La IA en la industria ha dejado de ser una promesa de laboratorio para convertirse en una palanca de negocio. En el Curso de Verano de la Universidad de Cantabria en Laredo, ponentes de Deduce Data Solutions y otros expertos compartieron cómo se aplica de verdad: con casos, con límites y con frases que merece la pena guardar.
Si trabajas en producción, logística, calidad o dirección, seguro que ya te has hecho la pregunta: ¿por dónde empiezo con la inteligencia artificial sin perderme en el ruido? Hemos reunido las ideas más valiosas que se compartieron sobre IA en la industria, ordenadas por temas. No es teoría abstracta: es lo que funciona —y lo que no— cuando llevas la IA del cuaderno de pruebas a la planta.
Lo que vas a encontrar
- Comprender antes de optimizar
- Qué es (y qué no) la IA generativa
- Visión artificial en la fábrica
- Del dato a la decisión
- Del no-code al “vibe coding” y los agentes
- Del “boceto” a producción: MLOps
- Hablar con los documentos
- La IA también es una cuestión legal
- Implantar no es olvidar
- ¿Por dónde empezar?
01. Comprender antes de optimizar
La sesión de apertura la condujo Diego Tuccillo, de Deduce Data Solutions, y marcó el tono de todo el curso. Su mensaje de partida fue tan directo como incómodo: la IA en la industria ya no es opcional.
O se implementa, o te quedas atrás, con todas las desventajas que eso implica.— Diego Tuccillo, Deduce Data Solutions
Pero Diego huyó del discurso fácil. Frente al “humo” habitual, defendió empezar por lo que la tecnología todavía no puede hacer: antes de vender la IA, hay que contar también sus límites. Esa honestidad es, precisamente, lo que separa un proyecto que aguanta en producción de una demo que impresiona un martes y se cae el jueves.
También explicó, de forma muy visual, por qué las personas y las máquinas aprenden distinto: cuando entendemos las reglas de algo, dejamos de fallar; un modelo, en cambio, necesita miles de ejemplos y solo sabe lo que le has enseñado. De ahí el lema con el que DDS resume su forma de trabajar y que atraviesa este artículo: comprender antes de optimizar. Primero entender el proceso y el dato; después, automatizar.
Clave para llevarte
La adopción de IA en la industria no va de sustituir personas, sino de entender bien el problema. Si no comprendes el proceso, la IA solo acelerará tus errores.
02. Qué es (y qué no) la IA generativa
Steven van Vaerenbergh, de la Universidad de Cantabria, desmontó parte de la magia. Un modelo de lenguaje no “piensa”: predice el siguiente fragmento de texto apoyándose en una arquitectura llamada Transformers, que desde 2017 convirtió imágenes y palabras en tokens que la máquina procesa. Su repaso a la generación de imágenes dejó una frase muy comentada —“hemos pasado de los seis dedos a una calidad casi indistinguible”— y un criterio práctico que encaja perfecto en la industria:
Usa la IA cuando verificar el resultado te salga más barato que producirlo a mano.— Steven van Vaerenbergh, Universidad de Cantabria
03. Visión artificial en la fábrica
Sergio Pesquera, de Siali (Santander), aterrizó la IA en la planta con la visión artificial: cámaras que hacen control de calidad en líneas de producción. Su mejor explicación fue una analogía doméstica: “mi hija reconoce que eso es un gato aunque le falte una pata; enseñárselo a una máquina exige muchísima variedad”. La conclusión aplica a cualquier proyecto: la confianza de un modelo depende directamente de la calidad y variedad de los datos con los que se entrena. Y cuando funciona, el impacto es tangible:
Hemos pasado de un coste de horas de ingeniero a un coste de horas de operario.— Sergio Pesquera, Siali
04. Del dato a la decisión
Raúl Santos, CEO de Zwit Project, subió la mirada del taller al territorio: la tecnología no es el fin. La clave no es poner más sensores ni tener más plataformas.
La tecnología existe para servir a la persona, no al revés.— Raúl Santos, CEO de Zwit Project
Su tesis conecta con el corazón de la IA en la industria: pasar de la intuición a la evidencia.
