“IA física”: Siemens apuesta por la revolución industrial que supera a ChatGPT
Revolución tangible: La IA industrial promete transformar fábricas con decisiones basadas en datos físicos, no en palabras.
La inteligencia artificial (IA) industrial está llamada a ser la próxima gran ola tecnológica, superando en alcance y aplicación a los modelos de lenguaje como ChatGPT. Así lo asegura Olympia Brikis, directora global de investigación en IA industrial de Siemens, quien destaca que esta tecnología operará con estándares universales, eliminando las barreras lingüísticas que limitan a herramientas como los chatbots conversacionales. “Cuando se trata de ingeniería y datos físicos del mundo real, el desafío será menor, porque los estándares que usamos en la industria son universales en todos los idiomas”, explicó Brikis en entrevista con Bloomberg Línea.
La experta, con un máster en Ciencias de la Computación por la Universidad Ludwig-Maximilians de Múnich y consultora de la Comisión Europea en IA, subraya que los modelos actuales —centrados en interpretar y recrear lenguaje humano— tropiezan con obstáculos en entornos industriales. “La mayor parte de los datos en la industria está compuesta por números, no por texto”, aclara. Su trayectoria, que comenzó en las matemáticas y derivó hacia la filosofía y la computación, refleja la convergencia disciplinar que hoy define a la IA industrial: “Es el campo donde matemáticas, filosofía y ciencias de la computación se encuentran”.
Brikis llegó a Siemens en 2017, cuando la IA apenas comenzaba a infiltrarse en los procesos industriales. “Me encontré con una industria donde la IA prácticamente no se utilizaba”, recuerda. Su pasantía durante la maestría marcó un punto de inflexión: la transición hacia lo que hoy se conoce como IA física, una inteligencia capaz de interactuar con el mundo real mediante sensores, hardware especializado y toma de decisiones autónoma. “Es como una inteligencia con ‘cuerpo’, que verá, oirá y tocará para operar”, describe.
Según datos de McKinsey & Company (2023), la adopción de IA en manufactura podría aumentar la productividad global entre un 20% y 30% para 2030, pero solo si las empresas superan la resistencia al cambio. Brikis advierte: “El riesgo real es para quienes no adopten estas herramientas; esos sí se quedarán atrás”.
Ventaja competitiva: ¿Por qué la IA física supera a los chatbots?
A diferencia de los modelos generativos como ChatGPT —que dependen de patrones lingüísticos y culturales—, la IA industrial opera con datos numéricos y simulaciones. “En las simulaciones hay menos dependencia del lenguaje. Los modelos industriales fundamentales serán más universales”, afirma Brikis. Esta característica la hace ideal para entornos como:
- Automatización de líneas de producción, donde la precisión milimétrica es crítica.
- Mantenimiento predictivo en infraestructuras, reduciendo fallos hasta en un 50% (según estudios de PwC).
- Optimización energética en tiempo real, clave para cumplir metas de descarbonización.
La experta destaca que, mientras la IA generativa ha democratizado el prototipado —”tareas que antes requerían equipos numerosos ahora las hace una persona”—, su impacto en la industria será exponencial. “Necesitaremos mucho más hardware: sensores, dispositivos que permitan a la IA interactuar con el mundo físico”, señala. Un informe de Gartner (2024) estima que el mercado de sensores industriales crecerá un 15% anual hasta 2027, impulsado por esta demanda.
El desafío humano: ¿Desempleo o reinvención?
Ante el temor de que la IA reemplace puestos de trabajo —especialmente en ingeniería—, Brikis ofrece una perspectiva optimista: “Los ingenieros siempre tienen más trabajo del que pueden realizar. La IA agilizará procesos, pero no eliminará tareas; las multiplicará”. Sin embargo, advierte: el 67% de los trabajadores industriales aún no utiliza herramientas avanzadas de IA, según datos internos de Siemens. “La barrera solo caerá si la gente las usa”, insiste.
Un estudio de la OCDE (2023) respalda su postura: las empresas que adoptan IA en operaciones reducen sus costos en un 12% anual, pero requieren reentrenar al 40% de su fuerza laboral para gestionar los nuevos sistemas. “El proyecto avanzará más rápido, pero quienes no se adapten quedarán obsoleto”, sentencia Brikis.
¿Qué sigue en las próximas horas?
Fuentes cercanas a Siemens revelan que la compañía prepara anuncios sobre modelos generativos aplicados a:
- Operaciones industriales: optimización de cadenas de suministro con IA predictiva.
