Desde hace dos años, cada vez que una empresa industrial habla de inteligencia artificial, habla en realidad de una sola cosa: modelos de lenguaje. ChatGPT, copilotos, asistentes. La pregunta que escucho en reuniones ya no es “¿qué problema queremos resolver?”, sino “¿cómo metemos IA generativa en la planta?”.
Es la pregunta al revés, y lleva a proyectos caros que no llegan a producción.
El malentendido de fondo
Un LLM (Large Language Model) es un modelo entrenado para predecir texto. Lo hace extraordinariamente bien, y de esa capacidad salen habilidades sorprendentes: resumir, redactar, traducir, razonar sobre documentos, responder preguntas en lenguaje natural.
Pero la mayoría de los problemas de una planta no son problemas de texto. Son problemas de números:
- ¿Va a fallar este rodamiento en las próximas 72 horas?
- ¿Qué lote va a salir fuera de especificación?
- ¿Cuánto vamos a producir la semana que viene?
- ¿Este valor del sensor es normal o es una anomalía?
- ¿Qué parámetro de proceso minimiza el consumo de energía?
Son preguntas sobre datos estructurados: series temporales, variables de proceso, historiales de fallas, registros de producción. Para eso existe desde hace décadas una familia de algoritmos diseñados específicamente para ese tipo de datos, y siguen siendo la mejor herramienta.
Por qué un LLM suele ser la herramienta equivocada para datos de planta
1. No está hecho para aritmética ni para series temporales. Un LLM procesa tokens, no magnitudes. Puede “conversar” sobre una tabla de vibraciones, pero no modela la dinámica de esa señal como lo hacen un modelo de forecasting o un detector de anomalías entrenado sobre esos datos.
2. No es determinista. La misma entrada puede producir respuestas distintas. En un chat eso es tolerable. En una decisión de parar una línea, no.
3. Puede inventar. Una alucinación en un resumen de reunión es una molestia. Una alucinación en un umbral de seguridad es un incidente.
4. Es difícil de explicar y validar. Un modelo de gradient boosting te dice qué variables pesaron en la predicción. Un ingeniero de procesos puede discutir ese resultado, contrastarlo con la física del proceso y confiar en él. Con un LLM esa trazabilidad es mucho más débil.
5. Latencia, costo e infraestructura. Muchas decisiones en planta se toman en milisegundos, en el borde (edge), a veces sin conexión a internet. Un Isolation Forest corre en un equipo modesto al lado de la máquina. Un LLM grande necesita otra infraestructura y tiene otro costo por inferencia.
Lo que sí resuelve cada problema
| Problema industrial | Tipo de problema | Algoritmos candidatos | ¿LLM? |
|---|---|---|---|
| Mantenimiento predictivo | Clasificación / regresión sobre sensores | Random Forest, XGBoost, LSTM | No |
| Predicción de scrap o calidad | Clasificación supervisada | Regresión logística, XGBoost | No |
| Detección de anomalías | No supervisado | Isolation Forest, Autoencoder, One-Class SVM | No |
| Forecasting de demanda o producción | Series temporales | ARIMA, Prophet, XGBoost | No |
| Inspección visual | Visión por computadora | CNN, detección de objetos | No |
| Optimización de parámetros | Optimización | Modelos de regresión + optimizadores | No |
| Consultar manuales y procedimientos | Recuperación de conocimiento | RAG sobre documentación | Sí |
| Explicarle un resultado al operario | Interfaz en lenguaje natural | LLM sobre la salida de otro modelo | Sí |
La columna de la derecha dice mucho: en el núcleo analítico de la planta, el LLM casi nunca es la respuesta. En la capa de conocimiento y de interfaz, sí.
Dónde un LLM sí agrega valor en la industria
No se trata de descartar la IA generativa, sino de ubicarla donde rinde:
- Conocimiento operativo: manuales, procedimientos, órdenes de trabajo históricas, lecciones aprendidas. Un asistente con RAG que responda “¿cómo se recalibra este equipo?” citando el procedimiento vigente ahorra horas reales.
- Interfaz entre personas y modelos: el modelo predictivo detecta que un equipo tiene alta probabilidad de falla, y el LLM lo traduce: “El compresor 3 muestra un patrón de vibración similar al de las fallas de marzo. Se recomienda inspección antes del próximo turno.”
- Documentación y reportes: partes de turno, informes de incidentes, resúmenes de producción.
- Orquestación: un agente que consulta el sistema de mantenimiento, ejecuta el modelo correcto y arma la respuesta.
En todos estos casos el LLM no reemplaza al algoritmo cuantitativo. Se monta encima de él.
Un ejemplo concreto
En el trabajo que hicimos sobre producción pesquera aparece un problema típico: comparar lo que cada embarcación declara a bordo con lo que efectivamente se descarga en planta. Las diferencias pueden ser normales (merma, humedad, errores de pesaje) o pueden indicar algo que hay que revisar.
La tentación es preguntarle a un LLM “¿hay algo raro en estos datos?”. Lo correcto es entrenar un detector de anomalías sobre el historial de diferencias por embarcación, especie y época del año, que marque qué casos se salen del patrón. Recién ahí tiene sentido que un LLM redacte el reporte para el jefe de planta.
El algoritmo decide. El LLM comunica.
Cinco preguntas antes de elegir
Antes de decidir qué tipo de IA usar, conviene responder estas cinco preguntas:
- ¿Cuál es exactamente la decisión que queremos mejorar? Si no se puede escribir en una línea, todavía no hay proyecto.
- ¿Los datos son texto o son números? Si son variables de proceso, sensores o registros de producción, empezá por ML clásico.
- ¿Cuánto cuesta equivocarse? Cuanto más alto el costo, más importan el determinismo y la explicabilidad.
- ¿Dónde y en cuánto tiempo tiene que correr? En el borde y en milisegundos, o en la nube y en minutos: la respuesta descarta opciones.
- ¿Quién va a usar el resultado? Si es un operario o un gerente, probablemente haya lugar para un LLM en la capa de comunicación.
Conclusión
La pregunta correcta no es “¿cómo uso IA generativa en mi planta?”, sino “¿qué algoritmo resuelve mejor este problema, con estos datos y con este costo de error?”.
En la gran mayoría de los casos industriales, la respuesta va a ser un modelo que nadie publicita en los titulares: un XGBoost, un Isolation Forest, un modelo de forecasting bien entrenado. Y en una parte de los casos, un LLM encima para que las personas puedan usar ese resultado.
No toda IA sirve para la industria. El desafío es elegir el algoritmo correcto para el problema correcto.
Damián Giacone — IA Industrial · Machine Learning · IT/OT · Industria 4.0