Agentes de IA en las plantas de fabricación: tres puntos de vista de expertos sobre el bombo publicitario, la realidad y el futuro

Seguramente ya lo habrá oído: «Los agentes de IA dirigirán la planta». Predecir, optimizar, actuar. Pero en las operaciones de fabricación, donde están en juego la seguridad, la calidad y el tiempo de actividad, las simples afirmaciones no bastan. Los agentes deben ganarse la confianza.

En Operations Calling evento Operations Calling , Tulip a tres líderes que están marcando el rumbo del debate sobre la IA industrial: el panel fue moderado por David Rogers, arquitecto sénior de soluciones de Databricks, quien trabaja directamente con fabricantes que implementan la IA en entornos de producción. A él se unieron Pattie Maes, profesora del MIT Media Lab y pionera en agentes de software, y Ashtad Engineer, director mundial de soluciones para automoción y fabricación de AWS. Juntos, analizaron lo que los agentes de IA industrial pueden hacer de forma realista en la actualidad, qué sigue obstaculizando la autonomía en la planta de producción y qué condiciones deben darse para que los agentes puedan influir de forma segura en las operaciones. El debate puso de manifiesto un tema recurrente: el progreso es real, pero la implantación a gran escala de los agentes en la planta de producción requiere mucha más estructura y disciplina de lo que sugieren la mayoría de los titulares.

Hemos resumido siete puntos clave para ayudar a los equipos a evaluar las afirmaciones sobre los agentes de IA, comprender cuál es la mejor manera de obtener un valor empresarial real de los agentes industriales y trazar un camino seguro para la implantación de los agentes a gran escala.

1. La IA industrial implica limitaciones

En el sector manufacturero, los sistemas son físicos. Los entornos están sujetos a limitaciones y tienen consecuencias.

En el sector manufacturero, un agente es un sistema capaz de recibir datos de máquinas, registros o sistemas empresariales, interpretarlos en su contexto y generar recomendaciones o tomar medidas para alcanzar un objetivo definido.

«La IA industrial consiste en aplicar la inteligencia artificial en entornos controlados y limitados, con medidas de seguridad y previsibilidad», - Ashtad Engineer, director mundial de Soluciones para la Automoción y la Fabricación, AWS

Eso es lo que hace que el contexto industrial sea tan diferente del de los chatbots para consumidores o las herramientas de oficina. No se trata solo de ofrecer sugerencias inteligentes, sino de garantizar que esas sugerencias sean reproducibles, explicables y seguras.

Por eso los primeros resultados positivos de los agentes se observan en flujos de trabajo estructurados y delimitados:

• Visión artificial para el control de calidad

• Planificación asistida por IA para el mantenimiento y la programación

• Tareas de incorporación y limpieza de datos

«Los agentes de IA no necesitan ser totalmente autónomos para resultar útiles», pero sí necesitan un contexto y unas limitaciones claras para actuar de forma responsable — Pattie Maes, profesora del MIT Media Lab

2. Agentes consultivos frente a agentes autónomos

En la actualidad, la fabricación se basa en procesos físicos estrechamente coordinados. Cada decisión repercute en la seguridad, la calidad del producto, el rendimiento y, a menudo, el cumplimiento normativo. Para gestionar esa complejidad, las plantas recurren a sensores, máquinas conectadas, sistemas MES y ERP, y procedimientos operativos estrictos. En este entorno, los agentes de IA más habituales siguen teniendo una función consultiva. Se pueden encontrar en

• Sistemas de visión que inspeccionan piezas o embalajes y señalan posibles defectos

• Sistemas de apoyo al mantenimiento que analizan los datos de los sensores y el historial de los equipos para recomendar órdenes de trabajo o sugerir el mejor intervalo de tiempo para la parada

• Herramientas de planificación y programación que sugieren cambios en la secuencia, ajustes de capacidad o movimientos de inventario cuando cambian las condiciones

Encontrarse en la «zona de asesoramiento» significa que estos agentes analizan los datos de producción y las políticas, y a continuación generan resúmenes, recomendaciones clasificadas o las mejores acciones a seguir. Sin embargo, no actúan por su cuenta. Un operador humano sigue revisando y aprobando cualquier cambio en los valores de consigna, los horarios o los registros del sistema. Los operadores mantienen el control, mientras que la IA reduce la carga cognitiva y ayuda a los equipos a tomar decisiones más rápidas y fundamentadas, sin llevar a cabo acciones autónomas en la línea de producción.

3. Dónde trabajan actualmente los agentes

Los agentes de IA están apareciendo primero en ámbitos en los que el trabajo es claro y está bien estructurado. Se trata de tareas que siguen procesos definidos y tienen límites claros, lo que las hace menos arriesgadas y más fáciles de ampliar.

Hoy en día, esto incluye:

• Control de calidad
  Sistemas de visión que inspeccionan piezas o embalajes y señalan posibles defectos. Esto se traduce en una reducción de los defectos que llegan a los clientes, menos trabajo de corrección y una calidad más constante.

