Las seis tendencias que impulsan una revolución pragmática en data y AI

En los sectores de manufactura e industria ha comenzado una revolución impulsada por data y AI. Está ocurriendo prácticamente en todas las funciones, pero su impacto es especialmente notable en producción y operaciones. Esta nueva revolución se apoya en la base establecida por la Industria 4.0: va más allá de las tecnologías y capacidades impulsadas por data que introdujo, y se centra en implementaciones pragmáticas, enfocadas en generar ROI tangible y una gobernanza robusta.

En este artículo exploraremos las principales tendencias que están dando forma a esta revolución y profundizaremos en ejemplos específicos que ilustran cómo está cambiando el panorama.

Tendencia #1: AI en el edge

A medida que tecnologías como sensores IoT y dispositivos inteligentes se han integrado en procesos de manufactura e industria, las compañías han visto un crecimiento inmenso en el volumen y la variedad de data disponible. Esa data tiene un amplio rango de casos de uso poderosos: desde habilitar mantenimiento preventivo y proactivo hasta reforzar la seguridad en las plantas de producción.

Sin embargo, para habilitar casos de uso en tiempo real dentro de entornos de producción, esa data debe convertirse rápidamente en insights accionables. Como resultado, muchas organizaciones están llevando la computación más cerca del edge, permitiendo que la data se procese de inmediato, justo en el lugar donde se recolecta.

Imagina una línea de producción compleja y de múltiples etapas. En lugar de enviar grandes volúmenes de data cruda de sensores a la nube, modelos sofisticados de AI pueden desplegarse directamente en dispositivos edge conectados a cada activo o máquina. Estos modelos analizan el progreso, cada paso y la data relevante para la calidad casi en tiempo real, para detectar anomalías y predecir fallas potenciales antes de que ocurran. Esto no solo reduce la latencia y los costos de ancho de banda, sino que también permite un control autónomo, optimizando el rendimiento en esa etapa de la línea de producción según las condiciones en tiempo real.

Aunque potentes, estos despliegues en el edge traen consigo nuevos desafíos, sobre todo en su gestión. La computación en el edge requiere múltiples pipelines CI/CD para una gran cantidad de dispositivos distribuidos, en lugar de un pequeño número de sistemas centrales. Eso impacta en pipelines de data, procesos de seguridad y autorización, monitoreo operacional y mucho más.

Adoptar AI en el edge crea la necesidad de orquestar numerosos agentes y federar el aprendizaje entre ellos para entrenar modelos en data descentralizada, sin comprometer la seguridad. Para la mayoría de las organizaciones, esto exige un cambio profundo en la forma en que gestionan MLOps e integraciones de data. 

Tendencia #2: La fábrica conectada finalmente se materializa

El avance hacia entornos de fábrica completamente conectados, prometidos por la Industria 4.0, ha sido obstaculizado durante mucho tiempo por sistemas heredados fragmentados. En muchos casos, la complejidad y el costo de modernizarlos ha impedido que las organizaciones construyan entornos más integrados que habiliten AI en el edge. Pero un número creciente de organizaciones se ha dado cuenta de que cerrar las brechas entre silos puede ser casi tan efectivo como modernizarlos.

Imagina un fabricante con controladores lógicos programables (PLC) de décadas de antigüedad automatizando líneas de producción, junto a equipos más nuevos como sistemas de control distribuido (DCS) o incluso control avanzado de procesos (APC). En lugar de reemplazarlo todo, la organización podría aprovechar API gateways y message brokers para extraer data de sistemas antiguos y nuevos.

Hoy existen múltiples frameworks, capacidades y prácticas que lo hacen posible. Hemos visto una creciente adopción de formatos de data estandarizados como OPC UA. Muchas organizaciones están construyendo capas dedicadas de virtualización de data. Y Universal Name Spaces e incluso Asset Administration Shells al estilo Catena-X están ayudando a generalizar y optimizar formatos de metadata. Esto permite a analistas e ingenieros consultar data de cualquier sistema como si fuera una única base de datos unificada, habilitando analítica integral o incluso digital twins.

Por ejemplo, ahora es posible correlacionar data de sensores en tiempo real con registros históricos de mantenimiento para predecir fallas en equipos y optimizar calendarios de mantenimiento, mejorando la efectividad general de los equipos (OEE).

Tendencia #3: La transición hacia la modernización continua de sistemas heredados aislados

Las organizaciones no necesitan elegir entre integrar silos de data y una modernización más amplia de sistemas heredados. Modernizar sistemas heredados no es un proyecto único, es un recorrido continuo, que puede comenzar con integraciones relativamente simples entre sistemas aislados.

Por ejemplo, un fabricante podría tener un ERP desarrollado a medida que es difícil de mantener, pero que aún requiere cuidado constante, modernización y actualizaciones. En lugar de un rediseño completo, podría adoptar una arquitectura de microservicios, descomponiendo gradualmente el sistema monolítico en servicios más pequeños e independientes.

