारांचा पाठिंबा अत्यावश्यक आहे. परस्पर सुसंगत (interoperable) अॅप्लिकेशन्स, संमती-आधारित (consent-based) डेटा शेअरिंग आणि डिजिटल नोंदींची उपलब्धता यांद्वारे हे साध्य होऊ शकते. खाजगी क्षेत्रासाठी AI उपाय तयार करणे व्यावसायिकदृष्ट्या फायदेशीर ठरेल याची खात्री करणे तितकेच महत्त्वाचे आहे. हे viability gap funding, लक्षित कर सवलती (tax incentives) आणि परिणाम-आधारित अनुदाने (outcome-based grants) यांद्वारे साध्य करता येईल. नियामक संस्था innovation sandbox (नवकल्पना चाचणी व्यासपीठ) उपलब्ध करून देऊ शकतात, जिथे उद्योगांना प्रत्यक्ष परिस्थितीत AI तंत्रज्ञानाची चाचणी, पडताळणी आणि विकास करता येईल. sandbox पद्धत नियामक लवचिकता आणि तांत्रिक चाचणीचे वातावरण देते, जे agri-tech start-ups साठी उपयुक्त ठरते, कारण त्यांना तांत्रिक ज्ञान, अभिप्राय आणि डेटास्रोत मिळू शकतात. तसेच, मंत्रालये, उद्योग, शैक्षणिक संस्था आणि नागरी समाज यांच्यातील समन्वय सामायिक उद्दिष्ट साध्य करण्यासाठी अत्यंत महत्त्वाचा असेल. राज्य जबाबदार AI पद्धती (responsible AI practices) प्रोत्साहन देण्यातही महत्त्वाची भूमिका बजावते, ज्यात मजबूत कायदेशीर पालन (legal compliance) आणि Digital Personal Data Protection (DPDP) Act नुसार संमती-आधारित डेटा शेअरिंग यांचा समावेश आहे.
श्रुती जैन या Observer Research Foundation मधील Centre for Development Studies येथे Associate Fellow म्हणून कार्यरत आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
PREV
