La IA industrial está entrando en una nueva fase. Tras décadas de analítica predictiva y otras aplicaciones especializadas, los avances en modelos fundacionales, IA física e IA agéntica están permitiendo automatizar tareas más complejas en entornos industriales. Pero, a diferencia de la IA que opera puramente en el mundo digital, la IA industrial puede interactuar directamente con sistemas físicos, donde una decisión imprevista puede tener consecuencias para la seguridad, la fiabilidad y las infraestructuras críticas.
Por eso, el despliegue responsable resulta fundamental para la próxima ola de automatización industrial. «¿Cómo aprovechamos estas tecnologías al tiempo que mantenemos la seguridad, garantizamos unas operaciones fiables y seguimos cumpliendo las promesas de las nuevas capacidades?», plantea Arti Garg, directora de tecnología en AVEVA. El reto es especialmente acuciante a medida que los nuevos sistemas de IA se vuelven más capaces, pero también más difíciles de predecir y explicar.
Una de las bases fundamentales para que esa transición funcione son los datos. Los sistemas industriales suelen albergar información procedente de la telemetría, registros de servicio, documentos de ingeniería y otras fuentes dispares. Las tecnologías más recientes pueden ayudar a conectar y correlacionar esa información con mayor rapidez, lo que ofrece a los operadores asistencia en tiempo real a la hora de diagnosticar problemas. Los robots impulsados por IA podrían dar un paso más allá al recopilar información en entornos peligrosos sin necesidad de que los trabajadores tengan que acceder a ellos.
Sin embargo, una mayor autonomía también exige nuevos enfoques de gobernanza. El marco de AVEVA para una IA responsable hace hincapié en la seguridad, la eficiencia y la protección y supervisión humanas. Garg sostiene que la IA debería complementar a las personas en lugar de sustituirlas en los bucles de toma de decisiones críticas, con barreras de seguridad que determinen dónde pueden actuar los sistemas automatizados y dónde siguen siendo responsables los supervisores humanos.
La sostenibilidad es otra parte de esa ecuación. La IA puede ayudar a gestionar sistemas eléctricos complejos a medida que crece la generación renovable, mientras que las organizaciones también necesitan mejores formas de comprender la propia huella ambiental de la IA. Garg participa en un grupo de trabajo del IEEE que está desarrollando una metodología estándar para medir ese impacto en electricidad, energía, recursos, agua y carbono.
La próxima fase podría adentrar aún más la IA industrial en el mundo físico, desde robots y drones autónomos hasta la programación asistida por IA que permite a los expertos en la materia desarrollar nuevas aplicaciones. Pero materializar ese potencial requerirá algo más que desplegar nueva tecnología, afirma Garg. Las organizaciones tendrán que replantearse los procesos empresariales, establecer las salvaguardas adecuadas y ofrecer a los profesionales con experiencia nuevas formas de aplicar sus conocimientos, creando un modelo de automatización que no solo sea más autónomo, sino también más seguro, eficiente y sostenible.
«Los sistemas autónomos, ya sean robots o drones, van a cambiar de verdad la forma en que trabajamos en las plantas, en las redes eléctricas y en las explotaciones mineras», afirma Garg. «De un modo que hará que este tipo de operaciones sean más eficientes, mucho más seguras para las personas involucradas y más productivas».
Este episodio de Business Lab se produce en colaboración con AVEVA.
Transcripción completa
Megan Tatum: Desde MIT Technology Review, soy Megan Tatum, y esto es Business Lab, el programa que ayuda a los líderes empresariales a entender las nuevas tecnologías que salen del laboratorio y llegan al mercado.
Puede que la IA industrial no sea algo nuevo, pero se está desarrollando a un ritmo vertiginoso. Desde la analítica predictiva moderna capaz de anticipar fallos en los equipos hasta robots autónomos encargados de inspeccionar maquinaria de alto riesgo, las aplicaciones emergentes tienen el potencial de transformar la eficiencia operativa. Sin embargo, al utilizarse a menudo en entornos de gran repercusión y con un margen de error mínimo, una IA industrial desplegada sin claridad, seguridad o rendición de cuentas también podría acarrear consecuencias catastróficas para las infraestructuras críticas a largo plazo. A medida que los sectores industriales se apresuran a adoptar las últimas tecnologías, el objetivo siempre debería ser una IA responsable diseñada para respaldar, en lugar de sustituir, ese juicio humano tan esencial.