• Asistencia técnica
  : herramientas que analizan los datos de las máquinas y el historial de reparaciones para sugerir órdenes de trabajo o el mejor momento para programar paradas de mantenimiento. Esto contribuye a una resolución más rápida de los problemas, a la reducción del tiempo de inactividad y a un mejor aprovechamiento de los recursos de mantenimiento.

• Limpieza de datos e integración en los sistemas de «
  », que organizan y etiquetan los datos de producción para que los equipos puedan utilizarlos en la elaboración de informes o en análisis. Esto contribuye a obtener datos más limpios, reducir los errores manuales y obtener información más rápidamente.

• Asistencia para la resolución de problemas
  : agentes que analizan los procedimientos operativos estándar (SOP), los manuales y los incidentes anteriores para sugerir posibles causas y los pasos a seguir. Esto permite reducir el tiempo de resolución de los problemas y disminuir la dependencia de los conocimientos implícitos.

• Resúmenes de turnos y elaboración de informes
  Herramientas que convierten los registros y las notas de los operadores en borradores de informes para que los supervisores los revisen.
  Esto permite ahorrar tiempo en la documentación y garantiza una mayor coherencia en la elaboración de informes.

Todos estos ejemplos muestran el funcionamiento de los agentes de asesoramiento, que ayudan a tomar decisiones sin que los operadores pierdan el control.

Estos casos de uso aportan mejoras reales y cuantificables en cuanto a eficiencia, coherencia y tiempo de actividad sin ceder el control a la automatización

«Los flujos de trabajo estructurados, como la limpieza de datos y la integración de datos, son donde el valor de los agentes se hace realmente patente hoy en día», - Ashtad Engineer, director mundial de Soluciones para el Sector Automovilístico y de Fabricación, AWS

Estos son ámbitos prácticos y de menor riesgo para iniciarse en la IA.

4. Los verdaderos obstáculos: la explicabilidad, la capacidad de reproducir las decisiones, la seguridad y la responsabilidad

Antes de que cualquier agente influya en la producción, deben cumplirse cuatro condiciones:
Debe ser capaz de explicar su lógica, reproducir el escenario, garantizar la seguridad del sistema y asumir la responsabilidad del resultado.

Los operadores y los ingenieros necesitan algo más que una recomendación; necesitan ver cómo se ha generado y simular qué ocurriría si la siguieran.

«La explicabilidad y la reproducibilidad son fundamentales… Los operadores quieren saber: ¿cómo ha llegado el agente a esa conclusión?» — Ingeniero de Ashtad, director mundial de Soluciones para la automoción y la fabricación, AWS

La seguridad y la privacidad de los datos añaden una nueva dimensión. Cuando los agentes acceden a sistemas empresariales, entornos en la nube o modelos gestionados por proveedores, surgen preguntas como: ¿Quién es el propietario de los datos? ¿Se pueden aislar? ¿Está protegida la propiedad intelectual?

El último obstáculo es la responsabilidad. Si un agente provoca que haya que volver a realizar el trabajo, tiempo de inactividad o, peor aún, ¿quién es el responsable? ¿El fabricante? ¿El proveedor? ¿El proveedor del modelo?

5. Validación + Desviación: lo que los proveedores de operaciones reales pasan por alto

En el sector manufacturero, no basta con que un agente de IA funcione una sola vez. Debe seguir funcionando a medida que cambian las condiciones.

En sectores regulados como el biofarmacéutico, la fabricación de productos sanitarios, etc., existe un proceso de validación formal. Si un agente modifica cualquier elemento en un sistema en funcionamiento —por ejemplo, al activar un paso o actualizar un registro—, dicho cambio debe someterse a pruebas, documentarse y ser trazable. No hay forma de eludir este requisito.

Incluso en las plantas no reguladas, las cosas cambian con el tiempo. Los materiales varían. Las máquinas se desgastan. Los procesos se ajustan. Cuando el mundo real cambia, los datos que se introducen en el modelo de IA también cambian. Y cuando los datos cambian, la precisión del modelo puede disminuir. A esto se le denomina «desviación del modelo», es decir, cuando un modelo pierde precisión gradualmente debido a que el entorno con el que se entrenó ha cambiado.

Lo que funcionó el mes pasado puede que no funcione el próximo trimestre. Si nadie supervisa el rendimiento, los pequeños errores pueden acumularse hasta que el agente haga una recomendación errónea.

Por eso los sistemas de IA requieren supervisión, control de versiones y revisiones periódicas. Es posible que sea necesario volver a entrenarlos. Es posible que haya que revertir su configuración. La IA en las operaciones no es algo que se pueda «configurar y olvidar». Debe gestionarse y supervisarse como cualquier otro sistema de producción crítico.

El control de versiones y la revalidación son importantes. Los agentes necesitan un historial de cambios claro, con medidas de seguridad para el reentrenamiento, la reversión y las comprobaciones periódicas. La IA en las operaciones no es algo que se pueda «configurar y olvidar». Hay que gestionarla, validarla y supervisarla como cualquier otro sistema crítico.

