La adopción de la IA en las operaciones: valor, Applications, costes y perspectivas de futuro

La inteligencia artificial acapara el debate sobre el futuro de la industria, pero convertir la fase experimental en una implantación operativa real lleva tiempo. Los datos indican que hasta el 95 % de los proyectos piloto de IA nunca llegan a la fase de producción, por lo que queda claro que la mayoría de las organizaciones se encuentran todavía en las primeras etapas de su trayectoria en el ámbito de la IA.

Durante Operations Calling, Natan Linder, cofundador y director ejecutivo de Tulip; Tom Bianculi, director de tecnología de Zebra ; y Alexandra Francois-Saint-Cyr, directora ejecutiva de desarrollo empresarial del sector industrial en AWS, mantuvieron una conversación centrada en cómo se está llevando a cabo realmente la adopción de la IA en entornos operativos. Si bien la experimentación se está acelerando, las organizaciones que obtienen resultados se centran en aplicaciones prácticas mediante la integración de la IA en los flujos de trabajo, la recopilación de conocimientos operativos y la mejora de la toma de decisiones en la planta de producción.

En este artículo, analizamos en qué ámbitos de las operaciones la IA ya está aportando valor, cómo los equipos están incorporando la IA en las plantas de producción y cómo podría ser la próxima fase de la IA operativa.

A medida que las organizaciones comienzan a explorar la inteligencia artificial en entornos operativos, suelen surgir dos conceptos de forma conjunta: la computación periférica y las operaciones inteligentes.

El «edge computing» consiste en procesar los datos cerca del lugar donde se generan, como en máquinas, cámaras, sensores o dispositivos industriales en la planta de producción. En lugar de enviar todos los datos operativos a sistemas centralizados, la infraestructura de borde permite que determinados análisis y respuestas se realicen a nivel local, lo que reduce la latencia y permite reaccionar con mayor rapidez durante la producción.

Al mismo tiempo, las plataformas en la nube ofrecen la capacidad necesaria para el análisis avanzado, los modelos de aprendizaje automático y el almacenamiento de datos a largo plazo. Cuando los sistemas periféricos y los sistemas en la nube funcionan conjuntamente, las organizaciones pueden combinar datos operativos en tiempo real con análisis a gran escala.

Esta combinación permite lo que muchas organizaciones denominan «operaciones inteligentes», un modelo operativo en el que los datos procedentes de máquinas, sistemas y trabajadores de primera línea se recopilan, contextualizan y utilizan de forma continua para mejorar las decisiones operativas.

Muchas empresas están experimentando con la inteligencia artificial, pero sigue siendo difícil convertir esos experimentos en sistemas que se utilicen en las operaciones diarias. Los entornos operativos son complejos y hay varios factores que pueden ralentizar su implantación.

Datos operativos inconexos
Los datos operativos suelen estar dispersos entre máquinas, sistemas heredados, hojas de cálculo y documentación. Cuando esta información no está interconectada, las herramientas de inteligencia artificial tienen dificultades para obtener una visión completa de lo que ocurre en la planta de producción.

Pérdida de conocimientos operativos
A medida que los trabajadores con experiencia se jubilan, las organizaciones corren el riesgo de perder conocimientos valiosos que residen únicamente en la experiencia de las personas, y no en sistemas estructurados o en documentación.

Preocupaciones en materia de seguridad, cumplimiento normativo y fiabilidad
En entornos industriales, las nuevas tecnologías deben cumplir requisitos estrictos en materia de seguridad, gobernanza y cumplimiento normativo. Esto puede hacer que las organizaciones se muestren cautelosas a la hora de introducir la IA en los sistemas de producción.

Las dudas a nivel organizativo
Los directivos y los empleados también pueden sentir incertidumbre sobre cómo afectará la IA a los puestos de trabajo y a los flujos de trabajo. Sin una orientación clara y sin confianza en la tecnología, su implantación puede ralentizarse.