Dos palabras para ti: automatización sostenible.
Mi invitada de hoy es Arti Garg, directora tecnológica de AVEVA.
Este pódcast se produce en colaboración con AVEVA.
Te damos la bienvenida, Arti.
Arti Garg: Gracias, Megan. Es un placer estar aquí.
Megan: Muchas gracias por acompañarnos. Y, para empezar y poner en contexto nuestra conversación, ¿podrías hablarnos un poco sobre el estado actual de la IA industrial y también sobre en qué está trabajando AVEVA en este momento?
Arti: Sí, por supuesto. Y quiero retomar lo que ya has comentado: que, en cierto modo, la IA industrial no es algo nuevo. Es algo en lo que, incluso aquí en AVEVA, llevamos trabajando más de 20 años, analizando a fondo cómo la IA puede mejorar las aplicaciones en el sector industrial.
Pero lo que ha cambiado de forma bastante sustancial, quizá en los últimos años, es el tipo de IA. Hemos pasado claramente a estos modelos fundacionales de propósito general, que permiten a muchas más personas aprovechar tecnologías avanzadas de IA. A esto se suma que, en apenas un par de años, se ha producido una explosión de lo que se conoce como IA física y de aquellos tipos de IA que realmente pueden acelerar el potencial de la robótica y los sistemas autónomos. Y también de la IA agéntica, que además hace posible una mayor automatización a nivel de software.
Y lo que estamos viendo es que, aunque en el pasado existían ciertas reticencias a adoptar modelos cuyos resultados no fueran del todo predecibles, se ha producido una rápida aceleración en la adopción de la IA, incluso en el sector industrial. Un estudio sugiere que podría tratarse de un aumento de casi el 78 % en apenas los dos últimos años dentro de este ámbito. Así que sí, es un punto de inflexión, pero, si lo piensas en términos de adopción de la IA, se parece casi a una función escalonada.
Y en lo que realmente estamos pensando ahora en AVEVA es: ¿cómo abordamos esto? ¿Cómo nos planteamos la incorporación de estas nuevas y potentísimas tecnologías de IA en entornos donde los clientes tienen operaciones de misión crítica y la seguridad de las personas es un factor crucial? Esas son algunas de las principales preocupaciones que tienen nuestros clientes cuando se plantean adoptar cualquier tecnología nueva. Nos estamos moviendo en un terreno en el que estos tipos más recientes de IA no son necesariamente predecibles en cuanto a su comportamiento. Esa es una de las áreas sobre las que más estamos reflexionando: ¿cómo aprovechar estas tecnologías garantizando al mismo tiempo la seguridad y la fiabilidad de las operaciones, sin dejar de cumplir las promesas de estas nuevas capacidades?
Megan: Son muchísimas cosas a tener en cuenta a la vez, ¿verdad? Y has resumido algunos de los enormes avances que hemos visto en este campo en los últimos años. ¿Qué hace que este sea un momento tan crucial para la IA industrial en concreto? ¿Qué ha cambiado para que algunas de esas hipótesis, que quizá parecían más inverosímiles, resulten ahora mucho más plausibles?
Arti: Bueno, creo que una de las grandes claves, uno de los mayores retos dentro de la IA industrial —y esto es algo que en AVEVA llevamos en la sangre, forma parte de nuestro ADN—, es que para aprovechar de verdad cualquier tipo de tecnología digital en el ámbito industrial, una de las primeras cosas esenciales que sueles tener que hacer es recopilar y correlacionar datos procedentes de sistemas dispares. De este modo, a lo mejor recibo la telemetría de una bomba o un mezclador y quiero poder correlacionarla con los registros de servicio para saber, por ejemplo, cuándo fue la última vez que alguien realizó tareas de mantenimiento en esa bomba o mezclador. Y quizá también quiera correlacionarlo con la documentación de diseño original y con parte de los manuales iniciales sobre cómo mantenerlo, para que, si surge algún problema, pueda diagnosticar mejor qué está fallando y cómo solucionarlo. Este siempre ha sido un desafío fundamental en el sector industrial.