Santos lo ilustró con quince años de trabajo en el territorio rural, resumidos en una frase: «España no tiene un problema demográfico, tiene un problema de arquitectura territorial».
De ahí nació el TRI (Territorio Rural Inteligente), reconocido en 2018 por el Parlamento Europeo como caso de estudio de Smart Eco-Social Villages antes de que la IA formara parte del sistema.
La IA entró después, capa a capa: el ICVR mide la distancia real a 74 servicios esenciales por municipio y, mediante el IVN (Índice de Viabilidad de Nicho) —su lectura inversa, cruzando esa carencia con la masa demográfica real—, identifica nichos de emprendimiento viables allí donde un servicio falta y la población lo sostiene.
ARCAD-IA cruza esa señal con datos oficiales y ciudadanos para convertirla en caso de inversión; Rural Mind lleva el servicio al ciudadano, con un asistente conversacional y un mercado local ya activo en Cantabria.
Es la misma lógica que sostiene la IA en la industria: convertir un dato disperso en una decisión con fundamento.
Como prueba en producción, citó Rural Care 360: 280 usuarios activos en cuatro comunidades autónomas, con tablet y voz, IA conversacional, en lugar de app móvil —el 72 % de los mayores no usa smartphone (CSIC, 2025).
Hoy el modelo opera en cinco comarcas de cuatro comunidades autónomas. Santos planteó, como hipótesis abierta, que la misma arquitectura —medir, analizar, actuar sobre un sistema disperso— es trasladable a cualquier operación industrial dispersa. Es, en el fondo, otra manera de mirar la IA en la industria: primero medir para poder decidir.
05. Del no-code al “vibe coding” y los agentes
Una de las sesiones más prácticas corrió a cargo de Carlos, experto en desarrollo de soluciones con IA. Repasó la evolución de las herramientas: del no-code de cajitas y flujos al desarrollo asistido por IA, el llamado “vibe coding”. ¿Por qué ha cambiado todo? Por una razón simple:
La interfaz más humana que existe es el lenguaje natural. Por eso las herramientas tradicionales de cajitas se han quedado obsoletas.— Carlos, experto en desarrollo con IA
Ahora bien, avisó de un peligro clásico: la máquina es literal. Si no le pones los límites, se los inventa; por eso hay que ser muy estricto con las especificaciones. También dejó un apunte de oro para quien empieza: cada familia de modelos responde distinto. Los modelos de Anthropic rinden mejor con objetivos y pocas instrucciones; los GPT de OpenAI, con instrucciones muy definidas; y los de la familia Gemini destacan en creatividad de texto.
Y explicó el riesgo de fiarlo todo a la IA con un ejemplo que arrancó risas: le pides “cámbiame la diapositiva 9” y te devuelve toda la presentación cambiada. La lección es que hay que saber verificar. Sobre los agentes, una definición que quita misterio:
Un agente es como un contrato —la definición de una función— que necesita reglas y guardarraíles para cumplirse siempre.— Carlos, experto en desarrollo con IA
El resto no es magia: un agente ejecuta un bucle (detecta un evento, decide, aplica una política, respeta restricciones y actúa) y, cuando la decisión es crítica, siempre debe quedar un feedback humano.
06. Del “boceto” a producción: MLOps
Aquí llegó una de las charlas centrales, a cargo de Alberto Mora, Head of Infrastructure de Deduce Data Solutions. Su punto de partida es la distinción que más empresas descubren tarde:
Un modelo entrenado en un cuaderno es solo un boceto. Llevarlo a producción es rodearlo de herramientas: versionado, registros, observabilidad y reentrenamiento.— Alberto Mora, Head of Infrastructure, Deduce Data Solutions
Mora desgranó el “stack” de MLOps que sostiene cualquier proyecto serio de IA en la industria, pieza a pieza: control de versiones para el código, pero también para los datos y para los modelos (no basta con Git); un almacén para los ficheros pesados; una API para “servir” el modelo a una web o a otra herramienta; un sistema de etiquetado; y contenedores (Docker) para que lo que funciona en tu portátil funcione igual en el servidor del cliente. Como resumió: “el clásico ‘en mi máquina funciona’ se acaba con Docker”.