6. La autonomía requiere una comprensión del sistema y la orientación hacia el gemelo digital

Para que los agentes puedan actuar de forma autónoma, no basta con disponer de datos, sino que necesitan conocer el contexto y las relaciones causales. Esto implica conocer tanto el estado actual del sistema como la forma en que este responderá ante un cambio.

«La autonomía requiere comprender el estado del sistema y la dinámica de sus respuestas. Eso es lo que se conoce como gemelo digital». — Ashtad Engineer, director mundial de Soluciones para el Sector Automovilístico y de Fabricación, AWS

Los gemelos digitales ayudan a salvar esa brecha. Al combinar modelos basados en principios fundamentales (física, química, caudales) con datos empíricos en tiempo real, permiten a los equipos simular los resultados antes de pasar a la acción.

Este tipo de razonamiento a nivel del sistema es esencial para una autonomía segura. Sin él, los agentes se ven obligados a hacer conjeturas. Y en el sector manufacturero, una conjetura errónea puede traducirse en desperdicio de producto, riesgos para la seguridad o auditorías fallidas.

Por eso, la autonomía sigue siendo poco habitual en la producción. Sin embargo, una vez sentadas las bases del gemelo digital, los equipos pueden empezar a probar el comportamiento de los agentes en entornos controlados y simulados antes de cederles el control. Primero, la simulación. Después, la autonomía.

7. Estándares: un único ganador frente a la realidad federada

Una expectativa habitual en el ámbito de las herramientas de IA es que surja un protocolo universal, algo que permita a todos los agentes, herramientas y sistemas comunicarse en un mismo idioma.

«Lo ideal sería que existiera un protocolo abierto creado de forma colectiva», - Pattie Maes, profesora del MIT Media Lab

Y esa complejidad es una realidad. La mayoría de las plantas operan con una mezcla heterogénea de protocolos que abarca equipos con décadas de antigüedad, interfaces de programación de aplicaciones (API) específicas de cada proveedor y sistemas de desarrollo propio. ¿Estandarizarlo todo bajo un único protocolo? No va a suceder a corto plazo.

En cambio, el enfoque práctico es de tipo federado:

• Admite sistemas mixtos

• Crear capas de traducción

• Céntrese en la coherencia semántica (significado compartido, no sintaxis compartida)

Si los agentes son capaces de interpretar conceptos como «lote», «punto de consigna» o «alarma» en distintos sistemas, aunque los protocolos difieran, pueden seguir siendo eficaces.

Por lo tanto, el futuro no consiste en un único protocolo que lo domine todo. Es la interoperabilidad, basada en el significado y la gobernanza, lo que garantiza su trazabilidad.

Los agentes de IA industrial no son mágicos, ni son autónomos (todavía). Lo que funciona hoy en día son los agentes de asesoramiento integrados en flujos de trabajo gestionados por personas, limitados a problemas específicos y estructurados.

Si está al frente de operaciones, calidad o TI/TO, he aquí una estrategia práctica para seguir adelante:

• Empiece por utilizar agentes integrados en los flujos de trabajo, en lugar de copilotos independientes.

• Céntrese en áreas como el soporte técnico para el mantenimiento, la limpieza de datos y la inspección, en las que el proceso está bien estructurado y los riesgos son limitados.

• Fomente la confianza antes que la autonomía: exija que se pueda explicar y reproducir lo que se hace, que se cuente con las aprobaciones necesarias y que haya límites claros.

• Considere los agentes como parte de una capa de orquestación modular, no como un nuevo sistema monolítico.

• Invierta en los aspectos menos llamativos: vocabularios compartidos, flujos de trabajo de validación, control de versiones y supervisión de desviaciones.

• Solo se debe explorar la autonomía cuando se conozcan bien o se hayan simulado el estado del sistema y la dinámica de respuesta.

Los agentes de IA pueden ser de ayuda, pero solo cuando se basan en su realidad, se rigen por sus procesos y responden ante sus estándares. No se trata de exageraciones. Así es como funciona.

Tulip un agente de IA, sino la plataforma que ayuda a los fabricantes a crear, gestionar y ampliar flujos de trabajo con intervención humana, en los que los agentes pueden prestar asistencia sin extralimitarse.

Con Tulip, los equipos crean aplicaciones estructuradas para el personal de primera línea que estandarizan el trabajo, garantizan el cumplimiento de los procesos de aprobación y recogen el contexto en tiempo real. Las herramientas de IA, como los copilotos o los modelos de visión, pueden integrarse directamente en estos flujos de trabajo, todo ello con unos límites claramente definidos.

La plataforma Tuliptambién ofrece las funciones de control que requieren los agentes:

• Conectividad segura entre los sistemas de tecnología operativa y los sistemas corporativos

• Permisos, control de versiones y registros de auditoría integrados en cada aplicación

• Una arquitectura modular que crece al ritmo de sus necesidades, y no en contra de ellas

Esto significa que sus operadores mantienen el control. Sus datos permanecen protegidos. Y sus flujos de trabajo cumplen con la normativa, independientemente de si se dedica a la fabricación discreta, por lotes o regulada.

Los agentes de IA no son un atajo, sino una capa. Tulip le Tulip crear esa capa con total confianza.