Creo que lo que está ocurriendo ahora es que, con las nuevas tecnologías —incluso cosas como las bases de datos de grafos y la capacidad de aprovechar la IA para cruzar conjuntos de datos dispares con mucha mayor rapidez—, podemos llegar a un punto en el que, si algo falla, en lugar de que un operador tenga que dedicar tiempo a investigar para entender realmente cómo encajan estas distintas piezas de información, tal vez solo necesite un iPad con una IA capaz de buscar esa información muy rápidamente, correlacionarla y ayudar a diagnosticar, casi en tiempo real, qué está sucediendo.
Un paso más allá, aunque no tanto como cabría pensar: hasta ahora describía esto con un operario humano que tal vez lleve una tableta, pero imagina que ahora también podemos contar con un robot desplazándose por ese entorno y recopilando datos. Ya sea mediante computación a bordo o a través de una conexión rápida con un operario —que ya no tiene por qué adentrarse en un espacio peligroso o potencialmente arriesgado—, el robot puede recopilar datos y facilitar también ese diagnóstico ultrarrápido. Y creo que eso es lo verdaderamente apasionante ahora mismo y lo que todas estas nuevas tecnologías de las que he hablado están ayudando a hacer posible.
Y creo que, desde nuestra perspectiva, intentar aprovechar al máximo todo esto implica que ahora debemos reflexionar a fondo sobre nuestro enfoque de gobernanza al respecto. ¿Cómo aprovechamos la IA de manera que se mantenga bajo control, por así decirlo?
Megan: Sí, totalmente. Y en cuanto a ese punto de gobernanza, ¿cómo define AVEVA la IA responsable y cuáles consideras que son los principales beneficios?
Arti: Sí, creo que, en nuestro caso, planteamos un triple mandato en torno a la IA responsable, lo que significa que sea segura, que sea eficiente —lo que incluye la eficiencia medioambiental— y que, por encima de todo, preserve la seguridad y la supervisión humanas. Para nosotros, estos son algunos de los pilares fundamentales de la IA responsable. Y eso implica que, a nivel interno, a medida que desarrollamos herramientas, consideramos un enfoque de gobernanza multinivel, tanto para el uso que hacemos de la IA como empresa como para la forma en que la desplegamos en nuestros productos. Contamos con un marco similar que aplicamos en ambos ámbitos, una especie de modelo de gobernanza conjunto, tanto sobre cómo aprovechamos la IA como sobre cómo la integramos en nuestros productos para que nuestros clientes puedan utilizarla en sus operaciones.
Pero yo diría que uno de los principios fundacionales que subyace a todo esto es que el ser humano sigue estando en el centro de cómo concebimos el uso de la IA. Por tanto, el criterio humano, la responsabilidad humana y la ética humana siguen siendo esenciales para nuestra visión de dónde puede aportar valor la IA; y lo planteamos más como una forma de aumentar las capacidades de las personas en lugar de reemplazarlas en los ciclos de toma de decisiones críticos, por así decirlo.
Megan: Exacto, y es una distinción fundamental, ¿verdad? Y, en cuanto a la siguiente fase de desarrollo, existe la creciente sensación de que la IA agéntica permitirá pronto que estos sistemas industriales operen de forma mucho más autónoma. Me pregunto qué hace que los riesgos en entornos industriales sean distintos del riesgo de la IA en un contexto puramente digital. Y supongo que, por otra parte, ¿cuáles son las ventajas y oportunidades de esa misma automatización definida por software?
Arti: Creo que podemos empezar por los riesgos y luego pasar a los beneficios. En última instancia, diría que el mayor riesgo en el entorno industrial es que interactuamos con sistemas físicos reales; a menudo, sistemas físicos muy capaces de generar resultados cruciales que mantienen nuestro mundo en marcha, ya sea suministrando energía o extrayendo recursos naturales. Pero, por lo general, esos sistemas físicos también operan en entornos peligrosos y los propios equipos pueden repercutir en la seguridad de las personas. Cada vez que vinculas software a un sistema físico que puede tener consecuencias en el mundo real, tienes que extremar las precauciones. Y siempre hemos tenido eso, insisto, en el ADN de AVEVA desde el principio: tener muy presente a ese usuario final y esa aplicación final, que no es simplemente algo en la pantalla de un ordenador.