Áreas en las que la IA aporta valor

Las organizaciones que están adoptando con éxito la inteligencia artificial suelen empezar por casos de uso operativos específicos, en lugar de por iniciativas de transformación de amplio alcance. En lugar de buscar un cambio radical desde el principio, se centran en problemas de gran impacto y bien delimitados en los que la inteligencia artificial puede ofrecer resultados cuantificables. Este enfoque pragmático reduce el riesgo, acelera la obtención de valor y sienta las bases para una transformación más amplia a lo largo del tiempo.

Conocimientos sobre el personal y resolución de problemas

Muchos sectores se enfrentan a una escasez de mano de obra a medida que los operarios con experiencia se jubilan. Las herramientas de inteligencia artificial pueden ayudar a recopilar los conocimientos operativos de los trabajadores con experiencia y ponerlos a disposición de los nuevos empleados.

Por ejemplo, las organizaciones están utilizando asistentes basados en inteligencia artificial para facilitar la búsqueda de documentación sobre resolución de problemas y de información operativa, lo que permite a los operadores acceder rápidamente a la información pertinente durante la producción. Cada vez más, también están utilizando la inteligencia artificial para convertir los procedimientos operativos estándar (SOP) y las instrucciones de trabajo existentes en flujos de trabajo estructurados e interactivos, integrando ese conocimiento directamente en las operaciones cotidianas, de modo que los nuevos empleados puedan aprender en contexto, en lugar de depender únicamente de documentación estática.

Búsqueda empresarial y recuperación de conocimientos

Muchas organizaciones ya disponen de grandes cantidades de datos operativos recopilados antes de la aparición de los sistemas de inteligencia artificial.

Los sistemas de recuperación basados en IA pueden aprovechar estos datos al permitir la búsqueda empresarial en la documentación, los datos históricos y los registros operativos. En lugar de generar respuestas desde cero, los copilotos de IA recuperan los conocimientos operativos pertinentes y los ponen a disposición en el momento en que se necesitan.

Visión artificial y automatización de procesos

La IA también se está aplicando en ámbitos como:

• visión artificial para el control de calidad

• automatización de flujos de trabajo repetitivos

• validación en tiempo real de los procesos operativos

• una mayor visibilidad del inventario y los activos

Estos casos de uso integran la inteligencia artificial directamente en los flujos de trabajo operativos, en lugar de considerarla una función analítica independiente.

La adopción satisfactoria de la inteligencia artificial en las operaciones suele basarse en varios principios prácticos.

«Lo primero es comprender el problema que se quiere resolver antes de pensar en la tecnología.» — Alexandra Francois-Saint-Cyr, directora ejecutiva de desarrollo empresarial, sector industrial, AWS

Empiece con un caso de uso

Las organizaciones que alcanzan el éxito suelen empezar con un único caso de uso operativo y expandirse a partir de ahí. Demostrar el valor en un flujo de trabajo ayuda a generar confianza y permite a los equipos ampliar el uso de la IA a otros procesos.

Desarrolle soluciones junto con los trabajadores de primera línea

Las herramientas de IA resultan más eficaces cuando se desarrollan en colaboración con las personas que las van a utilizar. Diseñar sistemas adaptados a los flujos de trabajo existentes mejora la usabilidad, fomenta la confianza y aumenta su aceptación.

Elija a los socios tecnológicos adecuados

La IA operativa suele requerir conocimientos especializados en materia de infraestructura, sistemas industriales y plataformas de datos, lo que convierte la selección de socios en un factor clave para el éxito. En lugar de intentar desarrollar internamente capacidades en todos estos ámbitos, muchas organizaciones están descubriendo que colaborar con socios que aportan tanto conocimientos técnicos profundos como experiencia específica en el sector puede reducir significativamente el riesgo y acelerar el progreso. En la práctica, esto suele implicar dar prioridad a aquellos socios que ya han resuelto retos operativos similares y pueden aplicar esa experiencia directamente a nuevos casos de uso

«Si elige socios que ya cuenten con ese caso de uso específico en su ámbito, tendrá el doble de posibilidades de tener éxito que si intentara desarrollarlo por su cuenta.» — Tom Bianculi, director de tecnología de Zebra

El liderazgo impulsa la cultura de la adopción

El comportamiento de los líderes también influye en la adopción de estas tecnologías. Cuando los líderes utilizan activamente las herramientas de IA y fomentan la experimentación, dan a entender que estas tecnologías forman parte del futuro modelo operativo de la organización.

