Más allá del chatbot: cómo funciona la IA agentiva en la fabricación discreta

Se activa la alerta. El supervisor la lee. Averigua qué significa. Abre otro sistema. Crea una orden de trabajo. Avisará al operador. Intenta acordarse de documentarlo. A veces lo hace.

Esa secuencia —de los datos a las personas, de la toma de decisiones a la acción— es donde se detienen la mayoría de las inversiones en IA en el sector manufacturero.

La primera oleada de inversiones en inteligencia artificial de la mayoría de los fabricantes de productos discretos se centró en crear paneles de control más eficaces, alertas de anomalías más claras y una mayor visibilidad de los datos desde más lugares. Sin embargo, los mismos supervisores siguen teniendo que realizar cada mañana la misma clasificación manual, ahora con una cola más larga que gestionar.

El problema es de carácter estructural. Cuando la IA ofrece una información relevante, pero sigue siendo necesario que un ser humano la traduzca en cada una de las acciones posteriores (abrir una orden de trabajo, comprobar el certificado del material, notificar al operador, registrar la respuesta), la IA ha mejorado la capa de información, pero ha dejado sin cambios la capa de ejecución.

En sectores como el aeroespacial, el de dispositivos médicos y el automovilístico, donde una sola desviación no registrada puede desencadenar una investigación completa de CAPA o una revisión de retirada del mercado, esa laguna puede convertirse rápidamente en un riesgo para el cumplimiento normativo.

La IA agentiva tiene el potencial de salvar esa brecha. El factor decisivo es, por tanto, en qué parte de la pila se ubica el agente.

Para muchos, la IA generativa actúa como un asesor digital. Es eficaz a la hora de responder preguntas, elaborar resúmenes, ofrecer recomendaciones y redactar documentos cuando se le solicita. El resultado llega a manos de una persona. Es la persona quien decide qué hacer. La cadena de acciones comienza y termina con una persona.

La IA agentiva tiene la capacidad de ir mucho más allá. Partiendo de un objetivo definido y un conjunto de límites operativos, un sistema agentivo percibe las condiciones, evalúa las opciones, ejecuta las acciones en los sistemas conectados y registra el resultado. No se requiere intervención humana en cada paso.

En el sector manufacturero, esa distinción es muy clara. Un MES «capacidades de IA» puede detectar una desviación del par en la estación 4 y responder: «Las tres últimas unidades registraron 22,3 Nm frente a un valor nominal de 24-26 Nm. Acción recomendada: revisar los ensamblajes recientes». A continuación, el operador lee la alerta, decide si suspende la orden de trabajo, registra la desviación y, tal vez, envía un correo electrónico a un técnico de calidad.

Un sistema agentico, al detectar la misma desviación, es capaz de identificar la última unidad conforme por su número de serie, retiene las órdenes de trabajo posteriores que dependen de ese lote, envía una instrucción de reelaboración a la interfaz del técnico de calidad con el paquete de pruebas ya preparado (mediciones, certificado de material, identificación del operador, instrucciones de trabajo con control de revisiones) y registra su propia acción en el registro de ejecución trazable.

La diferencia radica en lo que ocurre entre «el sistema ha detectado algo» y «el problema se ha solucionado».

Deloitte prevé que la adopción de la IA agentiva en el sector manufacturero se cuadruplicará, pasando del 6 % actual al 24 % en 2027. Esta brecha en la adopción no se debe tanto a una falta de interés como a una falta de claridad sobre lo que requiere una implementación agentiva lista para la producción.

Los primeros en adoptar la inteligencia artificial se centran en implementar soluciones que informen a los fabricantes de lo que está sucediendo. Son pocos los que están explorando las oportunidades que ofrecen las soluciones capaces de tomar medidas de forma efectiva.

Los agentes ERP(SAP Joule, la IA integrada Oracle, los agentes de IA industrial de Infor) tienen la capacidad de abordar problemas reales de planificación. Pueden ajustar los calendarios de producción en respuesta a interrupciones en el suministro, optimizar la asignación de capacidad y presentar decisiones de gestión de pedidos con más contexto del que podría ofrecer jamás un panel de control estático. Su capa de implementación es el sistema de planificación empresarial.