A pesar de haber desplegado IA en nuestros sistemas a lo largo de las últimas décadas, por lo general siempre nos hemos inclinado por intentar escoger el modelo más adecuado y comprender a fondo su comportamiento si vamos a utilizarlo; por ejemplo, contamos con un modelo propio de detección de anomalías que funciona en numerosos entornos operativos. Ahora, al plantearnos algunas de estas nuevas capacidades de la IA —cuyo funcionamiento, por diseño, resulta difícil de comprender—, vemos que no son explicables desde su base, tal y como concebíamos la IA o los modelos estadísticos en el pasado; de hecho, su comportamiento puede cambiar con el tiempo a medida que aprenden y se ajustan a nuevas capacidades. Ese riesgo potencial de automatizar un sistema físico a partir de capacidades que pueden evolucionar a lo largo del tiempo es, en realidad, uno de los aspectos que debemos vigilar con suma atención y analizar con detenimiento: ¿dónde estamos dispuestos a llevar a la práctica ese aumento de la automatización?
Pero, al mismo tiempo, creo que ahí hay una oportunidad real, porque antes pasé por alto la idea de que, de acuerdo, los modelos evolucionan, pero los seres humanos también, y a veces eso es algo positivo. Hablamos de que las personas tienen experiencia y van adquiriendo a lo largo de su carrera una comprensión de cómo funciona un sistema. Si realmente logramos aprovechar el potencial de algunas de estas nuevas capacidades de la IA —este tipo de modelos de razonamiento suelen contar con capacidades agénticas subyacentes— para aprender y acumular experiencia con mayor rapidez y, lo que resulta potencialmente aún más importante o valioso, trasladar la experiencia adquirida en un centro y aplicarla a otro, entonces se presenta una verdadera oportunidad de aprovechar lo que ya sabemos que funciona en los seres humanos: que a veces solo queda aprender haciendo, y ser capaces de aplicar eso y escalarlo a través de la IA. Ahí es donde veo, potencialmente, una auténtica oportunidad en este ámbito.
Una de las cosas de las que somos muy conscientes en el sector industrial es de cómo está cambiando nuestra mano de obra. Creo que casi la mitad, si bien no del todo, de los trabajadores industriales se jubilará en los próximos cinco años, lo que supone una gran pérdida de conocimientos especializados y experiencia para el sector. Si encontramos formas de capturar todo eso de manera práctica y aplicable, de modo que también ayude a una nueva generación de trabajadores —acostumbrada a experimentar las cosas de otra manera— a aplicar esa pericia y ese conocimiento, creo que se trata de una oportunidad enorme dentro del ámbito industrial.
Megan: Sí, totalmente. Sin duda, ahí se presentan enormes oportunidades, sobre todo en el contexto de otros cambios en el mercado y en la fuerza laboral, tal y como acabas de señalar. A partir de esto, ¿cuál es el potencial de estos sistemas autónomos de IA industrial, cuando se desarrollan y despliegan de forma responsable, para facilitar procesos industriales aún más rápidos y sostenibles?
Arti: Creo que hay un par de formas distintas de enfocar esto. Una de ellas es: ¿cuáles son las exigencias de procesos potencialmente más sostenibles desde el punto de vista medioambiental? Pondré como ejemplo algo en lo que mi equipo ha estado trabajando en colaboración con el Laboratorio Nacional de Idaho aquí, en EE. UU., como parte de su proyecto de pruebas sobre la resiliencia de la red eléctrica mediante IA.
Uno de los retos de la red eléctrica, a medida que avanzamos hacia un futuro con muchas más fuentes intermitentes de generación de energía renovable —a menudo instalaciones solares distribuidas en tejados, por ejemplo—, es que resulta mucho más complejo gestionarla, tanto a la hora de comprender con precisión de dónde procede la capacidad eléctrica como de saber dónde se está extrayendo la carga. Además, también es complicado mantener la propia calidad del suministro porque, en lugar de contar con un único activo rotativo que proporcione la frecuencia de la electricidad que circula por la red, ahora disponemos de infinidad de sistemas más pequeños. En realidad, la IA resulta crucial para gestionar esa red del futuro. Y este es precisamente uno de los aspectos en los que hemos estado trabajando en colaboración: ¿cómo podemos lograrlo? ¿Cómo podemos ayudar a los operadores de la red a entender mejor lo que sucede en todo su sistema y a identificar qué elementos podrían estar teniendo un comportamiento anómalo, de modo que puedan detectarlo de forma temprana y ponerle solución?
