¿Su estrategia de IA es realista o solo una ilusión?

Luke Durcan, director de EcoStruxure en Schneider Electric, relata una conversación con un ejecutivo de una firma industrial que declaró: «Queremos hacer algo de IA. Queremos meter IA en nuestro proceso lo más rápido posible».

Cuando Durcan preguntó: «¿Cuándo?», el ejecutivo respondió: «Probablemente julio».

Durcan observó que el ejecutivo claramente carecía de comprensión profunda de los procesos, mecanismos y requisitos necesarios para lograr la integración de IA. Señaló que, en muchos contextos industriales, la «IA» se usa a menudo como palabra de moda en lugar de capacidad concreta.

Expertos en analítica industrial y data science coinciden consistentemente en un enfoque disciplinado, paso a paso: contextualizar datos, luego aplicar analítica, machine learning y técnicas de deep learning para lograr resultados de negocio reales.

Atif Kureishy, jefe de la iniciativa de IA y deep‑learning de Teradata, define la IA como un conjunto de técnicas de soporte —analítica, machine learning, deep learning— adaptadas para resolver problemas de negocio específicos. «Por ejemplo, el deep learning —usando redes neuronales, computación basada en GPU y datos de alta dimensionalidad— permite predicciones cada vez más precisas», explica Kureishy.

Industrias que han adoptado estas técnicas temprano incluyen tecnología de consumo, servicios financieros y seguros. Retail, telecomunicaciones y automoción siguen de cerca. En manufactura, el sector automotriz está entre los adoptantes más rápidos, impulsado por su foco en vehículos autónomos.

Durcan destaca la industria de petróleo y gas como pionera en sectores de proceso. «Estas organizaciones han invertido en datos, infraestructura y tecnología durante décadas porque consistentemente ha entregado valor», dice.

Más adelante en la curva de madurez, bienes de consumo envasados, materiales, minerales y minería muestran progreso constante, mientras fabricantes discretos —como productores de electrónica— ya están bastante avanzados.

Entonces, ¿qué deberían hacer las firmas industriales rezagadas para ponerse al día en la era de Industria 4.0, fábricas inteligentes e IA? ¿Y qué próximos pasos deberían tomar las empresas de nivel medio?

El primer movimiento es una auto‑auditoría para asegurar una base robusta de data science. Teradata a menudo asiste a clientes en la construcción de los elementos fundamentales que han servido a sus clientes bancarios por 30 años. Muchas empresas industriales deben identificar los datos contextuales que poseen, calibrar sensores y enfocarse en «data‑science 101» —talento, herramientas y entorno.

Según la investigación de Gartner 2023, más del 87 % de las organizaciones en todos los sectores exhiben baja madurez en business intelligence y analítica.

Al inicio, un fabricante puede desplegar una red de sensores en sus operaciones para capturar las condiciones que un material experimenta durante la producción. Con datos contextuales en mano, la empresa puede detectar anomalías que preceden a defectos y desperdicio. «Eso aún no es predicción completa, pero es una mejor caracterización del proceso», nota Kureishy.

Durcan subraya que la tecnología debe integrarse con personas y procesos. «En una instalación brown‑field típica, empleados experimentados poseen conocimiento de proceso invaluable. Sus herramientas de IA deben complementar esa experiencia, entregando valor incremental», dice.

Una vez que una firma tiene una base sólida de data science, puede explorar técnicas más avanzadas como redes neuronales. A medida que crece la madurez, el foco cambia de describir eventos a correlacionar variables y establecer causalidad. «Cuando ocurre A, sucede B, así que sabemos que C se materializará», explica Kureishy. «Este insight predictivo permite intervención proactiva».

Mayor sofisticación permite recomendaciones prescriptivas para optimizar o arreglar procesos. El ápice de este viaje es la detección y resolución de anomalías totalmente automatizada —esencialmente, un «terminator» automatizado de defectos, bromeó Kureishy.

Durcan advierte que el viaje de IA no tiene destino final. «No hay nirvana en el horizonte; el panorama sigue evolucionando», dice.

Finalmente, los líderes de la industria deben priorizar la integración de datos. Los datos por sí solos son solo el punto de partida para modelos predictivos o analíticos. Entender la jerarquía de activos, modelo y contexto es crítico. Desde allí, las organizaciones pueden construir flujos de datos detallados e infraestructura, permitiendo visualizaciones descriptivas y respuestas operativas. «Eso es para lo que el 90 % de la gente usa los datos», añade Durcan. «El primer paso es el más difícil».