Esa capa se sitúa por encima del ámbito en el que se lleva a cabo el trabajo. Estas soluciones no están diseñadas para capturar el contexto de la ejecución en primera línea en tiempo real.

Cuando un agente trabaja con ERP , tiene la capacidad de tomar decisiones sobre los planes. Cuando un agente trabaja con datos de ejecución de primera línea, toma decisiones sobre el trabajo. En la fabricación discreta, el registro de cumplimiento (el registro de «tal y como se construyó» o «tal y como se inspeccionó») refleja el trabajo tal y como se llevó a cabo.

Los datos que necesita el agente

Para que un sistema autónomo pueda tomar una decisión segura y autónoma en un entorno de fabricación complejo, necesita más información de la que puede encontrarse únicamente en una orden de trabajo. Necesita conocer el lote de material que se ha retirado, los datos recopilados en la estación durante la ejecución, la identidad y la cualificación del operador, las instrucciones de trabajo que regían ese paso y los ensamblajes posteriores que dependen de que esta unidad supere la prueba.

Este contexto operativo se sitúa en el nivel de ejecución: el flujo de trabajo guiado, la captura de datos en el punto de trabajo y los registros por pasos que una plataforma de primera línea recopila a medida que avanza el trabajo. Sin él, un agente debe tomar decisiones basándose en condiciones que no conoce en su totalidad. Sus decisiones pueden ser rápidas. Puede que, por lo general, sean acertadas. Pero no pueden justificarse en una auditoría regulatoria, ya que no existe la cadena de pruebas que respalde la decisión.

La brecha entre el ámbito en el que operan los agentes ERP y aquel en el que es necesario tomar decisiones autónomas fundamentadas constituye el problema arquitectónico que la mayoría de las implementaciones de IA basadas en agentes aún no han resuelto. Lo que permite salvar esa brecha es el gráfico de contexto: la red de datos operativos en tiempo real que vincula cada acción con el material, el flujo de trabajo, el operador y la especificación a la que debía ajustarse.

Un gráfico de contexto es la red dinámica de datos operativos que vincula una unidad de trabajo específica con los elementos que son relevantes para la ejecución y el cumplimiento: el lote de material, los parámetros del proceso, la identidad y la cualificación del operador, la revisión vigente de las instrucciones de trabajo, las marcas de tiempo y las dependencias posteriores.

En la plataformaTulip, todo se va recopilando de forma continua a medida que avanza el trabajo: cada paso que captura un flujo de trabajo guiado, cada parámetro que registra un sensor, cada lote de material que escanea un operador, cada punto de decisión registrado con su marca de tiempo y su contexto. Cuando un agente debe actuar, el contexto a partir del cual razona refleja el estado actual de esa unidad concreta, en esa línea concreta, en este preciso instante.

Una plataforma de primera línea bien equipada recoge seis aspectos que ayudan a determinar si la decisión autónoma de un agente resiste un análisis riguroso:

• Certificaciones de materiales y trazabilidad de lotes vinculadas al número de serie o de lote específico

• Parámetros del proceso medidos en la estación en tiempo real (los datos reales registrados)

• Identidad del operador y estado de la cualificación para cada paso realizado

• La versión de la instrucción de trabajo que estaba vigente y en vigor en el momento de la ejecución

• Marcas de tiempo por pasos para cada acción de la secuencia

• Dependencias posteriores, concretamente qué ensamblados u operaciones dependen de que esta unidad supere la prueba

Cuando un agente dispone de este nivel de detalle, sus decisiones están bien fundamentadas.

El historial de decisiones se deriva de los datos. Un auditor que revise una orden de trabajo marcada no tiene que reconstruir lo que ocurrió; el gráfico de contexto muestra las condiciones que desencadenaron la decisión, los datos en base a los cuales actuó el agente y qué hizo.

Eso es lo que distingue a la IA en la capa de ejecución de la IA en la capa de planificación.