Sin embargo, al mismo tiempo, siempre comento que ese es un ejemplo de cómo la IA puede ayudarnos potencialmente a acelerar la transición hacia un futuro energético con menores emisiones de carbono. A la vez, creo que se debate mucho sobre la propia sostenibilidad de la IA. ¿Cuáles son sus necesidades energéticas? ¿Qué recursos se requieren para ejecutarla? Y antes de entrar en cómo abordamos esto en AVEVA —porque sin duda es algo en lo que pensamos y en lo que creo que muchos actores del sector también están reflexionando—, me gustaría señalar que uno de los problemas radica en que no existe ningún método consensuado para medir el impacto medioambiental de la IA. Se leen muchos artículos del tipo «una sola consulta en una interfaz de chat consume X litros de agua» o «esta cantidad de electricidad». Pero lo cierto es que, en toda la comunidad, no existe ningún estándar acordado.
Una de las cosas en las que participo es un grupo de trabajo sobre estándares que puso en marcha el IEEE hace dos años, hace poco más de dos años. Presido ese grupo de trabajo, llamado Grupo de Trabajo de Estándares P7100 sobre la medición del impacto ambiental de la IA. Y una de las cosas que intentamos hacer es identificar con claridad todas las distintas áreas en las que debemos plantearnos la sostenibilidad ambiental asociada a la IA, para disponer después de una metodología estándar que funcione y que pueda adoptarse tanto desde la perspectiva de la elaboración de informes como, potencialmente, desde el punto de vista de la supervisión o la regulación. Esto resulta fundamental para comprender de verdad cómo repercute la IA en el medioambiente: simplemente tenemos que saber qué consume. Queremos analizarlo de forma holística. Nuestros estándares abarcan el consumo de electricidad y energía, el uso de recursos, el consumo de agua y también las emisiones de carbono.
Dicho todo esto, creo que es importante que comprendamos la huella de la IA, pero también considero fundamental reconocer al mismo tiempo que un modelo más grande utiliza más capacidad de cómputo y más computación probablemente consume más recursos. Cuanto más deliberados seamos al elegir el modelo del tamaño adecuado para la aplicación correcta, antes podremos empezar a avanzar por el camino hacia una mayor eficiencia medioambiental en la IA que ejecutamos. Uno de los efectos secundarios potencialmente positivos de esto es que, cuanto más diseñado a medida esté un modelo para un fin concreto, menos probable será que tenga un comportamiento impredecible, siempre que elijas bien tu arquitectura. Hay una serie de ventajas colaterales que van más allá de la sostenibilidad medioambiental.
Megan: Fascinante. Resulta verdaderamente interesante conocer parte del trabajo que se lleva a cabo entre bastidores en este ámbito, porque creo que todos habremos oído algunas de las estadísticas sobre el impacto medioambiental, como bien dices. Por eso, es fantástico comprender el trabajo que se está realizando allí para aclarar realmente esta cuestión.
Antes hemos hablado un poco sobre cómo la IA complementa las capacidades humanas. A medida que los sistemas adquieren una mayor autonomía, ¿cómo deberían plantearse las organizaciones ese equilibrio entre la automatización en bucle cerrado y la rendición de cuentas con supervisión humana («human-in-the-loop»)? ¿Qué salvaguardas deben establecerse? ¿Y de qué manera están abordando también estas preocupaciones los gobiernos y los actores transfronterizos?
Arti: Hay mucho condensado en esa pregunta, así que intentaré responderla por partes. En primer lugar, empezando por esa especie de equilibrio entre el bucle cerrado y la intervención humana en el bucle (human in the loop), la automatización y la rendición de cuentas. Una de las cosas de las que hablamos en el sector industrial es de la transición de un operador humano a un supervisor humano de sistemas, de sistemas industriales. Y, a decir verdad, aún estamos intentando dar con la tecla. Cuando hay una persona en el bucle dentro de un sistema automatizado, en realidad estás pensando en que el sistema pueda procesar todos los datos y luego hacer una recomendación.
