Por Alejandro Preinfalk, CEO de Siemens México, Centroamérica y el Caribe

Hablar de inteligencia artificial (IA) hoy nos resulta muy familiar: basta con echar un vistazo a las redes sociales para descubrir los cientos de programas que ofrecen sus diferentes cualidades a quienes buscan eficiencia y calidad en sus trabajos. De hecho, ya son comunes los videos que retan nuestra capacidad de distinguir entre realidad y ficción.

Pero las bondades de la IA no se limitan solo a generar contenido humorístico o a facilitarnos la redacción de tareas básicas. Su potencial y el de la inteligencia artificial generativa (GenIA) va mucho más allá, al grado de que podemos ver sus resultados en cuatro dominios donde impulsa la transformación industrial: agentes virtuales en entornos productivos, modelos de lenguaje multimodales que combinan distintos tipos de datos, inteligencia de borde que opera al margen de la nube en tiempo real, y hardware especializado que habilita cargas de trabajo exigentes.

En el primer caso, las empresas pueden apoyarse en agentes virtuales o “agentes de IA industrial” que automatizan procesos sin necesidad de invertir en prácticas físicas o experimentales de alto costo. Por ejemplo, un artículo reciente sobre «IA agentica industrial y modelado generativo en sistemas complejos” explica cómo estos agentes integran modelos generativos dentro de sistemas de control en entornos productivos para ofrecer supervisión, inferencia y actuación en tiempo real.

Las compañías manufactureras ya están viendo resultados: un informe de Google Cloud muestra que el 78% de los ejecutivos señaló que su organización ya está obteniendo retornos derivados de inversiones en GenIA, y que los agentes de IA especializados son un diferenciador clave. Gracias a estos agentes es posible aumentar la productividad hasta en un 50%, estudios de la industria señalan que las oportunidades de mejora son de alto impacto, aunque varían según el contexto. Por ejemplo, el mercado global de IA industrial (incluye GenIA) alcanzó 43.6 mil millones de USD en 2024 y se estima que crecerá hasta 153.9 mil millones de USD para 2030 con una tasa anual compuesta de aproximadamente 23%.

En segunda, contamos con los modelos de lenguaje grande multimodales (LLM), que combinan texto, imágenes y video para ayudar a las máquinas a comprender e interactuar de mejor manera con el mundo real. Gracias a la fusión de texto, elementos visuales y datos, estos modelos pueden interpretar contenido visual, seguir instrucciones complejas y optimizar tareas como el reconocimiento de objetos y el análisis de escena, lo que los hace útiles en áreas como la robótica, los vehículos autónomos y la automatización industrial.

Claro, la creación de estos modelos implica desafíos inherentes debido a la demanda de conjuntos de datos extensos y meticulosamente etiquetados, lo que deja la posibilidad de que se produzca un sesgo. Es por ello por lo que como solución para este obstáculo, es necesario implementar un preentrenamiento exhaustivo, lo que ayudará a minimizar el esfuerzo necesario para la aplicación al usuario final.

En cuanto a la implementación de IA en tiempo real, existe lo que denominamos inteligencia de borde o Edge, y que implica ubicar sistemas de IA cerca de donde se generan los datos, como en las plantas de producción o dentro de las máquinas, en lugar de enviar todo a la nube. Gracias a esto, se mantienen los algoritmos dentro de las redes locales, lo que a su vez refuerza la seguridad y la protección de datos al evitar riesgos de exposición durante su procesamiento en la nube.

Gracias a esta medida, la IA de borde permite una toma de decisiones más rápida, ya que los datos se procesan en tiempo real dentro de la fuente, lo que se convierte en una ventaja cuando se trata de escenarios donde la velocidad y la eficiencia son cruciales, reduciendo la latencia e incrementando rapidez de respuesta.

Finalmente tenemos el hardware especializado, como las unidades de procesamiento gráfico (GPU) o los dispositivos de borde habilitados con unidades de procesamiento de lenguaje (LPU), en donde la IA procesa las cargas de trabajo directamente en el borde, de manera que el trabajo se hace en tiempo real sin depender de la infraestructura de la nube.

Gracias al desarrollo de la IA a través de estos cuatro campos, los expertos se han atrevido a predecir que para el año 2030 la IA industrial podría evolucionar de sistemas de asistencia a sistemas de operación totalmente autónomos. De esta manera, en industrias como la manufacturera podremos ver cómo los sistemas de IA serán capaces de supervisar y analizar, así como controlar de forma independiente procesos complejos en tiempo real, optimizando las operaciones sin intervención humana.

Desde luego, esta transformación requerirá generar confianza en el rendimiento y la fiabilidad de la IA, ya que los fabricantes deben sentirse seguros de delegar el control de sus operaciones a sistemas autónomos capaces de gestionar procesos flexibles, personalizados y de alta velocidad. Si lo vemos fríamente, podemos afirmar que el futuro de la IA generativa se torna interesante y prometedor.