En los sectores aeroespacial y de dispositivos médicos, así como en cualquier entorno de fabricación discreta FDA la ISO o FDA, la documentación de cumplimiento nunca está «terminada». Cada caso de no conformidad supone una posible solicitud de registros. Cada orden de trabajo completada supone un posible documento de estado final. La preparación para una auditoría es una actitud que debe mantener de forma continua, y la pregunta que hay que plantearse es siempre la misma: ¿puede demostrar exactamente lo que ocurrió?

Cuando los agentes de IA operan fuera de la capa de ejecución (en ERP, plataformas de BI o herramientas de IA independientes), resulta más difícil responder a esa pregunta.

Las acciones del agente no aparecen automáticamente en el registro de obra terminada. Alguien tiene que registrarlas manualmente; de lo contrario, no figuran en él. En la práctica, esto significa que el registro presenta lagunas en todos aquellos casos en los que el agente haya intervenido sin que exista un mecanismo estructurado de registro que lo respalde.

Cuando los agentes operan dentro de la capa de ejecución, el registro se genera automáticamente. Cada acción que realiza el agente (aplicar un control de calidad, detener una orden de trabajo posterior, enviar una instrucción de reelaboración, señalar una desviación) queda registrada en el mismo registro de ejecución trazable que los propios pasos del operador. No en un registro de IA independiente que el departamento de cumplimiento deba conciliar posteriormente. En el registro. Vinculado a la condición desencadenante, a los datos sobre los que actuó el agente y al resultado que produjo.

Así es como se presenta la «prueba por defecto». La documentación de cumplimiento se convierte en un subproducto de la producción habitual.

Los agentes de IA modulables Tulip se basan en este modelo. Cada acción del agente (el evento desencadenante, la decisión, la ejecución y el resultado) se registra en la misma plataforma que recopiló los datos de ejecución subyacentes.

Nunca antes había habido tanto en juego en materia de regulación del uso de la IA. La Ley de IA de la UE, ya en vigor, impone sanciones de hasta 35 millones de euros o el 7 % de la facturación anual global por infracciones relacionadas con aplicaciones de IA de alto riesgo. Es probable que los sistemas de control de calidad de la industria manufacturera entren dentro de su ámbito de aplicación. «La culpa es de la IA» no es una explicación válida ante una auditoría. «Aquí están todas las decisiones que tomó el agente, los datos en los que se basó y el resultado que produjo» sí lo es.

¿Qué ocurre cuando el agente se equivoca y el equipo no sabía que era él quien tomaba la decisión? Esa pregunta impide que más pilotos de IA autónomos lleguen a la fase de producción más que cualquier deficiencia en sus capacidades.

Es una preocupación legítima. Según Deloitte, solo el 21 % de las empresas que actualmente utilizan IA autónoma cuentan con un modelo de gobernanza consolidado. El riesgo en la mayoría de las primeras implementaciones no radica tanto en el agente en sí mismo como en la ausencia de unos límites definidos sobre lo que el agente está autorizado a hacer y lo que no.

El modelo 90/10

La mayor parte de lo que un agente se encuentra en una planta de fabricación discreta es rutina. Una medición dentro de un rango de parámetros conocido. Un ajuste de la programación dentro de los límites de capacidad establecidos. Un resumen de turno elaborado a partir de datos de ejecución estructurados. Estas situaciones siguen patrones predecibles, tienen una lógica de decisión delimitada y producen resultados que el equipo de cumplimiento ya ha revisado. Llamemos a esto el 90 %: situaciones en las que el agente dispone de contexto suficiente, reglas claras y la autoridad para actuar.

Ese 10 % es donde debe recaer la escalación. Modos de fallo inéditos que el agente no ha detectado dentro de su ámbito de actuación configurado. Decisiones que superan los umbrales de cumplimiento y requieren una firma autorizada. Acciones con un impacto significativo en la producción posterior (descartar un lote, detener una línea). Cualquier decisión que genere un registro reglamentario que requiera la certificación humana. Estas situaciones no deben formar parte de la ejecución autónoma, y un agente bien configurado sabe distinguirlas.

