La inteligencia artificial industrial no es un chatbot respondiendo preguntas genéricas. Es un agente que lee manuales OEM, interpreta alarmas SCADA y sugiere acciones al operador. Es una red neuronal que inspecciona cordones de soldadura a 60 fps y manda reject al PLC. Esta guía separa la IA real de operación del marketing y explica qué se puede implementar hoy en una planta mexicana.
IA industrial vs IA de oficina: la diferencia que importa
La IA de oficina genera presentaciones, resume correos y automatiza reportes. La IA industrial opera bajo restricciones que cambian todo el diseño:
- Latencia real: una inspección visual tiene 50 ms para decidir si la pieza pasa o no. Un agente de alarmas tiene segundos, no minutos.
- Consecuencias físicas: un falso positivo detiene la línea. Un falso negativo deja pasar un defecto. Ambos cuestan dinero real.
- Datos de planta: series de tiempo de PLC, imágenes de cámaras industriales, logs SCADA — no texto limpio de internet.
- Entorno hostil: polvo, vibración, temperatura, sin internet confiable. El modelo tiene que correr en edge.
- Regulación: en farma (21 CFR Part 11), automotriz (IATF 16949) y alimentos (FSSC 22000) cada decisión automatizada debe ser trazable y auditable.
Estas restricciones eliminan el 90% de las demos bonitas y dejan solo las arquitecturas que funcionan en producción real.
Agentes LLM con RAG: el copilot del operador
Un agente LLM (Large Language Model) con RAG (Retrieval-Augmented Generation) es un asistente que responde preguntas del operador usando documentación real de la planta como contexto — no conocimiento genérico de internet.
Cómo funciona
- Ingestión de documentos: manuales OEM, P&IDs, procedimientos de operación, histórico de alarmas, fichas técnicas de equipos. Se vectorizan y almacenan en una base de datos vectorial (ChromaDB, Pinecone, Weaviate).
- Consulta del operador: "¿Qué hago si la bomba P-201 tiene alarma de alta vibración?" El sistema busca en los documentos relevantes los fragmentos más pertinentes.
- Generación con contexto: el LLM (Claude, GPT, Llama 3 local) genera una respuesta basada exclusivamente en la documentación recuperada, citando fuentes.
- Acción supervisada: el agente puede sugerir cambiar un setpoint, abrir una orden de trabajo o escalar al supervisor — pero el operador confirma antes de ejecutar.
Casos de uso probados
- Turno nocturno sin ingeniero: el operador consulta al agente en vez de esperar al día siguiente. Reduce tiempo de respuesta a alarmas de horas a minutos.
- Onboarding de operadores nuevos: el agente conoce todos los procedimientos y manuales. El nuevo operador pregunta en lenguaje natural en vez de buscar en carpetas.
- Diagnóstico de fallas recurrentes: el agente cruza el histórico de alarmas con los manuales OEM y sugiere causas raíz probables.
En plantas con política de datos confidenciales (propiedad intelectual de proceso), el LLM corre local: Llama 3 en un servidor con GPU, o modelos cuantizados en NVIDIA Jetson. Cero datos salen de la planta.
Deep learning en piso de planta
El deep learning (redes neuronales profundas) resuelve problemas donde las reglas explícitas fallan: inspección visual, clasificación de defectos, detección de objetos en escenas complejas.
Visión artificial con deep learning
La combinación más madura de deep learning industrial es la inspección visual automatizada:
| Aplicación | Arquitectura típica | Velocidad | Hardware |
|---|---|---|---|
| Inspección de soldadura | YOLOv8 + clasificador CNN | 60 fps | NVIDIA Jetson AGX Orin |
| Detección de defectos superficiales | ResNet-50 fine-tuned | 30 fps | Jetson Orin NX |
| Conteo y clasificación de piezas | YOLOv8-nano | 120 fps | Jetson Orin Nano |
| Safety: detección de personas en zona | YOLOv8 + DeepSORT tracking | 30 fps | Jetson AGX Orin |
| OCR industrial (lotes, fechas, códigos) | PaddleOCR + post-procesamiento | 15 fps | Jetson Orin NX |
Series de tiempo con deep learning
Más allá de la visión, el deep learning también aplica a datos de proceso:
- Autoencoders LSTM para detección de anomalías en series de tiempo multivariable (presión + temperatura + flujo + vibración simultáneamente).
- Transformers temporales para pronóstico de demanda energética o producción a mediano plazo.
- Redes convolucionales 1D para clasificación de patrones de vibración en motores y compresores.
Deep learning no es siempre la respuesta. Si un XGBoost con 15 features resuelve el problema con 95% de accuracy, no necesita una red neuronal de 50 millones de parámetros. El deep learning gana cuando los datos son no estructurados (imágenes, audio, texto) o cuando las relaciones temporales son complejas.
Modelos agénticos: razonar y ejecutar
Un modelo agéntico va más allá de responder preguntas: razona sobre un objetivo, descompone el problema en pasos y ejecuta acciones — con supervisión humana en el loop.
Diferencia con un chatbot
| Aspecto | Chatbot / LLM básico | Modelo agéntico |
|---|---|---|
| Input | Pregunta del usuario | Objetivo + contexto de planta |
| Razonamiento | Respuesta directa | Plan multi-paso con decisiones intermedias |
| Herramientas | Solo texto | Consulta SCADA, lee historian, abre OT, ejecuta cálculos |
| Acción | Sugiere | Ejecuta (con aprobación humana) |
| Memoria | Solo la conversación | Contexto persistente del turno y la máquina |
Ejemplo concreto: agente de diagnóstico de alarmas
- SCADA dispara alarma "Alta vibración en bomba P-201".
