Integración IT/OT y Aranceles en 2025: ¿Cambio de Ciclo Industrial?

La integración de las Tecnologías de la Información (TI) y de la Tecnología Operativa (OT), así como de los procesos y estructuras organizacionales debe ser la prioridad máxima para optimizar las operaciones industriales en 2025, debido al impacto del contexto arancelario internacional que hay que afrontar.

Si bien los aranceles pueden representar un problema demasiado desalentador en este momento, también pueden ser un catalizador para la innovación con la Integración de las Tecnologías Operativas y las Tecnologías de la Información que llegan con capacidades de IAs.

Las Industrias que sean capaces de aprovechar las oportunidades que ofrece la integración IT/OT estarán mejor posicionadas para hacer frente a los desafíos planteados por las políticas comerciales proteccionistas.

Se prevé que el mercado combinado de TI/OT superará el billón de dólares en 2027.  

• El Informe de Perspectivas de Convergencia TI/OT 2024 de IoT Analytics, publicado en octubre de 2024, proyecta que este mercado experimentará un crecimiento anual del 8,5% hasta 2030.
   
• Este análisis se basa en el software de tecnología de la información (TI), el software de tecnología operativa (OT) y el hardware de OT combinados. El tamaño del mercado en 2023 era de 720.000 millones de dólares. 
   

Hay que destacar que estas cifras representan el mercado total direccionable para la convergencia de TI y OT, incluyendo todas las tecnologías que juegan un papel en la convergencia de TI/OT, como las herramientas de IA, IoT y los Gemelos Digitales. Esto significa que se incluyen tecnologías que pueden utilizarse en escenarios que no son de convergencia TI/OT.

La convergencia TI/OT se está convirtiendo en una fuerza impulsora importante para cada una de estas tecnologías.

La razón, esta integración desbloquea un potencial inmenso para optimizar las operaciones, mejorar la eficiencia y responder a la resiliencia que van a necesitar, sobre todo con las políticas de aranceles y las demandas del mercado.

Las empresas pueden verse obligadas a reconfigurar sus Cadenas de Suministro para evitar los aranceles, lo que puede acelerar la adopción de tecnologías que permitan una mayor flexibilidad y adaptabilidad a la desglobalización.

Integración IT/OT, una estrategia que crece en las Industrias más avanzadas, a medida que la Tecnología se vuelve más compleja.

Partiendo de una base sólida, la integración de ambas mejora la visibilidad de los procesos, desde la Producción al Suministro, lo que facilita la identificación de cuellos de botella y la optimización de todos los recursos. 

Conectando los sistemas de información con los sistemas operativos de plantas de producción, almacenes y centros logísticos, las empresas pueden obtener una visión holística de los datos, más clara desde posiciones privilegiadas predictivas, estando mejor informadas para actuar de un modo seguro, analítico y estratégico. 

La combinación de datos de sensores y algoritmos de IA son los que predicen las fallas en los equipos y permiten programar el mantenimiento de forma proactiva, reduciendo tiempos de inactividad y costos con eficiencia, respondiendo a cambios, errores, desastres y condiciones en contexto real.

La convergencia de IT y OT se ha convertido en un punto focal estratégico para los Industriales en 2025 y su integración total marcará un cambio de ciclo industrial.

Esto las hace más resilientes a nivel productivo en un entorno desfavorable, con amenazas a la seguridad de sistemas, suministro y mercados con aumentos de aranceles a nivel internacional que apuntan hacia la desglobalización de las industrias como marcada Tendencia en 2025.

Los sistemas integrados, al ser más flexibles y al estar conectados, permiten la adaptación a los cambios en las regulaciones comerciales, como los ajustes en los aranceles citados.

Su integración total abre la puerta a nuevos modelos de negocio, a la personalización masiva, a la producción bajo demanda, a la economía de proximidad e incluso al crecimiento del pago por uso, acordes a los tiempos que corren, pudiendo, además, diversificar su entrada a otros subsectores, por ejemplo, haciendo que se reduzca la dependencia de un solo sector.

Los aranceles pueden aumentar los costos de producción, lo que puede obligar a las empresas a buscar formas de optimizar sus procesos y reducir costos a través de la tecnología.

Blockchain, Bases de Datos Vectoriales y Gemelos Digitales.

Blockchain es imprescindible para registrar los datos generados en la producción industrial de forma inmutable, mientras que las bases de datos vectoriales pueden ser muy útiles para buscar y analizar estos datos de manera eficiente.

Ofrece un registro inmutable de las transacciones y eventos a lo largo de toda la Cadena de Suministro, permitiendo una mayor transparencia, trazabilidad y seguridad en los procesos industriales, desde la adquisición de materias primas hasta la entrega del producto final. 