Tenemos una solución en la que hemos estado trabajando de manera más estrecha con varios clientes distintos, con la que podemos recopilar gran parte de sus datos operativos, así como algunas simulaciones de cómo funcionan sus sistemas, y ser capaces de ofrecer, por ejemplo, recomendaciones del tipo: «ahora deberías operar en este punto de consigna en lugar de en aquel, según otras condiciones que están cambiando en tu planta». Hay mucho interés en pasar de tener un punto de consigna recomendado a contar con una automatización que pueda ajustarlo automáticamente. Y, de hecho, también hemos llevado a cabo con éxito algunos proyectos piloto en el mundo real sobre esto.
Pero cuando te adentras en ese terreno, es evidente que a la gente le pone muy nerviosa que cambies los puntos de consigna de los equipos industriales. Ahí es donde quizá debas mantener ciertas salvaguardas, como: no puedes salirte de un determinado rango operativo, por ejemplo, o solo permitimos la automatización en ciertas áreas. Al igual que un supervisor humano puede dar a los empleados mucho margen o flexibilidad para tomar decisiones sobre ciertas cuestiones, pero se muestra tajante en otras, como «esta es la fecha límite» o «este es el objetivo de producción», aquí ocurre lo mismo. Se trata, por tanto, de plantearse: ¿cómo estableces las salvaguardas adecuadas?
El reto es que las IA no son seres humanos, por lo que las barreras de seguridad son distintas, y creo que ese es uno de los puntos sobre los que todavía hay que reflexionar. Esa cuestión de qué salvaguardas deberían implementarse. Creo que probablemente dependerá en parte de la aplicación, pero con el tiempo todos iremos aprendiendo, por lo que considero importante ser muy transparentes y reflexivos sobre cómo lo hacemos.
Sin embargo, la oportunidad potencial es enorme. Ya he mencionado que la IA puede resultar muy útil para sintetizar una gran cantidad de información y poner de relieve qué es lo que de verdad importa. Ese es un ámbito en el que sí queremos abrir espacio para experimentar, pero lo crucial en ese punto es asegurarse de que un ser humano comprenda el riesgo.
Voy a contar una pequeña historia personal porque puede resultar ilustrativa. Este fin de semana me compré un pequeño robot de juguete y decidí que quería programarlo para hacer algunas cosas, y la IA me resultó muy, muy útil para empezar y leerme toda la documentación. Montar el robot fue sencillo, las instrucciones eran buenas, pero incluye un kit de desarrollo de software bastante denso, y ponerse a leer toda esa documentación puede llevar un buen rato. La IA fue de muchísima ayuda para destacar cosas como «esta es la función que hace esto» y ayudarme a arrancar. Pero, de vez en cuando, hacía recomendaciones nefastas sobre la mejor manera de resolver algún problema.
Ahí es donde creo que tener a un ser humano en el bucle, poder decir: «Sé que no va a ser el mejor arquitecto de software ni el mejor a la hora de resolver problemas», resulta verdaderamente útil, porque tuve la oportunidad de aprovechar la IA para lo que mejor se le da: sintetizar y sacar a la luz una gran cantidad de información, pero pudiendo decir: «No creo que ese sea el primer paso más eficiente. Probemos otra cosa». Ahí es donde radica una forma de trabajar verdaderamente distinta; pero creo que, a medida que los humanos nos familiaricemos más con el potencial y las limitaciones de la IA, puedes empezar a enseñar a la gente a trabajar con ella, y es muy diferente de cómo trabajarías con otras herramientas digitales.
Una de las cosas importantes en lo que respecta a la IA es reconocer la gran cantidad de ámbitos que abarca y la magnitud del impacto que va a tener, ya sea en el medioambiente, como hemos comentado; en la productividad, como queda implícito en toda esta conversación; en el mercado laboral o, sencillamente, en el funcionamiento de las economías. Bajo mi punto de vista —y no soy en absoluto un experto en políticas públicas en esta materia—, lo que observo es que los distintos gobiernos están priorizando diferentes aspectos según cómo plantean sus enfoques regulatorios y otros modelos de gobernanza.
