En los últimos años, la inteligencia artificial (IA) dejó de ser un concepto futurista para convertirse en parte de nuestra vida diaria y centro de la conversación pública. No pasa más de una semana sin que escuchemos lo buena (o mala) que es y puede ser. Hoy, todos queremos adoptar el uso de inteligencia artificial, aunque pocos sabemos para qué. La realidad es que, sin saberlo, estamos aprovechando su aplicación en temas tan cotidianos como redes sociales, organizar nuestra agenda o investigar un objeto tomando una foto con nuestro celular.
Algo fundamental que debemos entender es que la inteligencia artificial no es un concepto nuevo; existe desde 1950 con los experimentos de Alan Turing. Sin embargo, lo más destacable es el avance que ha tenido en las últimas dos décadas, acelerando su uso a través de aplicaciones como los Modelos de Lenguaje de Gran Tamaño (Large Language Model, LLM por sus siglas en inglés). Un LLM es un modelo que permite entender y generar contenido en forma de lenguaje común (generalmente escrito), lo que ha acercado las funcionalidades de IA sin necesidad de saber código o de procesos complicados.
Hoy podemos pedirle a un sistema que nos genere una imagen, un texto, una canción, o un poema utilizando IA a través de una simple indicación. El ejemplo más común son los copilots: asistentes digitales que pueden ser usados en nuestras actividades diarias y también a nivel industrial. A nivel empresarial, las soluciones de inteligencia artificial se usan en procesos como análisis de riesgo y prevención de fraudes en bancos, retención de clientes en aseguradorasⁱ y desarrollo de nuevos medicamentos basados en altos volúmenes de informaciónⁱⁱ.
Dentro de esta evolución tecnológica, el desarrollo de productos - desde la idea hasta la fabricación - también se ha visto transformado por la inteligencia artificial. Para entender mejor su aplicación, podemos dividir este proceso (de forma muy simplificada) en tres etapas; Diseño e Ideación (Investigación y Desarrollo), Ingeniería (Simulación y Pruebas) y Fabricación (Manufactura).
Diseño e Ideación
Sin importar la industria -aeroespacial, automotriz, de consumo, farmacéutica, entre otras- todas las empresas enfrentan el creciente reto de reducir el tiempo de innovación. Ya sea para la fórmula de una nueva bebida o el diseño de un vehículo eléctrico, los ciclos de demanda de nuevos productos se han recortado.
Es aquí donde la IA generativa nos ayuda a crear opciones que sería virtualmente imposible obtener con un proceso tradicional de diseño. Los algoritmos de IA pueden generar modelos distintos a partir de variables definidas por especificaciones, requerimientos y restricciones, lo que les permite analizar miles de escenarios. Por ejemplo, una empresa de productos de consumo que busca optimizar una bebida puede evaluar numerosas combinaciones de ingredientes para lograr una fórmula óptima. De esta forma se pueden optimizar parámetros como costo o contenido calórico, pero respetando restricciones de densidad, cantidad de azúcares, entre otras. De la misma manera, una empresa aeroespacial podría optimizar el perfil de un ala mediante la evaluación de distintas combinaciones de variables.
Ingeniería
Así como con el ejemplo de innovación, uno de los principales factores para disminuir el costo de un producto es utilizar menos material. Esto reduce tiempos de manufactura (aditiva o sustractiva), volumen y espesores de materiales, optimizando tanto el costo como el peso de las piezas. Sin embargo, al reducir tamaños también puede disminuir su resistencia. Para enfrentar esto, la inteligencia artificial generativa puede incorporar condiciones de frontera en un análisis de elemento finito e incluir estudios de fuerza, resistencia, vibración, y otros, como parte de los experimentos en el proceso de innovación. De esta manera, es posible asegurar geometrías innovadoras que cumplen con los requerimientos de desempeño.
Estos algoritmos de IA pueden integrar información de diferentes sistemas o modelos para optimizar escenarios. Un ejemplo es Hyundai, que logró acelerar el desarrollo de sus vehículos eléctricos al reducir el tiempo de evaluación de diseños de una semana a solo quince minutos. Esto fue posible gracias a la optimización con redes neuronales, implementadas a través de las soluciones de Simcenter y Heeds de Siemensⁱⁱⁱ.
Fabricación
Para un país como México, donde la manufactura representa cerca del 20% del Producto Interno Bruto iv, optimizar los procesos de producción se convierte en un factor clave para la rentabilidad y competitividad de las empresas. Por ello, ha crecido la necesidad de identificar áreas de mejora mediante el análisis de grandes volúmenes de datos provenientes de fuentes diversas.
Otra de las ventajas de la inteligencia artificial es su capacidad de segmentar, analizar e interpretar altos volúmenes de información, lo que la convierte en una herramienta clave para los modelos de inteligencia de negocios y fabricación. En particular, destacan tres aplicaciones a nivel manufactura:
Calidad Predictiva – Consiste en entrenar modelos de IA con variables y tolerancias de las piezas producidas y cruzar esta información con las características del proceso de producción. Con este análisis es posible anticipar la calidad de una pieza controlando mejor los parámetros del proceso, lo que reduce costos por retrabajos, desperdicio de material y otros factores.