«Si usted es un líder y se encuentra en esta sala, querrá que su organización utilice la inteligencia artificial. Si usted mismo no lo hace, nadie le seguirá. Y punto.» — Natan Linder, cofundador y director ejecutivo de Tulip

La adopción de la inteligencia artificial también plantea cuestiones importantes en torno al coste y la infraestructura.

Las organizaciones deben supervisar factores como el uso de recursos informáticos, el consumo de tokens y la selección de modelos. Sin una gestión adecuada, el uso de la IA puede crecer rápidamente y resultar costoso.

Muchas empresas están abordando este reto mediante arquitecturas híbridas, que combinan la computación periférica con la infraestructura en la nube. El procesamiento de datos a nivel local, junto con el uso de los sistemas en la nube para el análisis a gran escala, ayuda a equilibrar el rendimiento y los costes.

A medida que aumenta la adopción de la inteligencia artificial, también se amplía la infraestructura que sustenta estas tecnologías.

Los modelos de IA a gran escala requieren importantes recursos informáticos, y los centros de datos modernos consumen cantidades considerables de electricidad y agua para su refrigeración y funcionamiento. Los avances en el diseño del hardware y las infraestructuras están contribuyendo a mejorar la eficiencia, pero estas cuestiones se están convirtiendo en parte del debate más amplio en torno al despliegue de la IA.

Uno de los avances más prometedores en el ámbito de la IA operativa es la aparición de modelos específicos para cada ámbito.

«Esta idea de los modelos de lenguaje grande (LLM) específicos para cada ámbito... es la próxima gran novedad, ya que los modelos fundamentales del mundo real no van a saber realmente qué es lo que funciona en este tipo de entornos operativos» — Tom Bianculi, director de tecnología de Zebra

Es posible que los sistemas de IA de uso general, entrenados con datos a escala de Internet, no comprendan plenamente los entornos industriales complejos. Los modelos específicos de cada ámbito, entrenados con datos operativos y flujos de trabajo industriales, pueden desarrollar una comprensión más profunda del funcionamiento de estos sistemas.

Las organizaciones también están explorando técnicas como la generación de datos sintéticos para mejorar el entrenamiento de los modelos cuando los conjuntos de datos del mundo real son limitados.

Con el tiempo, estos avances podrían dar lugar a sistemas de inteligencia artificial capaces de comprender el contexto operativo y facilitar una toma de decisiones más inteligente en los entornos de producción.

Tulip las organizaciones Tulip poner en práctica la inteligencia artificial conectando los datos de la planta de producción, los flujos de trabajo y los sistemas empresariales en un entorno operativo unificado. Al recopilar datos contextuales de máquinas, dispositivos y trabajadores de primera línea, Tulip las bases necesarias para desarrollar aplicaciones basadas en inteligencia artificial que respalden decisiones operativas reales.

Una vez establecida esta capa contextual, los equipos pueden incorporar capacidades de IA —como copilotos, análisis y automatizaciones— directamente en los flujos de trabajo operativos, al tiempo que se mantiene el control y la supervisión humana. En lugar de llevar a cabo experimentos aislados, las organizaciones pueden desarrollar soluciones que se integren con los procesos existentes y se adapten a los entornos de producción.

Este enfoque ayuda a las organizaciones a ir más allá de los proyectos piloto de IA y a empezar a aplicar la IA donde más importa: en el trabajo operativo diario.