A lo largo de ese recorrido, el fabricante podría optar por “comprar” un módulo especializado de gestión de inventario a un proveedor COTS e integrarlo a través de APIs. Para procesos complejos y altamente personalizados, podría decidir “construir” un nuevo módulo internamente, aprovechando herramientas modernas de desarrollo y plataformas en la nube. El reto está en encontrar el balance correcto entre los sistemas que fueron “construidos”, los que la empresa debería “construir” y aquellos que tiene sentido “comprar” y personalizar.

La clave está en un enfoque pragmático, enfocado en mejoras incrementales que prioricen las funcionalidades y cambios que generen el mayor ROI. Esto ayuda a crear una “fábrica ágil”, capaz de adaptarse rápidamente a las demandas cambiantes del mercado.

Tendencia #4: Habilitar la eficiencia basada en data

Un enfoque pragmático e incremental de modernización, que priorice los cambios con mayor ROI, también debería alinearse con las condiciones de mercado y económicas que las organizaciones enfrentarán durante el resto de 2025.

Las recesiones económicas suelen exigir un enfoque en la rentabilidad inmediata. Un fabricante que enfrente una caída en pedidos podría cambiar su atención de proyectos de investigación de largo plazo hacia iniciativas que generen resultados rápidos. En momentos como estos, las organizaciones suelen aprovechar analítica de data para identificar cuellos de botella en el proceso de producción, optimizar la asignación de recursos y reducir desperdicios.

Por ejemplo, una organización podría usar machine learning para predecir fluctuaciones de la demanda y ajustar los calendarios de producción en consecuencia, minimizando costos de inventario. También podría analizar data de clientes para identificar segmentos de alto valor y personalizar campañas de marketing, maximizando la efectividad de ventas.

Incluso en una recesión, la data sigue siendo un activo crítico para impulsar eficiencia y navegar en condiciones económicas complejas. Así, aunque los proyectos de “moonshot” tengan menos probabilidad de financiamiento, la inversión en construir las capacidades centrales necesarias para habilitar eficiencia basada en data debería aumentar.

Tendencia #5: Crecientes demandas de gobernanza y confianza

En solo unos años, la gobernanza de datos ha pasado de ser una idea secundaria para muchos fabricantes a convertirse en un principio fundamental de sus operaciones.

En consecuencia, vemos a más organizaciones implementar plataformas centralizadas de gobernanza de data que permiten a los equipos aplicar políticas de acceso, rastrear la procedencia de la data y optimizar la gestión de metadata.

Sin roles y responsabilidades claramente definidos para la gestión de data, y sin lineamientos que garanticen que todas las actividades relacionadas cumplan con los requisitos regulatorios, no existe una forma sostenible de habilitar la transformación a escala. Por eso, podemos esperar que muchas más organizaciones inviertan en plataformas de gobernanza de data, herramientas automatizadas de descubrimiento y clasificación, trazabilidad de data embebida y mecanismos robustos de control de acceso.

Tendencia #6: AI lista para producción

La era de los modelos aislados en notebooks está dando paso a un enfoque más maduro y disciplinado de la ciencia de datos y la AI generativa. Y a medida que madura el enfoque de los fabricantes, las capacidades de AI que construyen se están volviendo cada vez más listas para producción y capaces de entregar un valor significativo de negocio y operacional.

Por ejemplo, imagina una empresa manufacturera desarrollando un modelo de mantenimiento predictivo para su equipamiento. La empresa construye un pipeline robusto de MLOps para automatizar el entrenamiento, el despliegue y el monitoreo de modelos. Usa feature stores para gestionar y reutilizar features pre-diseñadas, acelerando el desarrollo de modelos. Y aprovecha plataformas de procesamiento de data en la nube para manejar los enormes datasets requeridos para entrenar modelos complejos de AI. Esto permite que los modelos de AI escalen más allá de prototipos experimentales y evolucionen hacia herramientas listas para producción que generan verdadero valor de negocio.

Los LLMs open-source emergentes y los LLMs comerciales más accesibles están convirtiendo la AI lista para producción en una realidad práctica y alcanzable para miles de organizaciones. Una vez que comiencen a ver el verdadero potencial de creación de valor de la AI, podrán evolucionar aún más, avanzando hacia capacidades de vanguardia como agentic AI.

La revolución pragmática de data y AI ya ha comenzado

Cada una de estas tendencias marca un paso importante en la forma en que las organizaciones manufactureras e industriales están adoptando AI y evolucionando sus capacidades basadas en data. En conjunto, están habilitando una verdadera revolución en cómo se usan la data y la AI en la industria: una caracterizada por modernización pragmática, ejecución eficiente, gobernanza robusta y un enfoque continuo en la creación de valor.

Si logran responder de la manera correcta a estas seis tendencias, los fabricantes y otras organizaciones industriales estarán en una posición sólida para aprovechar esta oportunidad única en una generación y liderar la revolución de data y AI en su industria.

Para descubrir cómo Thoughtworks puede apoyar a tu organización en cada etapa de su recorrido con data y AI, visita thoughtworks.com/what-we-do/scaling-ai o contáctanos hoy.