Las cadenas de bloques permiten registrar la propiedad y el historial de los activos de forma segura y transparente, facilitando la gestión de activos, la prevención de fraudes y el cumplimiento normativo.

Por otro lado, los contratos inteligentes basados en Blockchain automatizan la ejecución de acuerdos y procesos, reduciendo la necesidad de intermediarios y agilizando las operaciones.

Las bases de datos vectoriales son herramientas necesarias para almacenar y analizar datos no estructurados como imágenes, videos y texto, lo que permite identificar patrones y relaciones complejas en los datos industriales. 

Estas bases de datos facilitan la búsqueda semántica, relacionando datos similares en función de su contenido, incluso si los términos de búsqueda son diferentes, siendo muy necesarias para el entrenamiento de modelos de Aprendizaje Automático para desarrollar Aplicaciones de IA útiles y beneficiosas para las Organizaciones.

Combinando la trazabilidad de Blockchain con el análisis de datos de las bases de datos vectoriales, las empresas pueden identificar oportunidades para optimizar sus procesos y reducir costos.

Blockchain y las bases de datos vectoriales podemos usarlos para crear Gemelos Digitales más precisos y detallados de los activos y procesos industriales, para simular y optimizar el rendimiento de los sistemas antes de implementar cambios en producción, asegurando las mejoras a integrar con mayor fiabilidad.

Modelos Autónomos en la Integración de IT/OT. 

Los modelos autónomos, Inteligencia Artificial y Aprendizaje Automático, tienen un papel estratégico en la integración en esta Tendencia. Son los impulsores de la automatización, enfocando las tareas para un mayor valor agregado, analizando grandes volúmenes de datos para identificar patrones, orientando hacia posibles tendencias, hacer predicciones y ajustando los parámetros de producción para maximizar la eficiencia operativa, optimizando procesos. 

Con una mejor visibilidad de toda la Cadena de Suministro, las empresas pueden identificar de manera más precisa los costos asociados a los aranceles y tomar decisiones estratégicas para mitigar su impacto. La necesidad de adaptarse a los cambios en el entorno comercial puede generar nuevas oportunidades para proveedores, fabricantes  y distribuidores en un nuevo ciclo industrial influenciado  por el contexto arancelario.

Big data, Modelos, Calibración y Metáfora.

A la hora de entrenar un modelo propio, para la integración de IT/OT, la calibración debería ser una de las partes más importantes para generar con precisión respuestas que pueden ser imprecisas y que deben ser cuestionadas entre el modelo y la persona.

Así pues, una guía concreta para el entrenamiento de modelos con herramientas Big Data, bases de datos vectoriales y bases de datos estructuradas y no estructuradas, además de las Cadenas de bloques y Aplicaciones distribuidas, es necesaria para llegar a obtener valor de la inversión costosa que puede suponer el despliegue de todas estas tecnologías. 

La calibración es la parte más importante del entrenamiento, para que un modelo de IA, especialmente en un entorno tan complejo como la integración IT/OT, pueda ofrecer respuestas confiables.

Por ejemplo, cuando estamos enseñándole a un niño a reconocer animales a través de imágenes claras y definidas de un perro, un gato, un pájaro, etc. Con el tiempo, podemos mostrarle imágenes más ambiguas, como una silueta borrosa que complique la identificación del animal para que aprenda a identificarlo desde una dificultad. Este ejemplo, un poco simple, nos sirve para explicar la calibración de los modelos, que no es otra cosa que la capacidad  del modelo, como la del niño, de decir "no estoy seguro" cuando ve una imagen que no reconoce claramente. En un modelo de IA para la integración óptima de IT/OT, la calibración funcionaría de manera similar.

El modelo necesita aprender a reconocer patrones en grandes cantidades de datos, pero también a identificar cuándo la información es insuficiente o contradictoria para dar una respuesta precisa, quizás esto sea lo más importante.

Si lo trasladamos a un contexto industrial, imagina que queremos que una máquina aprenda a diagnosticar fallas en una fábrica, primero le enseñamos miles de ejemplos de máquinas funcionando correctamente y de máquinas con fallas. Luego, le pedimos que identifique nuevas fallas.

La calibración es como decirle a la máquina: "Si no estás segura al 100%, dilo".

Y lo más interesante de este aprendizaje es que la máquina logre aceptar esa incertidumbre. 

Es decir, debemos entrenarla para que pueda respondernos: "no lo estoy".
 

De este modo, podremos ser capaces de obtener modelos de gran valor y a largo plazo, evitando que la máquina tome decisiones erróneas que puedan causar problemas.

Los modelos de lenguaje actuales, a pesar de sus impresionantes avances, aún presentan limitaciones significativas en la comprensión de la metáfora.
Esta limitación tiene implicaciones directas en la creación de entornos integrados entre IT/OT, donde la comunicación precisa y la interpretación contextual son los factores más importantes en el éxito de tus proyectos de integración.

