¿Se han preguntado cómo la IA agéntica ya es parte de los procesos de una planta?
Una bomba de lubricación de un molino SAG empieza a vibrar: 6,8 mm/s y subiendo. En cinco años no hay un solo aviso de esta falla.
Un modelo de machine learning necesita ejemplos para aprender. Si la falla casi nunca ocurre, no tiene con qué.
Me puse a leer cómo describe McKinsey la IA agéntica, y dos ideas me hicieron sentido para mantenimiento.
De herramienta a colaborador
La primera: un agente combina autonomía, planificación, memoria e integración con otros sistemas. Deja de ser una herramienta que espera la pregunta y pasa a ser un colaborador que persigue un objetivo. Recibe la alerta y decide solo qué consultar y en qué orden.
La paradoja de la IA generativa
La segunda es una paradoja: casi 8 de cada 10 empresas ya usan IA generativa, y una proporción parecida no ve un impacto relevante en sus resultados. Sospecho que parte de la explicación está en que muchos asistentes responden preguntas, pero no se conectan con la operación ni con una decisión concreta.
Lo que me llevo
Para las fallas raras, el conocimiento ya existe. Está en el capítulo de troubleshooting del manual del fabricante, solo que nadie alcanza a leerlo cuando la alarma está sonando.
Un agente sí puede. Consulta las señales en línea, busca en el manual, cruza lo que dice el texto con lo que muestran los sensores y descarta causas. En este caso, el filtro de aceite se está tapando y la bomba cavita. Lo detecta antes de abrir el molino y propone qué hacer, citando la sección del manual.
Y la decisión sigue siendo de las personas. La IA propone; la persona decide.
En el video muestro el caso completo, con datos ilustrativos, en 30 segundos:
Si un agente pudiera leer todos los manuales de sus equipos y cruzarlos con las señales en línea, ¿qué falla rara de su planta le pondrían a prueba primero?
Si tienen dudas o quieren conversar cómo llevar esto a su operación, no duden en escribirme.
Referencias
- McKinsey — “Seizing the agentic AI advantage”, 2025. mckinsey.com
- MathWorks / Embedded Computing Design — “The Perplexities of Predictive Maintenance: Generating and Leveraging Failure Data”. embeddedcomputing.com
- Chalmers University of Technology — “Leveraging Generative AI for Predictive Maintenance: Building a Knowledge Base for Fault Diagnosis”, 2025. odr.chalmers.se
Publicado originalmente en LinkedIn el 10 de noviembre de 2026.