Megan: Sin duda, estamos viendo enfoques muy dispares respecto a esto en todo el mundo, ¿verdad? Para ilustrarlo, me preguntaba si podrías compartir algunos casos prácticos que hayas visto y explicarnos qué lecciones podrían ofrecer a otras organizaciones que quizá se encuentren en una fase más temprana de su andadura con la IA.
Arti: Creo que en muchas de las áreas clave en las que estamos viendo beneficios muy claros de la adopción de la IA en el sector industrial, lo fundamental en todas ellas es, en realidad, gestionar bien los datos y disponer de una base adecuada sobre la que poder construir la IA.
Uno de nuestros clientes, SCG Chemicals, una empresa petroquímica de Tailandia, tenía la visión de crear una plataforma de fiabilidad para sus operaciones que estuviera lo más impulsada por la IA posible. Pero una parte fundamental de ello consistía, precisamente, en gestionar bien los datos: ser capaces de tener toda su información en el lugar adecuado, aprovechando algunas de las herramientas de AVEVA para lograrlo. Se trataba de unificar los datos operativos y también los de ingeniería, para luego incorporar sobre ellos capacidades de IA; en este caso, una de nuestras soluciones llamada AVEVA Predictive Analytics, que despliega modelos propios para tareas como la detección de anomalías, lo que les permitió identificar posibles riesgos operativos con mucha más antelación. Y, en lugar de sufrir paradas imprevistas, transformarlas en paradas planificadas. Cuando conviertes el tiempo de inactividad no planificado en paradas programadas, puedes lograr una enorme mejora en la fiabilidad de la planta.
En este punto, aspiran a alcanzar cerca de un 99 % de fiabilidad en la planta y un retorno de la inversión muy, muy elevado con la plataforma que han implementado. De nuevo, en las primeras fases del piloto, el ROI fue de casi 9x, lo que resulta verdaderamente impresionante. Pero lo que quiero recalcar es que lograr hacerlo bien es un problema con múltiples capas.
Megan: Aun así, son unos resultados realmente sorprendentes. Para los líderes industriales que quizá todavía duden a la hora de explorar la IA, me pregunto: ¿cuál crees que es el coste de adoptar una postura de «esperar a ver qué pasa»?
Arti: Creo que, una vez más, este es un ámbito en el que el sector industrial aplica un cálculo algo diferente a este tipo de problemas. En general, creo que la mayoría de los expertos empresariales dirían que no te puedes permitir adoptar una postura de «esperar a ver qué pasa» con la IA porque es profundamente transformadora en todos los sectores de la sociedad y de la economía y, desde luego, en el ámbito industrial no somos inmunes a ello. Pero sí creo que algunos de los retos que he expuesto hoy también sitúan a los líderes del sector industrial en la mentalidad de optar a veces por ser un seguidor rápido (fast follower) en vez del primero en adoptar las nuevas tecnologías, sencillamente porque el riesgo es muy alto.
Dicho esto, creo que uno de los desafíos radica en que, ante los riesgos que hemos abordado hoy sobre la integración de sistemas que no siempre se comportan de forma predecible con sistemas físicos, no sé si habrá muchos otros sectores que vayan a resolver esos problemas. Por eso, lo que estoy viendo en realidad es un gran interés y entusiasmo por probar cosas nuevas y la disposición para hacerlo, ya que se reconoce que, si se aplican correctamente y con las medidas de protección y salvaguardas adecuadas, estas tecnologías tienen un potencial verdaderamente transformador desde el punto de vista del uso de recursos, de la seguridad de las personas y de la productividad.
Creo que el planteamiento en el sector ha cambiado un poco hacia un «queremos probar estas cosas en la práctica». Pero luego la cuestión pasa a ser más bien: ¿cómo probamos estas cosas en entornos que podamos aislar un poco más o hacer más seguros para comprobar cuáles son algunos de los retos específicos a los que nos vamos a enfrentar en el sector industrial?
Megan: Sí, totalmente. Hoy en día es difícil ignorar su potencial, ¿verdad? Y, para cerrar con una mirada un poco más hacia el futuro, supongo, ¿qué es lo que más te entusiasma en cuanto al potencial a largo plazo de los sistemas de IA industrial autónomos y responsables?