Los modelos se entrenan en grandes conjuntos de datos, pero carecen de una comprensión profunda del mundo real.
Esto dificulta la interpretación de expresiones figuradas que dependen de conocimientos culturales, experiencias compartidas y contexto situacional. Estos tienden a interpretar el lenguaje de forma literal, buscando el significado más directo de las palabras. Esto puede llevar a malentendidos cuando se enfrentan a expresiones metafóricas.

La comprensión de metáforas requiere la capacidad de establecer conexiones abstractas entre conceptos aparentemente dispares, una habilidad que aún está en desarrollo en los modelos de lenguaje.

En un entorno IT/OT, la comunicación entre sistemas y personas es lo primero. 

La incapacidad de comprender metáforas puede generar malinterpretaciones de comandos, dificultades en la generación de informes y limitaciones en la interacción maquina-humano natural, además de desastres industriales de todo tipo.

Si un operador utiliza una expresión metafórica para describir un problema, el modelo podría no entender la intención y realizar una acción incorrecta.  Imagina que un operador de una planta industrial le dice al sistema:"El sistema está funcionando a toda máquina". Si el modelo interpreta esta frase de forma literal, podría intentar aumentar la velocidad de todos los componentes al máximo, lo que podría provocar una sobrecarga y un fallo del sistema.

Los modelos podrían generar informes confusos o imprecisos si no pueden interpretar correctamente las metáforas utilizadas en los datos de entrada. La comunicación con los sistemas debería ser lo más natural posible. Si el modelo no puede entender el lenguaje figurado, la interacción se vuelve más rígida y menos intuitiva.

La comprensión de metáforas es un problema en el desarrollo de modelos de lenguaje.
Aunque aún existen limitaciones, los avances en este campo son significativos y parecen bastante prometedores, a la espera que en el futuro los modelos sean capaces de interpretar el lenguaje de forma más natural y flexible, permitiendo una interacción productiva, inteligente y fluida entre humanos y máquinas en entornos IT/OT.

A diferencia de los humanos, los modelos no construyen configuraciones mentales del mundo real, sus respuestas se basan en las correlaciones que han aprendido en los datos de entrenamiento.
Las decisiones críticas deben ser tomadas por expertos humanos, la ilusión de que los modelos comprenden el lenguaje puede llevar a jucios equivocados y generar problemas en toda la cadena de valor industrial. Deben ser integrados, entrenados y usados de un modo completamente responsable. 

Las secuencias de entrenamiento LLM se generan utilizando un enfoque probabilístico aleatorio, la explicabilidad de la exactitud de las recomendaciones crea retos adicionales.

La explicabilidad de los modelos de Machine Learning y Deep Learning preocupa a todas las Empresas que ven en las capacidades de IA problemas de comprensión e integración a datos, pero también en la seguridad y la dependencia de las Tecnologías hacia modelos grandes se introducen como productos ya en los softwares y no tanto como servicios. 

Los usuarios buscan comprender el razonamiento detrás de las recomendaciones, especialmente si los modelos se utilizarán en entornos críticos para la seguridad de cualquier plataforma, misión o negocio. La dependencia de la calidad de los datos y la incapacidad de rastrear las recomendaciones hasta la fuente aumentan las preocupaciones sobre la confianza en los modelos y su integración en softwares como un conjunto indisoluble. 

Ingeniería de indicaciones/pautas para la integración de IT/OT y la creación de modelos de ML/DL en la Industria.

La integración IT/OT es el primer paso para implementar tecnologías disruptivas que son caras si no se rentabilizan, como la capacidad que llega en Inteligencia Artificial de todo tipo a los Sistemas, Internet de las Cosas, Gemelos Digitales y Robótica, entre otras, un hecho que en muchos casos está ocurriendo por falta de integración y visión.

La evaluación de las competencias cognitivas y psicosociales de los entrenadores de modelos autónomos (o no) es el segundo paso para extraer valor de la Tecnología, una inversión a largo plazo que puede generar beneficios significativos a las Industrias. 

Las industrias necesitarán garantizar que las personas adecuadas estén involucradas en el proceso de entrenamiento para asegurar que los modelos autónomos (o no) sean una herramienta valiosa para el cambio de ciclo industrial que llegará.

Para el nuevo ciclo industrial, la ingeniería de software, habilitada para IA, depende de nuestra capacidad para entenderla, para continuar con las innovaciones técnicas. La ingeniería de software deberán lidiar con los más altos estándares éticos y conductas responsables. 

Podemos desarrollar con precisión y cautela experimentando con audacia el potencial de los LLM, eso si tenemos los recursos para hacerlo, pero siendo vigilantes para mejorar el desarrollo del software sin olvidarnos de los principios y prácticas fundamentales de la ética de la ingeniería y de la informática basados en el rigor de la validación empírica.