La inteligencia artificial se ha convertido en una de las oportunidades más atractivas para la manufactura. En la planta, puede servir para mantenimiento predictivo, optimización de producción, mejora de calidad, asistencia al operador y, cada vez más, para sistemas de IA agéntica.
Pero la tesis central de Claudio Laterreur es menos celebratoria que prudente: el entusiasmo puede crear un punto ciego. Muchas empresas saben que la IA depende de buenos datos, aunque sus sistemas de información operativa siguen fragmentados, demorados o mal contextualizados. Con datos de segunda mano, recuerda, las predicciones y recomendaciones de IA también serán de segunda mano.
El costo no termina en la compra del software ni en la integración. Laterreur pide mirar el caso de negocio completo: supervisión humana, gobierno y revalidación, exposición a ciberseguridad y privacidad, posible responsabilidad legal, y la infraestructura de cómputo y energía que sostiene estos sistemas. Son partidas que a menudo no aparecen con claridad en el presupuesto original, pero forman parte de la economía real de desplegar IA de manera responsable.
Uno de los costos ocultos más inmediatos es el de los humanos en el circuito. La IA manufacturera no siempre puede tratarse como un copiloto administrativo, porque sus recomendaciones tienen consecuencias físicas. Si un agente genera cientos de sugerencias por turno y cada una requiere revisión, aprobación o gestión de excepciones, la organización puede terminar creando un cuello de botella laboral que no estaba incluido en el retorno sobre la inversión.
La energía también entra en la ecuación. Laterreur cita el informe especial de la Agencia Internacional de Energía sobre energía e IA, que estima que los centros de datos consumieron unos 415 TWh a nivel global en 2024 y proyecta aproximadamente 945 TWh para 2030 en su escenario base. En manufactura, ese costo puede llegar de forma indirecta vía consumo en la nube, precios de proveedores o inversión en infraestructura.
La responsabilidad, además, no desaparece cuando intervienen proveedores, modelos o integradores. El fabricante sigue siendo responsable de lo que ocurra en su operación. Un problema de calidad, una falla de equipo, un incumplimiento con clientes o un incidente de seguridad sigue ocurriendo dentro de la empresa, aunque la recomendación haya salido de una plataforma de IA.
Por eso Laterreur subraya que los derechos de decisión, los umbrales de aprobación, la auditabilidad y la rendición de cuentas deben convertirse en controles operativos esenciales. La supervisión humana reduce riesgo, pero también recorta parte del ahorro laboral prometido por agentes más autónomos. En otras palabras: más autonomía puede generar más valor, pero también devuelve costos al negocio.
La ciberseguridad y la privacidad añaden otra capa. A medida que la IA accede a estados de máquina, recetas, órdenes de producción, historial de mantenimiento, actividad del operador e información de calidad, crece también el entorno que debe ser gobernado. IBM reportó en su investigación de 2026 que más del 20% de las organizaciones sufrió una brecha contra modelos o aplicaciones de IA; además, el 27% de esos incidentes involucró APIs, aplicaciones o complementos comprometidos, y otro 27% configuraciones erróneas en la nube que afectaron cargas de trabajo de IA.
El fondo del asunto es simple: la IA puede elevar productividad y margen, pero el costo total de adopción es más amplio que el de una licencia o un proyecto piloto. Capital busca reglas claras. En este caso, la regla es contable y operativa: medir el valor de la automatización junto con el costo de controlarla.
Los números primero. Si la manufactura quiere capturar el retorno de la IA sin erosionar su productividad con riesgos ocultos, tendrá que presupuestar supervisión, resiliencia y responsabilidad desde el día uno. El mercado ya votó: la tecnología que promete eficiencia también exige disciplina, porque en la planta un error no es solo una falla de software, sino un golpe a la producción, al cliente y al capital invertido.