Agentes de IA en la industria: qué hacen y qué acotar

Desde hace dos años, la industria ha aprendido a dialogar con sus datos: una herramienta resume un informe, recupera un historial, redacta un acta. Útil, pero espera a que se le pida algo y se detiene en la sugerencia.

La etapa siguiente tiene nombre: el agente. Un agente no se limita a responder. Vigila, razona y actúa dentro de un perímetro definido. Es el tema industrial de 2026, y también el que más prudencia merece.

Copiloto o agente: la verdadera diferencia

Ambos se apoyan en los mismos modelos; la diferencia no es técnica, está en el poder de actuar.

Un copiloto responde a una petición. Usted formula una pregunta, propone una respuesta, y nada ocurre mientras no retome el control. Es lo que hace la IA generativa aplicada a la industria desplegada en 2025: prepara, sugiere, deja la decisión a la persona.

Un agente da un paso más: vigila un flujo de datos de forma continua, razona sobre lo que observa y luego desencadena una acción dentro de un perímetro fijado de antemano. Es un cambio de naturaleza. Allí donde el copiloto escribe una frase, el agente crea un registro, modifica un plan o abre un ticket.

Ligera en la pantalla, esta diferencia es enorme en términos de responsabilidad: un sistema que actúa debe estar acotado, trazado y vigilado mucho más estrictamente que un sistema que se limita a proponer.

Lo que un agente ya hace en la fábrica

Tres casos concretos, todos dentro de un perímetro estrecho y bien definido:

• Mantenimiento. Un agente vigila las firmas vibratorias de una máquina rotativa. Cuando una firma se degrada más allá de un umbral, no se limita a alertar: crea la orden de trabajo en el sistema de mantenimiento, con el contexto de la medición. La persona recibe un ticket documentado, no una simple alarma.
• Calidad. Un agente clasifica los defectos reportados por una línea: compara una observación con casos pasados, propone una categoría, la encamina al circuito adecuado. La clasificación, repetitiva y que consume mucho tiempo, queda preparada antes de que un inspector decida.
• Aprovisionamiento. Un agente hace seguimiento de los plazos de los proveedores. Cuando un proveedor se retrasa, reequilibra el plan de aprovisionamiento dentro de los límites que se le han fijado, o propone un arbitraje si la desviación se sale del marco.

Estos tres casos tienen un punto en común: perímetro estrecho, dato de entrada claro, acción modesta y reversible. Ahí es donde la IA agéntica aporta algo tangible hoy, no en la fantasía de una fábrica que se pilota sola.

2026: la IA agéntica pasa a producción, con prudencia

2026 es el año en que la IA agéntica pasa del laboratorio a la oferta comercial. Para la mayoría de las plantas, el proyecto dominante no consiste en partir de cero: es hacer evolucionar los copilotos instalados en 2025 hacia una ejecución agéntica, un caso de uso cada vez.

El informe Deloitte 2026 «State of AI in the Enterprise» mide la brecha: cerca de tres empresas de cada cuatro prevén adoptar la IA agéntica en los próximos dos años, pero solo una de cada cinco aproximadamente afirma disponer de un modelo operativo preparado. El apetito va por delante de los cimientos.

La observación de Gartner apunta en la misma dirección: más del 40 % de los proyectos de IA agéntica podrían ser abandonados de aquí a 2027, por tres razones recurrentes: un valor de negocio poco claro, unos costes subestimados y una complejidad mal anticipada.

Estas cifras no descalifican a la IA agéntica: recuerdan que un proyecto lanzado sin un caso de uso preciso, sin datos fiables y sin gobernanza engrosa la estadística de los abandonos. La prudencia es aquí la condición de supervivencia del proyecto.

Qué automatizar y qué acotar

El principio de selección es sencillo de enunciar y exigente de aplicar: automatizar las decisiones reversibles y bien acotadas, poner una barrera humana ante las decisiones irreversibles, de seguridad o de integridad.