Arti: Sí. Bueno, creo que hay un par de trayectorias distintas. Una de las cosas que sin duda veremos en los próximos 18 meses es un aumento de personas con un profundo conocimiento de su sector que quizá no contaban con formación en software, pero que ahora podrán adoptar técnicas de programación asistida por IA para crear de verdad cosas que antes no podían construir.
Eso es muy emocionante. A lo largo de mi carrera, cuando hace ya tiempo trabajaba como científica de datos industriales, diría que cuando más motivada me sentía y más aprendía era hablando con la gente que estaba en primera línea de las operaciones, supervisando multitud de equipos diferentes y comprendiendo cómo funcionaba todo en conjunto. Tienen una enorme experiencia práctica, y creo que poner en sus manos la capacidad de desarrollar nuevas aplicaciones con tanta rapidez dará lugar a muchísimas ideas nuevas en las que muchos de nosotros, en el ámbito del software industrial, tal vez ni habríamos pensado ni habríamos entendido realmente cómo plantear. Creo que eso resulta apasionante.
Si miramos más allá de eso, creo que yo era un poco... no diría escéptico respecto a la robótica, porque es evidente que la robótica y los sistemas autónomos van a ser importantes, sobre todo teniendo en cuenta los tipos de entornos, ya sean peligrosos o remotos, en los que opera la maquinaria industrial. Sin embargo, creo que las cosas avanzan mucho más rápido de lo que había previsto. Tengo un gran interés por ver cómo estas manifestaciones físicas de los sistemas de IA empiezan a transformar de verdad, una vez más, nuestra forma de concebir las operaciones.
Una de las características de cualquier tecnología nueva en cualquier entorno es que, para extraer valor real de ella, tienes que cambiar tu forma de hacer las cosas. Diría que llevo cerca de 10 años dando charlas sobre la adopción de la IA y siempre digo que la mayor barrera para su adopción no tiene nada que ver con la tecnología. Ni siquiera tiene que ver con los datos, aunque a menudo sean el principal escollo; en realidad tiene que ver con la siguiente cuestión: ¿vas a cambiar tus procesos de negocio para poder adaptarte a aquello en lo que esta tecnología destaca o no?
Los sistemas autónomos, ya sean robots o drones, van a cambiar realmente la forma en que trabajamos en plantas industriales, en sistemas energéticos y en explotaciones mineras. Y creo que eso hará que este tipo de operaciones sean más eficientes, mucho más seguras para las personas implicadas y más productivas. Así que es algo que me entusiasma bastante.
No sé con certeza qué rumbo tomará, pero algo en lo que pienso mucho es que, si te remontas a Yo, robot y al libro de Isaac Asimov, su premisa era que la robótica sería la primera IA adoptada de forma generalizada, y no los sistemas informáticos. Fuimos en la otra dirección y me parece fascinante ver cómo todo esto converge ahora.
Megan: Sí, totalmente. A ver si la robótica se pone un poco al día. Hay muchísimas cosas apasionantes en el horizonte, eso seguro. Muchas gracias por tu tiempo.
Esa era Arti Garg, directora de tecnología en AVEVA, con quien hablé desde Brighton, en Inglaterra.
Hasta aquí este episodio de Business Lab. Soy tu anfitriona, Megan Tatum, editora colaboradora en Insights, la división de publicaciones personalizadas de MIT Technology Review. Nacimos en 1899 en el Instituto Tecnológico de Massachusetts y puedes encontrarnos en formato impreso, en la web y en eventos que celebramos cada año en todo el mundo. Para obtener más información sobre nosotros y sobre el programa, visita nuestra página web en technologyreview.com.
Este programa está disponible dondequiera que escuches tus pódcasts. Y si te ha gustado, esperamos que te tomes un momento para valorarnos y dejarnos una reseña. Business Lab es una producción de MIT Technology Review, y este episodio ha sido producido por Giro Studios. Muchas gracias por escucharnos. Adiós.
Descubre más en aveva.com.
Este contenido ha sido elaborado por Insights, la división de contenidos personalizados de MIT Technology Review, y no por su equipo editorial. Ha sido investigado y redactado por personas, y el posible uso de herramientas de IA se ha limitado a procesos de producción bajo supervisión humana.