Uso de IA combinada ¿Cuáles son los beneficios para la industria?

La inteligencia artificial agente, una gran noticia de 2026, está permitiendo que diferentes tecnologías de IA trabajen juntas. Esta inteligencia unificada permitirá una colaboración radical de nuevas maneras, afirma Jim Chappell, Jefe Global de IA de AVEVA.

Hace solo un par de décadas, los oncólogos diagnosticaban el cáncer cerebral combinando tres imágenes de diferentes escáneres en una sola: la estructura ósea de la TC, los tejidos blandos de la RMN y la actividad metabólica de la PET. Cuando un sistema integrado llamado PET-MRI automatizó esta síntesis, la precisión diagnóstica mejoró en un 40% de los casos, detectando lesiones que las exploraciones individuales no detectaban. La industria se encuentra en un punto de inflexión similar con la inteligencia artificial (IA): los negocios ahora se configuran no por modelos o aplicaciones individuales, sino por sistemas orquestados definidos por la colaboración radical entre diferentes tipos de IA.

Jim Chappell, Jefe Global de IA de AVEVA -líder mundial en software industria-, afirma que “la IA es una ciencia amplia cuyos resultados dependen de la implementación, la calidad de los datos y la interpretación humana. Durante dos décadas ha permitido el mantenimiento predictivo, la automatización de flujos de trabajo, la optimización de procesos y la inspección visual en la industria. Hoy en día, estas diferentes tecnologías de inteligencia industrial se utilizan conjuntamente, y cada una suele desempeñar una función específica dentro de flujos de trabajo integrados”.

Ninguno de estos tipos de IA reemplaza a los demás. Más bien, cada uno funciona de forma diferente, y el valor proviene de su fusión. Piénsalo como un ecosistema de IA de ventana única, no como un despliegue de un solo uso o un conjunto de herramientas desconectadas.

Desde herramientas aisladas hasta inteligencia industrial integrada

Así es como funciona. Los modelos fundamentales de IA, como los LLM, se ubican en la cima. Comprenden el lenguaje y el contexto de todo el sistema, proporcionando una interfaz común para datos, equipos y herramientas. Por debajo de estos se encuentran las aplicaciones de IA especializadas, cada una gestionando un aspecto diferente de la cadena de valor: la IA de visión inspecciona productos o activos; la IA de diseño generativo automatiza la ingeniería 3D sin interferencias; los modelos de series temporales pronostican fallos o demanda; los modelos de optimización afinan las operaciones y reducen el desperdicio.

Entre estas capas se encuentran los agentes de IA, que realizan tareas específicas dentro de parámetros predefinidos. Los orquestadores de software y los LLM coordinan la operación, pasando el trabajo entre estos agentes y tomando decisiones para que la operación se desarrolle fluidamente bajo parámetros predefinidos sin supervisión constante. De hecho, se espera que la IA con agentes genere unos USD $650.000 millones en ingresos adicionales para 2030 en todos los sectores, y la automatización de tareas repetitivas generará hasta un 50% de ahorros de costos, según un estudio de McKinsey. Para finales de año, es probable que más de un tercio (40%) de las aplicaciones empresariales se integren con agentes de IA para tareas específicas, frente a menos del 5% en 2025.¹

“Esta nueva dinámica de IA permite la integración y flujos de decisión de varios pasos, en lugar de inferencias aisladas para acciones puntuales. Gracias a las mejoras continuas del sistema y a decisiones más inteligentes, las empresas industriales pueden esperar resultados prácticos como una ejecución más rápida, mayor resiliencia y rentabilidad compuesta, tanto dentro de las organizaciones como externamente en todos los ecosistemas. La IA pasa de ser una herramienta de eficiencia interna a una ventaja competitiva compartida”, comenta Jim Chappell.

Resultados reales de la integración en el mundo real

La integración puede conectar sistemas de IA a través de límites que antes estaban aislados, como en el caso de los socios del ecosistema. En el Reino Unido, el productor de electricidad baja en carbono Drax y la empresa de gestión de recursos SUEZ colaboran para apoyar la transición a cero emisiones netas del país. Las empresas contaban con años de datos minuto a minuto de sensores de equipos, como temperaturas, presiones, caudales y vibraciones. Mediante el uso de historiadores de datos de series temporales, análisis predictivos e IA prescriptiva, los socios ahora planifican el mantenimiento, compran repuestos y programan intervenciones impacto mínimo, todo con la potencia computacional de un ordenador de escritorio. Drax recibió una alerta anticipada de una posible falla del transformador, lo que evitó cuatro semanas de inactividad, mientras que SUEZ detectó movimientos mecánicos inusuales antes de que el problema se agravara.² La lección: el éxito empresarial depende de que los sistemas de IA se comuniquen entre sí.