- El agente consulta el historian: ¿cuándo empezó a subir la vibración? ¿Hay correlación con temperatura o flujo?
- Busca en manuales OEM: causas probables de alta vibración para este modelo de bomba.
- Cruza con histórico de mantenimiento: ¿cuándo fue la última intervención? ¿Se cambió rodamiento?
- Genera diagnóstico: "Vibración correlacionada con aumento de temperatura de rodamiento. Última intervención hace 14 meses. Probable desgaste de rodamiento lado libre. Recomendación: inspección en próxima ventana de mantenimiento (prioridad alta)."
- Propone abrir orden de trabajo en el CMMS — el supervisor aprueba con un click.
El framework técnico detrás: LangChain / LlamaIndex / CrewAI orquestando herramientas (funciones que leen datos de OPC UA, consultan SQL del historian, buscan en el vector store de documentos).
Stack técnico: herramientas que usamos
El stack de IA industrial de DYMSY:
| Capa | Herramientas | Cuándo |
|---|---|---|
| LLMs | Claude, GPT-4, Llama 3 (local via Ollama/vLLM) | Agentes, RAG, generación de reportes |
| Orquestación | LangChain, LlamaIndex, CrewAI | Agentes multi-herramienta, RAG pipelines |
| Deep learning | PyTorch, TensorFlow, Ultralytics (YOLO) | Visión, series de tiempo, NLP industrial |
| Vector stores | ChromaDB, Pinecone, pgvector | RAG sobre manuales y documentación |
| Edge inference | NVIDIA Jetson (Orin family), TensorRT, ONNX | Modelos en piso sin cloud |
| Visión industrial | Cognex, Keyence, OpenCV + YOLO | Inspección, safety, conteo |
| Tracking ML | MLflow, Weights & Biases | Versionado de modelos, experimentos |
| Datos | InfluxDB, TimescaleDB, PostgreSQL, OPC UA | Historian, features, conectividad |
La elección entre cloud y local depende de tres factores: política de datos del cliente, latencia requerida, y volumen de inferencia. Para inspección visual a 60 fps no hay opción — es edge. Para un agente RAG que responde en 3 segundos, cloud es viable si la política lo permite.
Cómo empezar un piloto de IA industrial
Un piloto de IA industrial bien estructurado toma 6–10 semanas y responde una pregunta concreta del negocio:
- Semana 1–2: Definición del caso. ¿Qué decisión queremos automatizar o apoyar? ¿Qué datos existen? ¿Quién es el usuario final (operador, supervisor, ingeniero)?
- Semana 3–4: Exploración de datos. Conectar al historian/SCADA, extraer datos, evaluar calidad y volumen. Si es visión: capturar imágenes representativas (buenas + defectos).
- Semana 5–6: Desarrollo del modelo. Entrenar, validar, definir métricas de aceptación (precision, recall, latencia, availability).
- Semana 7–8: Integración. Conectar el modelo al flujo real: señal del PLC, pantalla del operador, alarma SCADA, o dashboard.
- Semana 9–10: Validación en planta. Correr en paralelo con el proceso actual. Medir impacto real vs baseline. Ajustar umbrales.
Inversión típica de un piloto: $200,000 – $500,000 MXN según complejidad (visión + edge hardware es más caro que un agente RAG). La mayor parte se recicla si se decide escalar.
Lo que NO recomendamos: arrancar con un proyecto de 12 meses y $2M sin validar primero. Piloto corto, resultado medible, decisión informada.
Preguntas frecuentes
¿Necesito GPU en planta para usar IA?
Depende del caso. Para agentes RAG (copilot de operador), un servidor con CPU es suficiente si el LLM corre en cloud, o una GPU de consumo (RTX 4090) si corre local con Llama 3. Para visión artificial a alta velocidad (>30 fps), sí se requiere GPU industrial — recomendamos NVIDIA Jetson Orin family por robustez y soporte industrial.
¿Los datos de mi planta salen a internet?
Solo si usted lo autoriza. Podemos correr todo local: LLM con Ollama/vLLM en servidor dentro de la planta, vector store en PostgreSQL local, inferencia en Jetson. Cero datos cruzan el firewall. Si prefiere cloud (más potencia, menos hardware), usamos APIs con encriptación TLS y contratos de procesamiento de datos.
¿Cuántas imágenes necesito para entrenar un modelo de visión?
Para detección de defectos típica: 200–500 imágenes por clase de defecto, más 500+ imágenes de piezas buenas. Con técnicas de data augmentation y transfer learning (partir de un modelo pre-entrenado) se reduce el requerimiento. Para casos complejos o regulados, 1,000+ por clase es más seguro.
¿Qué diferencia hay entre IA y Machine Learning?
Machine Learning es un subconjunto de IA enfocado en modelos que aprenden de datos: regresión, clasificación, clustering, árboles de decisión, XGBoost. Inteligencia Artificial es más amplio: incluye ML pero también agentes que razonan (LLMs), sistemas que planifican (modelos agénticos), y deep learning (redes neuronales profundas). En la práctica industrial, ML resuelve problemas de predicción con datos tabulares, y IA resuelve problemas que requieren razonamiento, visión o lenguaje natural.
¿Puedo usar ChatGPT directamente en mi planta?
ChatGPT genérico no conoce su planta, sus equipos ni sus procedimientos. Lo que implementamos es un sistema con RAG que usa un LLM (puede ser GPT, Claude o Llama 3) pero alimentado con la documentación real de su operación. La diferencia es enorme: el agente responde con información específica y verificable de su planta, no con conocimiento genérico de internet.