Inteligencia artificial industrial segura.

Qué es la inteligencia artificial industrial

La inteligencia artificial industrial es el uso de modelos de aprendizaje automático sobre los datos que ya produce una planta (PLC, sensores, cámaras y sistemas) para detectar, contar, predecir y explicar lo que pasa en producción, con la latencia y la seguridad que exige un proceso físico. A diferencia de la IA de consumo, no responde preguntas generales: responde preguntas de planta. ¿Cuántas unidades salieron de la línea 3 este turno? ¿Este motor va a fallar antes del fin de semana? ¿Por qué bajó el OEE el martes?

Tres rasgos la distinguen de cualquier otra IA. Trabaja con datos de proceso en tiempo real, no con texto de internet. Se ejecuta donde están las máquinas, en el borde o en un servidor de la planta, porque una decisión que tarda medio segundo llega tarde. Y tiene que integrarse con lo que ya existe (SCADA, MES, ERP) sin reemplazarlo. En Chile, donde la mayoría de las plantas son medianas y operan equipos de distintas generaciones, ese tercer punto suele decidir si un proyecto funciona o se queda en piloto.

En iGromi la IA industrial se arma con los módulos de iGromi OS —visión, Edge AI, producción (OEE), mantenimiento, IoT y el Segundo Cerebro— sobre los equipos que la planta ya tiene. Si los datos tienen que llegar al ERP, la guía para integrar datos de máquinas con SAP sin cambiar el PLC explica el camino.

Los tres pilares de una planta: por qué la IA falla sin contexto

El problema de una planta no es falta de datos. Es que los datos viven en tres pilares que no se hablan entre sí:

• Activos. Máquinas, PLC, sensores, cámaras y GPS generan señales todo el turno, pero hablan protocolos que la gerencia no lee: Modbus, OPC-UA, Profinet, LoRa.
• Sistemas. SAP, ERP, MES, SCADA y planillas conocen cada uno su parte y ninguno el todo. Entre uno y otro se anota a mano.
• Personas. Operadores y gerencia. En ellos vive lo que la máquina no registra: el conocimiento, el criterio para decidir y cómo se resolvió cada problema. Hoy queda en un WhatsApp o en la memoria de alguien, y se pierde al cambiar el turno.

Lo que falta entre los tres es el contexto: qué pasó, dónde, cuándo y con qué evidencia. Un modelo que solo ve uno de los pilares produce alertas que nadie puede explicar, y una alerta que nadie explica termina silenciada. Por eso la IA industrial útil empieza por conectar los pilares y solo después por entrenar modelos. Esa es la idea detrás del Segundo Cerebro industrial: una memoria de la planta que personas y agentes consultan con evidencia.

Dónde se aplica hoy: seis áreas con resultados medibles

• Mantenimiento predictivo. Vibración, corriente, temperatura y sonido de motores, reductores y bombas. El modelo aprende la firma normal de cada equipo y avisa cuando se desvía, con días de anticipación en vez de minutos. Ver mantenimiento predictivo, la guía de mantenimiento predictivo con IoT, el análisis de vibraciones y la IA acústica.
• Visión artificial para calidad y conteo. Cámaras IP comunes, muchas veces las de seguridad que ya están instaladas, procesadas en la planta con redes como YOLOv8: detección de defectos, YOLOv8 en la industria y conteo automático.
• OEE y producción. Conteo por sensor y por receta, paradas por máquina, tiempos muertos explicados. Ver OEE y producción, la guía de software MES y la calculadora de costo de tiempo muerto.
• Energía. Consumo por lote o por unidad producida y anomalías eléctricas que anticipan fallas mecánicas. Ver gestión de energía.
• Seguridad de las personas. Visión local para zonas de exclusión, cuerdas de vida y uso de EPP, sin que las imágenes salgan de la planta.
• Conocimiento y agentes. Manuales, bitácoras y minutas consultables en lenguaje natural con evidencia (RAG), y agentes que explican una desviación en vez de solo alertarla. Ver qué es RAG, IA agéntica en manufactura e IA física.

En Chile la oferta se reparte en tres grupos: integradores de automatización que suman analítica a un SCADA, plataformas extranjeras de IoT en la nube y empresas locales que trabajan sobre los equipos que la planta ya tiene. iGromi está en el tercer grupo: conteo por visión sobre cámaras existentes, lectura de PLC en solo lectura, temperatura calibrada contra patrón y una app gratis para el turno.

Lo que no hacemos: detección de defectos sin un conjunto de imágenes etiquetadas de tu planta, ni acciones automáticas sobre una máquina. A cualquiera de ellos, iGromi incluido, aplícale los seis criterios. Para ver quién ofrece qué, revisa la comparativa de empresas de IA industrial en Chile.

Cómo empezar: un piloto acotado medido contra la realidad

No toda la IA industrial tiene que correr en el borde. La regla práctica se decide por latencia y por dato:

• Borde (Edge). Cuando la decisión depende de una cámara o de una máquina: inferencia sin ida y vuelta a internet, lectura del PLC en solo lectura y medición que sigue aunque se corte la conexión.
• On-premise. Un servidor en la planta para consolidar líneas, correr el módulo de producción (OEE) y el Segundo Cerebro. Los datos se procesan en el sitio.
• Nube. La app de turno, reportes corporativos, comparación entre plantas y modelos que se reentrenan con meses de historia.

Lo decide la empresa, no el proveedor. En iGromi la app gratis vive en la nube de iGromi, separada por empresa; Premium suma una nube propia y aislada con el modelo de IA dentro; Enterprise lleva el procesamiento a la planta con Edge u on-premise. Con TI la conversación suele ser simple: sin puertos abiertos hacia internet e IEC 62443 como marco. Las cámaras que captan personas tratan datos personales bajo la Ley 21.719: procesar en la planta reduce lo que se transfiere, pero la responsabilidad legal sigue siendo de cada empresa. Más en edge computing en la industria.

Antes de elegir proveedor, revisa los seis criterios de la IA industrial segura y cómo correr un modelo de lenguaje en local sobre los datos del PLC y el SCADA.

Los errores que más cuestan

• Empezar por el modelo y no por el dato. Sin un conteo confiable no hay predicción que valga.
• Reemplazar equipos que funcionan en vez de conectarlos.
• Mandar todo a la nube y descubrir después la latencia y la factura de ancho de banda.
• Alertas sin contexto. Un modelo que dice «anomalía» sin decir dónde, cuándo ni con qué evidencia termina silenciado en dos semanas.
• Medir el piloto con la métrica del proveedor y no con la del proceso.