Por qué la mayoría de las empresas siguen quedándose atrás

Pero aunque estos son resultados impresionantes, siguen siendo poco frecuentes. Aquí está la incómoda verdad: el 88% de las organizaciones utilizan IA en al menos una función empresarial, pero solo un tercio la escala en toda la empresa, según McKinsey.³

Esto es importante porque el año 2026 no es indulgente. La industria se enfrenta a un alto riesgo en la cadena de suministro: el 78% de los ejecutivos prevé interrupciones continuas debido a las tensiones geopolíticas, la incertidumbre en las políticas comerciales y la volatilidad arancelaria durante los próximos dos años.⁴ La resiliencia operativa también sigue siendo una preocupación para los directivos: más del 60 % de los fabricantes informaron de paradas no planificadas el año pasado.⁵ Mientras tanto, las paradas no programadas cuestan a las empresas de Fortune 500 entre USD $500 mil y USD $1 millón por hora.⁶

El ejecutivo de AVEVA explica que “pronto podremos ver a organizaciones utilizando una pila de IA integrada para facilitar la toma de decisiones colaborativa en sus redes internas y externas. Las empresas que adoptan ecosistemas integrados con múltiples IA mejoran la eficiencia de los datos en un 76% y reportan un mayor rendimiento competitivo en general, lo que demuestra cómo la integración de la IA transforma la ventaja estratégica”.⁷

Los requisitos previos para el éxito

Por supuesto, existen matices. Si bien las aplicaciones de IA pueden ofrecer resultados rápidos, su uso inadecuado puede ralentizar su adopción. Las aplicaciones de IA deben estar alineadas con los objetivos y metas empresariales, con ciclos de retroalimentación integrados. Asimismo, las empresas deben adoptar estándares abiertos (como el Protocolo de Contexto de Modelo y Agent2Agent) para el intercambio de datos y la interoperabilidad entre agentes.

Lo más crucial es la preparación de la fuerza laboral: casi la mitad de los trabajadores desean una capacitación más formal para realizar mejor su trabajo.⁸ Por lo tanto, una gestión sólida del cambio es más importante que nunca.

Lo que el año 2026 exige no es solo más inteligencia, sino una colaboración radical entre diferentes tipos de inteligencia, entregada con la rapidez suficiente para anticipar y responder a los desafíos del mercado. Los modelos individuales optimizan dentro de límites estrechos, pero los sistemas industriales no operan dentro de esas limitaciones.

La PET-MRI transformó la medicina al analizar la estructura y la función de forma conjunta, no por separado. Del mismo modo, cuando diferentes tipos de IA trabajan juntos, esta inteligencia industrial proporciona una visión más completa de las operaciones y los equipos pueden determinar la mejor estrategia para cada entidad a lo largo de la cadena de valor. Menos ruido, mejores decisiones.

La inteligencia artificial agente, una gran noticia de 2026, está permitiendo que diferentes tecnologías de IA trabajen juntas. Esta inteligencia unificada permitirá una colaboración radical de nuevas maneras, afirma Jim Chappell, Jefe Global de IA de AVEVA.

Hace solo un par de décadas, los oncólogos diagnosticaban el cáncer cerebral combinando tres imágenes de diferentes escáneres en una sola: la estructura ósea de la TC, los tejidos blandos de la RMN y la actividad metabólica de la PET. Cuando un sistema integrado llamado PET-MRI automatizó esta síntesis, la precisión diagnóstica mejoró en un 40% de los casos, detectando lesiones que las exploraciones individuales no detectaban. La industria se encuentra en un punto de inflexión similar con la inteligencia artificial (IA): los negocios ahora se configuran no por modelos o aplicaciones individuales, sino por sistemas orquestados definidos por la colaboración radical entre diferentes tipos de IA.

Jim Chappell, Jefe Global de IA de AVEVA -líder mundial en software industria-, afirma que “la IA es una ciencia amplia cuyos resultados dependen de la implementación, la calidad de los datos y la interpretación humana. Durante dos décadas ha permitido el mantenimiento predictivo, la automatización de flujos de trabajo, la optimización de procesos y la inspección visual en la industria. Hoy en día, estas diferentes tecnologías de inteligencia industrial se utilizan conjuntamente, y cada una suele desempeñar una función específica dentro de flujos de trabajo integrados”.

Ninguno de estos tipos de IA reemplaza a los demás. Más bien, cada uno funciona de forma diferente, y el valor proviene de su fusión. Piénsalo como un ecosistema de IA de ventana única, no como un despliegue de un solo uso o un conjunto de herramientas desconectadas.

Desde herramientas aisladas hasta inteligencia industrial integrada

Así es como funciona. Los modelos fundamentales de IA, como los LLM, se ubican en la cima. Comprenden el lenguaje y el contexto de todo el sistema, proporcionando una interfaz común para datos, equipos y herramientas. Por debajo de estos se encuentran las aplicaciones de IA especializadas, cada una gestionando un aspecto diferente de la cadena de valor: la IA de visión inspecciona productos o activos; la IA de diseño generativo automatiza la ingeniería 3D sin interferencias; los modelos de series temporales pronostican fallos o demanda; los modelos de optimización afinan las operaciones y reducen el desperdicio.