Mantenimiento Predictivo – Consiste en recolectar e interpretar datos de los equipos en planta (vibración, temperatura, etc.) para detectar fallas antes de que ocurran. Esta es probablemente la aplicación con uno de los retornos de inversión más rápidos, ya que no solo reduce el costo de mantenimiento, también mejora la disponibilidad y el tiempo productivo. Las empresas que aplican modelos de IA para mantenimiento predictivo han logrado reducir entre 10% y 30% paros no planeados. Además, los sistemas de IA en manufactura pueden integrar LLMs (como un copilot) para usarlos como fuente de información de los acontecimientos del día en la planta, haciendo preguntas directamente al sistema en lenguaje común.
Monitoreo y Optimización Energética – Consiste en capturar datos del consumo en la planta para identificar áreas de mejora. Con los compromisos de sustentabilidad de las empresas, este se ha convertido en un uso clave. Gracias a estas herramientas, varias compañías han identificado consumos extra provocados por fallas casi imperceptibles en los equipos, lo que genera gasto innecesario. Esta visibilidad también permite planear mejor los programas de producción y disminuir costos asociados a tarifas energéticas. Lo anterior ha permitido ahorros energéticos entre el 5% y 20%.
¿Cómo crear la fábrica del futuro?
En mis más de 18 años trabajando con soluciones de digitalización industrial he visto un desafío recurrente: muchas empresas buscan resolver cada problema con soluciones aisladas y de nicho. Este enfoque se vuelve crítico cuando pensamos en modelos de Inteligencia Artificial. Por eso, la estrategia para construir la fábrica del futuro debe apoyarse en los siguientes pilares:
- Visión Corporativa – Promover una visión tecnológica desde el liderazgo de la empresa para que forme parte de las iniciativas estratégicas. Esto facilita que los proyectos sean adoptados por todos los involucrados, acelera el cambio y favorece la integración de los equipos en el proyecto.
- Empezar con un problema claro por resolver – Aunque suena obvio, no todos los proyectos de inversión tecnológica definen el problema a atacar. Esto lleva a invertir en iniciativas aisladas que muchas veces se vuelven obsoletas con rapidez.
- Buscar plataformas integradas – El mayor valor de una plataforma de digitalización es su capacidad de integrar sistemas. En Siemens, los proyectos que hemos desarrollado junto con nuestros clientes en los últimos años han diseñado arquitecturas de solución que integran sistemas como Enterprise Resource Planning ERP, Manufacturing Resource Planning MRP, sistemas de planeación y programación, entre otros. Por eso, nuestras plataformas son completamente abiertas para enviar y recibir información en diferentes formatos, lo que facilita la integración de datos. Con ello aseguramos una estrategia de TI escalable e integral, evitando buscar soluciones aisladas para cada problema.
- Datos, Datos y Datos – Para que un modelo de IA funcione, lo esencial son los datos. Cada modelo necesita conocer el resultado obtenido en función de las condiciones en que operaban todas las variables del sistema. Esto implica que para un modelo tal vez necesitemos cientos o miles de mediciones. Afortunadamente, las plataformas de automatización y digitalización están cada vez más conectadas mediante protocolos de comunicación estándar, lo que permite capturar datos de forma integrada, sin intervención manual y cumpliendo con todos los requisitos de ciberseguridad.
- Acompañamiento de Socios Tecnológicos – El mundo de la digitalización y la inteligencia artificial avanza a pasos agigantados, lo que dificulta que las empresas se mantengan al día mientras atienden sus propios retos. Por eso, los proyectos de digitalización más exitosos son aquellos que se desarrollan en conjunto con las empresas dueñas de la tecnología. Así, cada proyecto cuenta con un equipo de expertos enfocado en asegurar su éxito.
En resumen, la inteligencia artificial es un desarrollo tecnológico que ayuda a las empresas a acelerar el desarrollo de sus productos, así como entender y optimizar sus procesos de manufactura. Cualquier empresa que busque avanzar en este camino hacia la digitalización puede empezar con aplicaciones concretas y el respaldo de expertos en soluciones digitales. La mejor herramienta de IA es aquella que actúa de manera transparente para el usuario, sin requerir un conocimiento técnico profundo de su funcionamiento. Lo más importante es partir siempre de un problema claro y, a partir de ahí, seleccionar la tecnología más adecuada para resolverlo.
La conclusión es clara: las empresas que busquen destacar y alcanzar una ventaja competitiva deben acelerar la adopción de plataformas digitales y transformarlas en un verdadero diferenciador de negocio.
i. https://altair.com/financial-services
ii. https://altair.com/healthcare-life-sciences
MÁS INFORMACIÓN
LinkedIn: https://www.linkedin.com/company/master-tips-4/
Juan Carlos Casis
Portfolio Development & Presales Consulting Director
