Los modelos basados en agentes (ABMs) son particularmente adecuados para simular el comportamiento de los agentes agrícolas en respuesta a la política de uso del suelo (LU). Sin embargo, no hay evidencia de su uso generalizado por parte de los responsables de políticas. Aquí, llevamos a cabo una revisión de los ABMs de LU para entender cómo se ha modelado la toma de decisiones de los agricultores. Encontramos que los ABMs de LU se basan principalmente en reglas de comportamiento predefinidas a nivel de los agricultores individuales. Priorizan los propósitos explicativos sobre los predictivos, limitando así el uso de ABM para la evaluación de políticas. Exploramos el uso del aprendizaje automático (ML) como una alternativa impulsada por datos para modelar decisiones. La integración de ML con ABMs nunca se ha aplicado adecuadamente al modelado de LU, a pesar de la mayor disponibilidad de productos de teledetección y microdatos agrícolas. Por lo tanto, también proponemos un marco para desarrollar ABMs impulsados por datos para el LU agrícola. Este marco evita reglas teóricas o heurísticas predefinidas y, en su lugar, recurre a algoritmos de ML para aprender las reglas de comportamiento de los agentes a partir de los datos. Los modelos de ML no son directamente interpretables, pero su análisis puede proporcionar nuevas perspectivas sobre la respuesta de los agricultores a los cambios en las políticas. La integración de modelos de ML también puede mejorar la validación de comportamientos individuales, lo que aumenta la capacidad de los ABMs para predecir los resultados de políticas a nivel micro.