Entre estas capas se encuentran los agentes de IA, que realizan tareas específicas dentro de parámetros predefinidos. Los orquestadores de software y los LLM coordinan la operación, pasando el trabajo entre estos agentes y tomando decisiones para que la operación se desarrolle fluidamente bajo parámetros predefinidos sin supervisión constante. De hecho, se espera que la IA con agentes genere unos USD $650.000 millones en ingresos adicionales para 2030 en todos los sectores, y la automatización de tareas repetitivas generará hasta un 50% de ahorros de costos, según un estudio de McKinsey. Para finales de año, es probable que más de un tercio (40%) de las aplicaciones empresariales se integren con agentes de IA para tareas específicas, frente a menos del 5% en 2025.¹

“Esta nueva dinámica de IA permite la integración y flujos de decisión de varios pasos, en lugar de inferencias aisladas para acciones puntuales. Gracias a las mejoras continuas del sistema y a decisiones más inteligentes, las empresas industriales pueden esperar resultados prácticos como una ejecución más rápida, mayor resiliencia y rentabilidad compuesta, tanto dentro de las organizaciones como externamente en todos los ecosistemas. La IA pasa de ser una herramienta de eficiencia interna a una ventaja competitiva compartida”, comenta Jim Chappell.

Resultados reales de la integración en el mundo real

La integración puede conectar sistemas de IA a través de límites que antes estaban aislados, como en el caso de los socios del ecosistema. En el Reino Unido, el productor de electricidad baja en carbono Drax y la empresa de gestión de recursos SUEZ colaboran para apoyar la transición a cero emisiones netas del país. Las empresas contaban con años de datos minuto a minuto de sensores de equipos, como temperaturas, presiones, caudales y vibraciones. Mediante el uso de historiadores de datos de series temporales, análisis predictivos e IA prescriptiva, los socios ahora planifican el mantenimiento, compran repuestos y programan intervenciones impacto mínimo, todo con la potencia computacional de un ordenador de escritorio. Drax recibió una alerta anticipada de una posible falla del transformador, lo que evitó cuatro semanas de inactividad, mientras que SUEZ detectó movimientos mecánicos inusuales antes de que el problema se agravara.² La lección: el éxito empresarial depende de que los sistemas de IA se comuniquen entre sí.

Por qué la mayoría de las empresas siguen quedándose atrás

Pero aunque estos son resultados impresionantes, siguen siendo poco frecuentes. Aquí está la incómoda verdad: el 88% de las organizaciones utilizan IA en al menos una función empresarial, pero solo un tercio la escala en toda la empresa, según McKinsey.³

Esto es importante porque el año 2026 no es indulgente. La industria se enfrenta a un alto riesgo en la cadena de suministro: el 78% de los ejecutivos prevé interrupciones continuas debido a las tensiones geopolíticas, la incertidumbre en las políticas comerciales y la volatilidad arancelaria durante los próximos dos años.⁴ La resiliencia operativa también sigue siendo una preocupación para los directivos: más del 60 % de los fabricantes informaron de paradas no planificadas el año pasado.⁵ Mientras tanto, las paradas no programadas cuestan a las empresas de Fortune 500 entre USD $500 mil y USD $1 millón por hora.⁶

El ejecutivo de AVEVA explica que “pronto podremos ver a organizaciones utilizando una pila de IA integrada para facilitar la toma de decisiones colaborativa en sus redes internas y externas. Las empresas que adoptan ecosistemas integrados con múltiples IA mejoran la eficiencia de los datos en un 76% y reportan un mayor rendimiento competitivo en general, lo que demuestra cómo la integración de la IA transforma la ventaja estratégica”.⁷

Los requisitos previos para el éxito

Por supuesto, existen matices. Si bien las aplicaciones de IA pueden ofrecer resultados rápidos, su uso inadecuado puede ralentizar su adopción. Las aplicaciones de IA deben estar alineadas con los objetivos y metas empresariales, con ciclos de retroalimentación integrados. Asimismo, las empresas deben adoptar estándares abiertos (como el Protocolo de Contexto de Modelo y Agent2Agent) para el intercambio de datos y la interoperabilidad entre agentes.

Lo más crucial es la preparación de la fuerza laboral: casi la mitad de los trabajadores desean una capacitación más formal para realizar mejor su trabajo.⁸ Por lo tanto, una gestión sólida del cambio es más importante que nunca.

Lo que el año 2026 exige no es solo más inteligencia, sino una colaboración radical entre diferentes tipos de inteligencia, entregada con la rapidez suficiente para anticipar y responder a los desafíos del mercado. Los modelos individuales optimizan dentro de límites estrechos, pero los sistemas industriales no operan dentro de esas limitaciones.

La PET-MRI transformó la medicina al analizar la estructura y la función de forma conjunta, no por separado. Del mismo modo, cuando diferentes tipos de IA trabajan juntos, esta inteligencia industrial proporciona una visión más completa de las operaciones y los equipos pueden determinar la mejor estrategia para cada entidad a lo largo de la cadena de valor. Menos ruido, mejores decisiones.