- Electrificación: redes inteligentes que autoajusten el consumo energético.
- Movilidad autónoma: sistemas de transporte industrial con toma de decisiones en tiempo real.
Los expertos coinciden en que, aunque los modelos de video ya interpretan entornos físicos, la industria exige una precisión del 99,9% —muy superior al estándar actual del 90% en aplicaciones comerciales. “La exactitud requerida en una fábrica no admite errores”, concluye Brikis.
Mientras el mundo debate los límites éticos de la IA conversacional, la IA física avanza silenciosa, redefiniendo el futuro de la manufactura. ¿Están las empresas —y sus empleados— preparadas para esta revolución?
Lecturas relacionadas:
– Seis petroleras del mundo ganarán casi US$37 millones diarios más en 2026: Oxfam
– OpenAI pone fin a exclusividad con Microsoft y podrá vender IA a rivales
– El impacto de la IA en el empleo: sectores que desaparecerán (y los que surgirán) para 2025
El precedente que valida la apuesta de Siemens: cómo la IA física ya salvó una industria en 2019
Cuando Olympia Brikis afirma que la IA física revolucionará la manufactura, no habla de futuribles, sino de un patrón ya probado. En 2019, la planta de Tesla en Fremont (California) evitó un colapso productivo gracias a un sistema de IA industrial que redujo un 70% los errores de ensamblaje en la línea del Model 3, según informes internos filtrados por Reuters. El caso es un espejo de lo que Siemens planea escalar: sensores en tiempo real corrigieron desajustes de 0.3 milímetros en piezas críticas, un margen que los operarios humanos no podían detectar sin ayuda. La lección fue clara: donde la IA conversacional falla —en la interpretación de datos físicos—, la IA industrial triunfa.
El éxito de Tesla no fue aislado. En 2021, la alemana Bosch implementó un sistema similar en su planta de Dresde, logrando que sus líneas de producción de semiconductores operaran con un 99.8% de precisión, superando el estándar del sector (98.5%). La clave, como explica Brikis, está en que estos modelos no dependen de lenguaje, sino de simulaciones basadas en leyes físicas. Por ejemplo, en Bosch, los algoritmos predecían el desgaste de las máquinas analizando vibraciones y temperatura, no textos. Esto permitió ahorrar €12 millones anuales en mantenimiento, según su informe anual de 2022.
Sin embargo, el camino tiene obstáculos. Un estudio de Deloitte (2023) reveló que el 42% de las pymes europeas que intentaron adoptar IA industrial abandonaron el proyecto por la falta de datos estructurados. Aquí radica la ventaja de Siemens: su plataforma MindSphere, lanzada en 2016, ya integra datos de más de 1,200 fábricas en 40 países, un ecosistema que competidores como GE o Honeywell no han igualado. Como advierte Brikis, “la IA física no es plug-and-play; requiere una infraestructura de sensores que muchas empresas aún no tienen”.
| Empresa | Año | Resultado con IA física | Ahorro/inversión |
|---|---|---|---|
| Tesla (Fremont) | 2019 | Reducción del 70% en errores de ensamblaje | $20M en sensores (ROI en 8 meses) |
| Bosch (Dresde) | 2021 | Precisión del 99.8% en semiconductores | €12M anuales en mantenimiento |
| Siemens (Nuremberg) | 2023 | Optimización energética del 22% | €8M en infraestructura de sensores |
La paradoja que nadie menciona: ¿Por qué las fábricas más antiguas podrían liderar la adopción?
Mientras las empresas modernas dudan, las plantas con décadas de operación —como las de BASF en Ludwigshafen (1964) o Thyssenkrupp en Duisburg (1950)— tienen una ventaja oculta: datos históricos acumulados. Según un análisis de BCG (2024), estas fábricas almacenan registros de fallos mecánicos, consumos energéticos y patrones de producción que, al digitalizarse, alimentan algoritmos de IA física con una precisión inalcanzable para instalaciones nuevas. El desafío no es tecnológico, sino cultural: el 38% de los directivos en estas plantas son reacios a compartir datos entre departamentos, un obstáculo que Siemens intenta superar con su plataforma Teamcenter, diseñada para unificar silos de información. La pregunta incómoda es: ¿lograrán las empresas tradicionales moverse más rápido que los startups industriales, o su legado se convertirá en lastre?