En la práctica, definir el límite del 90/10 implica tres cosas:

1. ¿Qué decisiones puede tomar el agente sin notificarlo a nadie?

2. qué condiciones dan lugar a una revisión humana antes de que el agente actúe; y

3. qué decisiones requieren la aprobación del supervisor o del técnico de calidad antes de su ejecución.

Estas configuraciones se encuentran en la plataforma, no en el modelo. Las establece el equipo responsable del proceso, pueden ser revisadas por el departamento de cumplimiento normativo y se pueden ajustar a medida que la operación va madurando.

Los agentes de IA configurables Tulip se pueden adaptar a estos tres ámbitos. Los equipos definen el alcance, los desencadenantes de la escalación y la interfaz a través de la cual se muestran las decisiones humanas. Cuando una decisión requiere la intervención humana, esta se transmite a través de la Tulip del operador, y no a través de un portal de IA independiente que el operador tenga que consultar en paralelo. El flujo de trabajo constituye el mecanismo de gobernanza.

Cómo es el buen gobierno

El informe «State of AI» de McKinsey, publicado en noviembre de 2025, reveló que las organizaciones con las implementaciones de IA autónoma más sólidas comparten una característica común: marcos de supervisión en los que los seres humanos supervisan, validan e intervienen.

Esto es lo que parece:

• Un registro de auditoría completo: cada decisión del agente queda registrada junto con la condición que la desencadenó, los datos sobre los que se basó, la acción que llevó a cabo y el resultado

• Intervención manual a nivel de operador: cualquier acción del agente puede ser revisada y revertida por un usuario autorizado

• Controles de ámbito: agentes configurados para conjuntos de acciones específicos; cualquier ampliación requiere un cambio explícito en la configuración

• Escalado a través de la interfaz del operador: las decisiones que requieren criterio humano se plantean en el flujo de trabajo que el operador ya está utilizando

• Evaluación periódica del rendimiento: el comportamiento de los agentes se evalúa en función de indicadores de calidad y cumplimiento con una periodicidad definida

Los equipos que implementan agentes con confianza son aquellos que diseñaron primero el modelo de gobernanza y, en segundo lugar, la automatización.

Si utiliza una instalación de SAP con 15 años de antigüedad, no la va a sustituir para implementar agentes de IA.

Las empresas que cuentan con MES ERP altamente personalizados o MES heredados tienen tanta lógica operativa integrada en esas plataformas que resulta imposible eliminarla en un plazo que resulte viable desde el punto de vista empresarial.

La IA agentiva en la capa de ejecución no requiere una sustitución completa.

Los agentes se conectan a los sistemas existentes a través de API. Un agente cualificado que trabaje en Tulip consultar en SAP la certificación del material vinculada a la orden de trabajo actual, extraer los límites de control de las especificaciones de las instrucciones de trabajo, leer los valores de medición del equipo correspondiente, compararlos y actuar en consecuencia. Todo ello en un único flujo de trabajo coordinado. No se sustituye ningún sistema. No se migra ninguna infraestructura central. El ERP conservando los registros para los que fue diseñado; la plataforma de ejecución captura el contexto de primera línea ERP nunca ERP diseñado para ver; el agente sirve de puente entre ambos en el punto de decisión.

McKinsey denominó a este fenómeno «la gran ERP entre los agentes de IA y ERP ». La conclusión es que esa brecha se reduce mediante la mejora, no mediante la sustitución. Plataformas como Tulip el puente.

Para los arquitectos de TI que deben valorar esta decisión, las preguntas relevantes son:

¿Qué interfaces de programación de aplicaciones (API) existen para los MES ERP MES que se encuentran actualmente en funcionamiento?

¿En qué medida están estructurados los datos que proporcionan esos sistemas?

¿En qué consiste la integración regulada?

La incorporación de una capa que lee y escribe en los sistemas de producción requiere una revisión de seguridad y un proceso de gestión de cambios, incluso cuando no es necesario rediseñar la pila central.

