La IA agéntica ya no se limita a chatbots, creación de contenido o asistencia para código. En operaciones físicas, dijo Krish Ghosh, director ejecutivo y técnico de DreamzTech US, empresas de manufactura y gestión de instalaciones ya la están incorporando a flujos operativos.
El cambio apunta a una promesa concreta: coordinar sistemas fragmentados y responder en segundos donde antes hacía falta trabajo manual de varias personas. En una planta, explicó Ghosh, conviven ERP, CMMS, gestión de servicio de campo y administración de almacenes, además de datos que llegan desde sensores RFID e IoT. Cuando ocurre una falla, un técnico puede tardar horas en revisar manuales, historial de trabajo, ERP y supervisión antes de decidir qué hacer.
Un agente de IA, en cambio, puede cruzar historial de mantenimiento, fallas previas, manuales, inventario de partes y disponibilidad de técnicos con habilidades compatibles, para recomendar la siguiente acción. Ghosh afirmó que tareas que antes requerían de cuatro o cinco personas para reunir datos y mirar paneles ahora pueden resolverse con una respuesta coordinada.
Pero la misma lógica que vuelve útil a la IA en el mundo físico también eleva el riesgo operativo. Ghosh advirtió que uno de los errores más frecuentes de los directores de operaciones y gerentes de planta es intentar implementar IA en todo al mismo tiempo. Su recomendación es partir de un problema específico —como tiempo de inactividad, respuesta de mantenimiento, discrepancias de inventario, priorización de servicio o visibilidad de activos— y definir antes el resultado de negocio y los indicadores clave de desempeño.
También pidió mapear con precisión cómo funciona hoy el proceso, qué observará el agente, qué contexto necesitará, qué sistemas usará, qué acción ejecutará y en qué punto hará falta aprobación humana. A eso suma una advertencia central: el agente se entrenará con el proceso real de cada empresa, y cada operación es distinta.
La calidad del dato aparece como otra condición básica. Ghosh dijo que un agente necesita información confiable sobre historial de activos, estado actual, ubicación, registros de mantenimiento o inventario. Sobre datos pobres montados encima de IA, dijo haber visto a muchos adoptantes tempranos terminar decepcionados.
Antes de desplegar, insistió, hay que construir controles: permisos, umbrales de aprobación, registros de auditoría, rutas de escalamiento, manejo de excepciones, anulaciones manuales y ciberseguridad. Los permisos deben ser explícitos: qué puede leer, recomendar, iniciar o aprobar el agente, y qué nunca puede hacer. Cada acción debe quedar auditable.
Ghosh también subrayó que plant managers, técnicos y supervisores deben participar desde el inicio. Según él, son quienes mejor conocen las condiciones reales del piso y acumulan conocimiento institucional que suele faltar en los equipos técnicos.
La advertencia más dura fue otra: en un entorno productivo no se puede tomar lo que produzca la IA y actuar sin más, porque los agentes todavía pueden alucinar y sugerir algo absolutamente incorrecto. Por eso aconseja comenzar con pilotos estrechos, con aprobación humana en cada recomendación, y ampliar autoridad solo cuando exista confianza en el juicio del sistema.
En el fondo, la tesis es prudente: el futuro no es una automatización total, sino inteligencia controlada conectada al contexto operativo real. Ghosh incluso espera un giro hacia modelos locales en los próximos años, para evitar costos por tokens y mantener datos sensibles fuera de la nube.
Para el mercado, el mensaje es claro: la IA en operaciones físicas puede elevar productividad y reducir fricción, pero no sustituye disciplina, gobierno de datos ni responsabilidad humana. Capital busca reglas claras, y en este caso la regla es simple: sin controles, la promesa tecnológica puede convertirse en un nuevo foco de riesgo país para la productividad de la empresa.
