Implementar IA en la industria: lo que está funcionando, lo que frena y lo que nadie pone en el presupuesto

Según el análisis de Gartner de junio de 2025, la IA generativa está en el trough of disillusionment: el valle de la desilusión.

Tras el pico de expectativas de 2022-2023, el mercado está ajustando qué hace la tecnología versus qué prometía. Esto tiene una traducción práctica para las empresas industriales: las que entren ahora, con método y los pies en el suelo, llegan al plateau de productividad con ventaja sobre las que esperaron.

Los datos de adopción respaldan esta lectura. El uso regular de IA en industria alcanzó el 65% en 2024 y creció un 71% en 2025. El ciclo de los pilotos eternos está terminando. Ahora se habla de industrialización, de gobernanza, de integración real con los sistemas existentes. Eso es buena señal.

Lo que no ha cambiado es dónde está el impacto concreto. La mayor parte de los resultados industriales medibles no vienen de robots autónomos ni de fábricas sin operarios. Vienen de decisiones operativas mejoradas con datos. Eso es lo que la IA hace mejor en entornos industriales hoy: reducir la incertidumbre en el momento de decidir.

Estos son los casos que concentran la mayor parte del valor aplicado hoy, ordenados de menor a mayor complejidad de implementación:

Soporte técnico con IA generativa. Asistentes que permiten a operarios y técnicos consultar manuales de maquinaria, interpretar códigos de error o diagnosticar incidencias en lenguaje natural. Es el quickwin más claro: bajo coste de implementación, retorno inmediato en tiempo de resolución de incidencias y reducción de dependencia del expertise individual. Si los documentos técnicos existen, se puede tener algo funcionando en semanas.

Control de calidad con visión artificial. Cámaras con modelos de visión que detectan defectos en línea con más consistencia que la inspección manual. Funciona cuando hay suficientes imágenes etiquetadas de defectos históricos. La complejidad está en conseguir ese dataset inicial, no en el modelo.

Optimización de procesos productivos. Aquí la dificultad varía radicalmente según el alcance. Detectar cuellos de botella con datos que ya existen es un quickwin si alguien se sienta a analizarlos. Configurar parámetros óptimos de operación en tiempo real ya requiere integración IT/OT y modelos prescriptivos. Son proyectos diferentes que no deberían confundirse en el mismo presupuesto.

Mantenimiento predictivo. El caso de uso más citado y el más mal planteado. Cuando funciona bien —anticipar averías antes de que ocurran analizando temperatura, vibraciones, consumo energético— el retorno es muy claro: una parada no planificada en planta cuesta entre 5 y 10 veces más que el mantenimiento preventivo. Pero implementarlo correctamente requiere datos históricos de calidad, sensorización adecuada y modelos calibrados por máquina. Los proyectos que fracasan en este área casi siempre fallan en el dato, no en el algoritmo.

Gemelos digitales. El hardwin por excelencia. Réplicas virtuales de activos o plantas que permiten simular cambios antes de aplicarlos en el mundo real. Los beneficios son enormes cuando funciona bien: validar cambios operativos sin detener producción, visibilidad completa sobre sistemas complejos, aceleración del time-to-market. El problema de escala es conocido: lo que funciona para una máquina no escala directamente a la planta. La razón no es técnica sino semántica —y ese es un matiz que pocas veces se explica bien.

Esta fue la idea que más resonó en la jornada, y coincide exactamente con lo que vemos en proyectos. El cuello de botella no es el modelo de IA. Es el dato.

Las empresas industriales tienen hoy más datos que nunca: sensores IoT, sistemas SCADA, ERPs, MES, históricos de producción. El problema es que muchos de esos datos no tienen contexto, no están estructurados, o no se conectan entre sí. Una variable que dice «75» sin saber si es temperatura, presión o vibración, de qué activo, en qué condición operativa, no le sirve a ningún modelo.

La arquitectura semántica —ontologías, grafos de conocimiento, modelos de datos con significado— es lo que convierte datos aislados en información sobre la que la IA puede razonar. No es la parte glamurosa del proyecto, pero es la que determina si el resto funciona o no.