Tulip con SAP, Oracle, sistemas de registro de datos históricos, controladores lógicos programables (PLC) y una amplia gama de MES a través de API estándar. La integración es una realidad. La sustitución de la infraestructura, no.

La diferencia entre la forma en que se describen los agentes y su comportamiento real en producción se hace más evidente en términos operativos: qué condición activó al agente, qué hizo y qué quedó registrado. A continuación se presentan algunos ejemplos prácticos de cómo se traduce esto en la práctica:

Respuesta ante desviaciones de calidad

Un operario registra tres lecturas consecutivas de par por debajo del límite de control inferior en la orden de trabajo 4421, lote de material TL-2209-A. En una línea sin agentes, esa medición activa una alerta en el panel de control de calidad. El técnico de calidad la revisa durante el siguiente ciclo de supervisión, abre el MES, decide si retiene el lote, notifica al operario e intenta registrar la respuesta en su sistema de gestión de la calidad. El tiempo transcurrido entre la detección y la contención se mide en horas. El registro de auditoría, si existe, se recopila a partir de correos electrónicos y notas.

Al pasar a la capa de ejecución, el agente identifica la última unidad conforme por su número de serie. Retiene las órdenes de trabajo posteriores que dependen de este lote. Envía una instrucción de reelaboración a la interfaz del técnico de calidad, preconfigurada con los números de serie, las mediciones, el certificado del material y la identificación del operador. La acción del agente se registra en el historial de ejecución trazable junto con la medición original. Para cuando el técnico de calidad llega a la cola, el paquete de pruebas ya se encuentra allí.

El tiempo de respuesta se reduce de horas a minutos. No es necesario reconstruir el registro de la obra terminada.

Transferencia de NPI

Nuevo producto, proceso de montaje de 47 pasos, BOM con respecto a la revisión anterior. Las tres instrucciones de trabajo, que antes estaban separadas, deben armonizarse antes de la prueba del primer artículo. Sin herramientas de apoyo, los ingenieros de procesos realizan esta tarea manualmente: comparan los historiales de revisiones, elaboran materiales de formación y detectan las deficiencias durante la prueba del primer artículo, en lugar de hacerlo antes.

Con un agente, se identifica la diferencia entre la nueva BOM la revisión activa de las instrucciones de trabajo antes de que comience la producción. Los pasos modificados se someten a la revisión y aprobación de los ingenieros. El flujo de trabajo guiado actualizado refleja la nueva revisión de la Unidad 1. La formación de los operarios se centra en los pasos específicos que han cambiado, y no en el procedimiento completo de 47 pasos. El registro trazable de qué revisión de las instrucciones de trabajo se aplicó a cada unidad se establece en el primer artículo, y no de forma retroactiva.

Cambio de turno

Tres desviaciones pendientes. Dos máquinas con avisos de mantenimiento. Una orden de trabajo retrasada. El resumen escrito por el supervisor saliente puede reflejar o no toda esta información, dependiendo de cómo haya transcurrido el turno. Los primeros quince minutos del supervisor entrante suelen dedicarse a ponerse al día, más que a gestionar.

Un agente elabora automáticamente el informe de traspaso a partir de los datos de ejecución: desviaciones pendientes con su estado y marca de tiempo, indicadores de las máquinas con su último estado conocido y el estado de la producción en comparación con el plan. El supervisor saliente lo revisa y lo aprueba. El supervisor entrante consulta un resumen estructurado antes de llegar a la planta. Las cuestiones pendientes no se pierden en el traspaso.

Generación de documentación de validación

Nueva aplicación desarrollada para una línea de producción regulada en una planta de dispositivos médicos. Se requiere una guía GxP antes de su implementación. Sin un agente, el equipo de validación revisa manualmente la estructura de la aplicación, documenta el uso previsto, asigna los controles de riesgo y redacta los casos de prueba. Dependiendo de la complejidad de la aplicación, este proceso puede llevar desde unos días hasta varias semanas.

