Analicemos con más detalle este vídeo en el que Laurent Bourgouin, director ejecutivo de Samp, se parece a Sam Altman. La industria pesada está adoptando de forma masiva en la actualidad la IA agentiva —sistemas autónomos inteligentes capaces de observar, razonar y actuar con un mínimo de instrucciones humanas—. Se espera que estos sistemas optimicen las operaciones, reduzcan el tiempo de inactividad y mejoren la eficiencia general de cualquier instalación industrial.
Tal y como se menciona en la publicación de Vlad Larichev, el nuevo informe de Wharton/GBK revela que el 72 % de las empresas realiza actualmente un seguimiento del retorno de la inversión (ROI) de la IA generativa y que el 75 % obtiene resultados positivos; sin embargo, el MIT constata que solo alrededor del 5 % está logrando realmente un éxito escalable y repetible. A pesar de la discrepancia en los informes sobre la adopción, podemos reconocer que existen factores organizativos y operativos complejos que frenan o retrasan el progreso.
El principal reto al que suelen enfrentarse los agentes de IA en entornos industriales reales es que dependen por completo de la precisión y la exhaustividad de los datos de los que disponen. Sin datos fiables, incluso la IA más avanzada tomará decisiones erróneas, lo que provocará ineficiencias operativas o fallos del sistema.
Gran parte de los datos operativos de las fábricas, las plantas y los entornos de infraestructura son incompletos, incoherentes o están desconectados de lo que realmente ocurre sobre el terreno. Los historiales de los equipos suelen ser parciales o estar mal etiquetados, y los conocimientos de los operadores permanecen en cuadernos y en conversaciones entre turnos, en lugar de estar registrados en los sistemas.
Por ello, en el pasado, iniciativas como el análisis del IoT, el mantenimiento predictivo y la optimización energética se han enfrentado al mismo problema: los proyectos piloto funcionan, pero fracasan a gran escala… porque los datos subyacentes no reflejan las condiciones reales sobre el terreno.
Aquí es donde Shared Reality se vuelve esencial. Antes de implementar agentes que tomen decisiones autónomas, las organizaciones necesitan una visión verificada y continuamente alineada del entorno físico: un entendimiento compartido entre las personas, los sistemas y la IA sobre el estado de las máquinas, los procesos y los activos. Esto garantiza que los datos se corrijan y se contextualicen con las observaciones sobre el terreno. Así, cuando los datos reflejan la realidad, los agentes de IA pueden, por fin, razonar y actuar con confianza. Para que la IA agentiva funcione en el mundo real, debemos corregir continuamente la capa de realidad de los datos al tiempo que automatizamos sobre ella, lo cual constituye la propuesta de valor fundamental de Shared Reality. Es la base que transforma la IA de impresionantes demostraciones en un rendimiento industrial fiable. Además, gracias a los flujos de trabajo de actualización, se garantiza que los datos 3D estén continuamente alineados con los cambios que se producen sobre el terreno.
Asimismo, «Shared Reality» hace algo más que simplemente alinear datos: se conecta directamente a los sistemas existentes de una empresa. A través de API, vincula datos de ERP, MES, CMMS, SCADA y sistemas de registro histórico con datos 3D verificados sobre el terreno. Y pronto será compatible con protocolos como MCP, lo que le permitirá interactuar con agentes de IA. En lugar de añadir otro silo de datos, constituye la capa de contextualización 3D validada sobre el terreno en la que pueden confiar todos los agentes de IA, las herramientas de análisis y el software.