Las tres barreras reales que frenan a la mayoría de las empresas industriales españolas hoy:

1. Datos desordenados o incompletos. No hace falta tenerlo todo perfecto para empezar, pero sí hace falta entender qué datos tienes y qué calidad tienen antes de comprometer presupuesto en un modelo.
2. Integración con sistemas industriales. El legacy existe y no desaparece. La buena noticia es que las arquitecturas actuales permiten integrar sin tirar lo que ya funciona, pero requiere tiempo y método.
3. Cambio organizativo. La tecnología es la parte fácil. Que los equipos la adopten, que los procesos se rediseñen alrededor de ella y que la organización confíe en las recomendaciones del sistema es el trabajo largo.

Esta fue la aportación de Bjäland que más preguntas generó en la sala, y que raramente aparece en los análisis de implementación: el coste operativo de la IA no es solo el de la implementación. Es el de cada llamada al modelo, cada token procesado, cada inferencia en tiempo real.

Si no gobiernas eso desde el diseño, puedes acabar con un proyecto que técnicamente funciona pero que económicamente no tiene ROI.

Hay tres palancas concretas para controlarlo:

• Routing de modelos. No todas las tareas necesitan el modelo más potente y caro. Una clasificación de incidencias puede resolverla un modelo pequeño y barato. El diagnóstico final complejo, uno grande. Diseñar la arquitectura con ese criterio puede reducir el coste entre un 70% y un 95% según el mix.
• Caching de contexto. En muchos sistemas industriales, gran parte del prompt que se envía al modelo se repite constantemente: el manual de la máquina, las instrucciones de seguridad, el contexto del proceso. Si ese contenido no cambia, se puede cachear. La reducción en coste de tokens puede llegar al 90%, con mejora adicional en latencia del 80-85%.
• Procesamiento en batch. No todo necesita respuesta en tiempo real. Analizar históricos, clasificar documentos, etiquetar incidencias pasadas… todo eso puede ejecutarse de forma asíncrona, en lotes. Los proveedores cloud ofrecen hasta un 50% de descuento en procesamiento batch.

Combinadas, estas tres palancas pueden transformar un proyecto con coste insostenible en uno con margen positivo. Pero solo si se diseñan desde el principio, no como parche después.

Francisco Núñez explicó el rol de los centros tecnológicos y los apoyos de ICECYL para articular este proceso.

El programa CEntr@tec existe precisamente para que las pymes industriales de Castilla y León no tengan que afrontar solas esta transición.

Y hubo una frase en la ronda de diálogo que lo resumió mejor que cualquier slide: «la IA es una cuestión de competitividad para hacer que nuestras pymes no tengan que bajar la persiana».

No es dramatismo. Es la lectura correcta del momento. Las empresas que integren IA de forma operativa en los próximos dos años van a tener una ventaja estructural de eficiencia sobre las que no lo hagan. No porque la IA sea magia, sino porque tomar mejores decisiones más rápido, con menos errores y con más información, compone en el tiempo.

Antes de lanzarse a un proyecto de IA industrial, vale la pena responder estas tres preguntas con honestidad:

• ¿Sabes qué datos tienes y qué calidad tienen? No hace falta tenerlos perfectos, pero sí hace falta conocerlos. Un diagnóstico de madurez de datos es el paso cero que muchos proyectos se saltan, y por eso fracasan.

• ¿Sabes dónde está tu mayor dolor operativo? La IA aplicada al problema que más cuesta hoy —en tiempo, en dinero, en incertidumbre— tiene más retorno que la IA aplicada al caso de uso más moderno. Empieza donde duele.

• ¿Tienes estimado el coste operativo, no solo el de implementación? Si la respuesta es no, el presupuesto que tienes sobre la mesa está incompleto. El coste de operar con IA en producción puede ser tan relevante como el coste de construirlo.

Si las tres respuestas son sólidas, el proyecto tiene buenas bases. Si alguna tambalea, mejor resolverla antes de comprometer inversión.

Eventos como el de ayer en Aranda demuestran que la capacidad y el conocimiento existen en el ecosistema industrial de Castilla y León. El siguiente paso es pasar del piloto a la implementación real, con método y con las cuentas bien hechas.

Si quieres explorar cómo aplica esto a tu empresa concreta, hablamos.