Una decisión reversible se puede corregir: crear una orden de trabajo inútil cuesta unos minutos de clasificación, reordenar una cola de tareas no críticas no pone nada en peligro. Son buenos candidatos para la automatización, porque el error, cuando ocurre, sigue siendo poco costoso y visible.

Una decisión irreversible, de seguridad o de integridad, no entra en la misma categoría. Declarar la aptitud para el servicio de un equipo a presión, validar una recualificación, detener o mantener una explotación: estas decisiones comprometen una responsabilidad que ningún sistema asume en lugar de una persona competente. Ante ellas, el agente prepara el expediente, pero una persona decide.

Esta frontera es la que ya estructura la validación humana de las salidas de una IA. La IA agéntica no la desplaza, la vuelve más crítica: un sistema que actúa sin validación propaga su error más lejos y más rápido.

Gobernanza y seguridad de los agentes

Un agente conectado a los sistemas que pilotan la fábrica, MES, ERP o SCADA, deja de ser un asistente: es un actor del sistema de información industrial, y hay que tratarlo como tal.

El sector se lo toma en serio. En 2026, la Open Secure AI Alliance, que reúne entre otros a NVIDIA, Microsoft, Siemens, SAP, Hugging Face y CrowdStrike, trabaja precisamente cuatro bloques: la identificación de los agentes, la gestión de sus permisos, su aislamiento y la trazabilidad de sus acciones.

En la práctica, priman dos exigencias. Primero, unos permisos acotados: un agente solo actúa sobre el perímetro que se le confía explícitamente, nunca más allá. Después, una trazabilidad completa: cada acción debe poder rastrearse hasta el dato que la desencadenó y hasta la regla que la autorizó, sin lo cual no es posible ninguna auditoría. Estas exigencias prolongan las que ya documenta el reglamento europeo sobre la IA para los usos sensibles.

También coinciden con los riesgos clásicos de la IA en la industria: un agente mal compartimentado abre un acceso más entre la ofimática y la red de producción, y un agente demasiado permisivo se convierte en una vía de fuga de datos o de shadow AI que nadie había cartografiado.

Queda el límite más honesto, y a menudo silenciado: el verdadero cuello de botella de la IA agéntica no es el modelo, es la calidad de los datos, la capa de datos sobre la que el agente razona. Un agente que actúa sobre datos malos actúa de forma equivocada, simplemente más rápido. Y la orquestación de varios agentes coordinados, muy destacada en las demostraciones, sigue siendo rara en producción.

Un agente solo vale por lo que lee, y los datos de inspección estructurados forman parte de ello. Es el nicho de una plataforma como Integrity Loop: inteligencia documental sobre los informes de inspección, que transforma PDF dispersos en datos estructurados, historizados y consultables. Ni GMAO, ni ERP, ni gemelo digital, sino una pieza de la capa de datos fiable que un agente requiere antes de cualquier automatización.

Empezar sin quemarse

• Automatizar una decisión irreversible para impresionar.La demostración halaga, pero una decisión de seguridad confiada a un agente desplaza una responsabilidad indelegable.
• Conectar un agente a un dato no fiable.Un agente que lee datos malos actúa de forma equivocada más rápido. La calidad del dato se trata antes de la automatización, no después.
• Dar permisos demasiado amplios.Un agente que puede actuar más allá de su perímetro se convierte en un riesgo de seguridad y en una vía de fuga. Los permisos se acotan a lo estrictamente necesario.
• Descuidar la trazabilidad.Una acción que no se puede rastrear hasta su causa no es ni auditable ni corregible. Sin registro, el agente no tiene sitio en una cadena de decisión.
• Confundir piloto y generalización.Apuntar de entrada a una orquestación multiagente, todavía rara en producción, expone a la complejidad y a los costes que hacen fracasar a casi uno de cada dos proyectos.