Artículo por: Siemens.

Imaginemos este escenario: El año es 2035 en una planta automotriz a las afueras de Múnich.

En la sala de control reina la eficiencia. Las pantallas muestran datos en tiempo real de la sinfonía de automatización que ocurre en el piso de producción.

Una alerta se enciende: un sensor ultrasónico detecta una microfisura en la carcasa de una celda de batería de alto voltaje. La inteligencia artificial analiza los datos del robot de ensamblaje y descubre que aplicó una presión desigual durante el montaje. Para evitar que vuelva a ocurrir, el sistema simula una solución con el gemelo digital del robot y actualiza sus configuraciones. Debido a que el incidente superó el umbral de seguridad, se mantiene a un operador humano en el circuito.

El equipo de control solicita al sistema realizar inspecciones adicionales en otras baterías. La línea de ensamble se detiene y se activan transportes automatizados para llevar las unidades a escaneo. Mientras tanto, la IA reprograma dinámicamente los flujos de trabajo en toda la fábrica y redirige equipos a nuevas tareas.

Una vez aprobadas las inspecciones, la producción se reanuda. Los datos del incidente se integran al sistema, que también opera en otras plantas de la compañía. Las fábricas, colectivamente, aprenden y evolucionan.

Este escenario de manufactura inteligente empieza a materializarse: un mundo donde los entornos físico y digital convergen profundamente, donde los humanos asumen roles estratégicos y donde máquinas, líneas de producción y redes de fábricas trabajan en armonía con mínima interrupción. Todo ello impulsado por una idea clave: los agentes de inteligencia artificial.

Agentes del cambio

Los agentes de IA se han convertido en una obsesión para la industria. Aunque sus definiciones varían, normalmente se describen como IA que puede “hacer” cosas. Armin Hadzalic, Desarrollador Senior de Software en Siemens Digital Industries, lo explica:

“Principalmente significa que puede usar otras herramientas digitales. Para eso necesita capacidad de razonamiento y una función de memoria. Pero el concepto ha evolucionado, hoy se espera que tenga un bucle de retroalimentación para aprender y mejorar.”

Los casos de uso actuales suelen dividirse en dos categorías:

• Insights (Análisis): Antes, si un operador quería saber el tiempo de ciclo del turno nocturno o detectar anomalías en una corrida de producción, tenía que escarbar manualmente los datos. Hoy, la IA permite preguntar en lenguaje natural. El agente accede a las fuentes y herramientas pertinentes, filtra la información y entrega una respuesta.
• Recomendaciones: Agentes que monitorean datos y sugieren acciones. Por ejemplo, si la IA detecta un aumento en el desperdicio durante un turno, podría sugerir cambiar la lente de un sensor de visión para mejorar el rendimiento.

Aunque los primeros agentes tienen autonomía limitada en la toma de decisiones, su valor puede ser significativo. Lina Huertas, Directora de Industria para Manufactura en Microsoft Reino Unido, comenta:

“Tenemos un cliente del sector de componentes para procesamiento de alimentos, con unas 150 fábricas en todo el mundo. Están probando un sistema que rastrea múltiples fuentes de datos y alerta de manera proactiva sobre problemas. Cada lunes reciben un listado de 10 problemas ordenados por prioridad. Lo primero que hacen es reunirse para resolver los más críticos. Es un cambio de juego para las organizaciones.”

¿Qué sigue? Ejecución en el mundo físico

Un tercer caso de uso está emergiendo: la ejecución física en el mundo real, donde el agente no solo genera insights sino que toma acciones concretas. Esta es una frontera desafiante, especialmente en manufactura, donde los errores no se quedan en los datos, sino que pueden dañar equipos reales. Como explica Hadzalic:

“Si eres analista de datos y pides a una IA que analice tu hoja de cálculo y el resultado es incorrecto, no pasa nada. Pero en la industria, puede haber consecuencias físicas.”

¿Qué limita a los agentes?

Una barrera es la integración. Aunque los agentes manejan datos en distintos formatos, la falta de estándares complica su interoperabilidad. Los sistemas críticos requieren datos persistentes y consistentes para garantizar precisión y confiabilidad.

Además, la comprensión de la intención y el contexto sigue siendo un reto. Según Hadzalic:

“Si se les pide ayuda con un escenario complejo, puede haber demasiadas variables confusas. El sistema podría no encontrar la información relevante, mientras que un humano sí distinguiría lo importante.”

Peter Koerte, CTO y CSO de Siemens, agrega:

“Los agentes no tienen inteligencia general. Los humanos comprenden el contexto. Los agentes dependen de los datos con los que fueron entrenados. Si hay vacíos o sesgos, se reflejarán como errores.”

Enseñando a la IA el idioma de la industria

Los agentes necesitan mayor alfabetización industrial. Los modelos base disponibles han sido entrenados con datos públicos como los de internet, por lo que fallan en tareas especializadas: por ejemplo, diseñar piezas personalizadas y reguladas para maquinaria específica.

Una solución es afinar el modelo con datasets industriales específicos. Koerte detalla:

“Estamos desarrollando un modelo fundacional industrial que entienda el lenguaje de la industria. Podrá razonar con datos complejos difíciles de verbalizar, como modelos 3D y lecturas de sensores. Esto hará que los agentes sean más confiables, eficientes y rentables.”

También está tomando fuerza la idea de orquestar múltiples agentes, con un “manager” o agente orquestador que coordine las tareas individuales y supervise su cumplimiento:

“Puedes tener un equipo grande de agentes, cada uno con habilidades distintas. Muchos agentes ‘especializados’ pueden ser útiles si tienes a alguien que delegue y supervise”, dice Koerte.

El futuro: fábricas que piensan y deciden

Si se superan estos retos y los agentes se implementan a escala, podrían transformar las operaciones industriales. Imagina fábricas que toman decisiones, coordinan su cadena de suministro, adquieren insumos automáticamente y programan la producción en función de la oferta y la demanda.

¿Qué pasará con los trabajadores industriales? ¿Qué roles tendrán?

“Las nuevas tecnologías cambian los perfiles laborales. Algunas tareas repetitivas requerirán menos personas. Pero al escalar las operaciones digitales, se necesitarán más personas para gestionar y optimizar esa fuerza laboral digital”, explica Koerte.

Su consejo para quienes se preparan para ese futuro:

“Recomiendo que todos prueben las herramientas de IA disponibles. Experimenten, vean cómo pueden usarlas de forma segura en su trabajo y descubran cómo liberar tiempo para tareas creativas y resolución de problemas. Ahí es donde los humanos brillamos.”

Fuente: https://www.linkedin.com/pulse/living-factories-what-ai-agents-could-mean-industry-siemens-gqncf/