El generador de guías de validación Tulip analiza la estructura de la solicitud, la compara con los requisitos GxP y elabora automáticamente un borrador de la guía. El equipo de validación lo revisa, lo adapta y lo aprueba. El trabajo pasa de centrarse en la elaboración de la documentación a centrarse en su revisión.

La mayoría de los proveedores de IA con capacidad de actuación le dirán que su sistema está diseñado específicamente para el sector manufacturero. Unas cuantas preguntas permiten distinguir las plataformas diseñadas para la capa de ejecución de aquellas creadas para la planificación, la documentación o la automatización genérica de procesos.

¿En qué parte de la pila opera el agente? Un agente integrado en ERP el flujo de información. Un agente situado en la capa de ejecución —donde se lleva a cabo el trabajo, se recogen los parámetros del proceso y se registran las acciones del operador— puede cerrar el ciclo de ejecución. Pida a los proveedores que le expliquen un caso concreto de desviación de calidad: de dónde obtiene el agente sus datos, con qué sistemas interactúa y qué información queda registrada.

¿Qué contexto operativo puede ver el agente? Las decisiones sobre calidad en la fabricación discreta requieren datos de lotes de materiales, parámetros de proceso en tiempo real, historial de revisiones de las instrucciones de trabajo y registros de ejecución a nivel de operador. Si el agente basa su razonamiento en ERP que se sincronizan cada noche, está trabajando a partir de una imagen de la situación de ayer, que puede haber cambiado en la última hora. Pregunte cuál es la latencia de los datos del agente y si puede acceder a los registros de ejecución de primera línea.

¿Cómo se aplica en la práctica el modelo de gobernanza? Cualquier proveedor puede describir un enfoque que incluya la intervención humana. Pídales que lo demuestren. ¿Puede su equipo de cumplimiento normativo configurar exactamente cuándo actúan los agentes de forma autónoma y cuándo escalan el asunto? ¿Se registra cada decisión de los agentes, junto con la condición que la ha desencadenado y su resultado, en un formato que satisfaga una revisión normativa? ¿Puede un operador anular la acción de un agente desde el centro de operaciones? Si el modelo de gobernanza requiere un portal independiente para su revisión, en la práctica se ignorará.

¿Requiere nueva infraestructura o se conecta a la ya existente? El trabajo de integración es inevitable; la sustitución total de la plataforma es un tema aparte. Pida a los proveedores que describan específicamente qué API utilizan para conectarse al ERP al MES, qué requiere el enfoque de integración y cómo es el modelo de mantenimiento cuando se actualiza el sistema empresarial subyacente.

No se trata de preguntas capciosas. Son las preguntas que su equipo de cumplimiento normativo le planteará antes de cualquier implementación en producción, y los proveedores que no sean capaces de responderlas con claridad le están dando una señal.

Se prevé que la adopción de la IA agentiva en el sector manufacturero se cuadruplique en los próximos dos años. La mayor parte de ese crecimiento se traducirá en proyectos piloto.

Lo que distingue a las pruebas piloto de las implementaciones listas para la producción es la arquitectura: dónde se aloja el agente, qué contexto puede ver, qué modelo de gobernanza limita sus acciones y si el registro que genera puede superar el escrutinio normativo.

La capa de ejecución es donde se encuentran las respuestas a esas preguntas. El gráfico de contexto que mantiene, la evidencia que recopila de forma predeterminada, el modelo de gobernanza con intervención humana que configura y aplica. Estas son las condiciones en las que la acción autónoma resulta justificable. Sin ellas, los agentes no son más que sofisticados sistemas de alerta con pasos adicionales.

Los agentes de IA modulables Tulip están diseñados específicamente para este entorno: son modulables, transparentes, incorporan la intervención humana desde el principio y operan en la capa de ejecución de primera línea, donde se desarrollan las tareas y se generan los datos.

Si está listo para descubrir cómo los «Composable Agents» Tulip están ayudando a los fabricantes de productos discretos a automatizar sus procesos de producción, ¡póngase en contacto con un miembro de nuestro equipo hoy mismo!