Dos ideas suyas valen por toda una consultoría. La primera, sobre qué determina de verdad la calidad de un sistema:
Los modelos buenos solo viven de datos buenos.— Alberto Mora, Head of Infrastructure, Deduce Data Solutions
La segunda, un truco de eficiencia que cambia los números de cualquier proyecto: el etiquetado asistido. En vez de etiquetar 10.000 imágenes a mano, entrenas un modelo pequeño, dejas que pre-etiquete y tú solo corriges. La reducción de trabajo es de órdenes de magnitud. Y otro recordatorio de higiene que en las empresas cuesta caro olvidar: nunca subas tus claves ni tus API keys a un repositorio; se gestionan aparte, fuera del código.
Clave para llevarte
El 90 % del éxito de un proyecto de IA en la industria no está en el algoritmo, sino en la ingeniería que lo rodea y en la calidad del dato. Ahí es donde un piloto llamativo se convierte —o no— en un sistema fiable.
07. Hablar con los documentos
El curso también dedicó espacio a un problema que toda organización sufre y casi nadie mide: el caos documental. Se estima que buena parte de la información de una empresa vive en documentos no estructurados, y encontrarla consume muchísimo tiempo. La IA generativa, con técnicas como RAG (búsqueda aumentada por recuperación), permite “hablar” con los documentos: en lugar de guardar una foto de un contrato de 200 páginas, el sistema comprende de qué trata, lo resume y responde citando la fuente. Un enfoque expuesto por Alberto Monge, de LIS Data Solutions, y que refuerza una idea transversal del curso: sin soberanía y buen gobierno del dato —dónde reside, quién accede y con qué permisos— no hay proyecto de IA sostenible.
08. La IA también es una cuestión legal
El bloque legal, a cargo de Natalia, de ENS Legal, recordó algo que en la euforia tecnológica se olvida:
La IA ya no es solo una cuestión tecnológica. Es de gobernanza y de derechos fundamentales.— Natalia, ENS Legal
Explicó que el Reglamento europeo de IA —el primero del mundo— se organiza por niveles de riesgo (inaceptable, alto, limitado y mínimo) y que la mayoría de los usos industriales caen en “alto riesgo”: seguridad de máquinas, visión que detiene una línea, vehículos. Eso implica gestión de riesgos, documentación y evaluación de conformidad. ¿El motivo de fondo?
Un error humano afecta a unas pocas personas. Una IA puede afectar a millones. Lo que más preocupa es la escala.— Natalia, ENS Legal
También avisó del sesgo algorítmico —la IA aprende de datos históricos y reproduce prejuicios, como ocurrió en procesos de selección de personal de grandes compañías— y dio una definición útil de transparencia: no es revelar el código, sino informar de cómo funciona el sistema, qué límites tiene y con qué datos se entrenó.
09. Implantar no es olvidar
El cierre lo puso de nuevo Diego Tuccillo (Deduce Data Solutions) con un ejercicio práctico: una empresa ficticia que implanta un sistema de IA para reducir el gasto de un horno industrial. Al principio, el ahorro es notable; pero mes a mes se va desvaneciendo hasta que el sistema acaba gastando más que antes. ¿La moraleja? Un proyecto de IA que hoy ahorra costes puede dejar de hacerlo mañana si nadie lo vigila.
La IA no es “implantar y olvidar”. Hay que monitorizar, medir y ajustar de forma continua.— Diego Tuccillo, Deduce Data Solutions
El ejercicio obligaba a decidir, con presupuesto limitado, entre auditar la calidad del modelo, revisar los datos o recalibrar el sistema. Exactamente el tipo de decisión que separa un proyecto de IA en la industria que madura de otro que se abandona a los seis meses.
10. ¿Por dónde empezar con la IA en la industria?
Si algo quedó claro cruzando todas las charlas es que la IA en la industria no empieza por el algoritmo, sino por el dato y por el problema. Esta es la hoja de ruta que se desprende del curso:
- Ordena tu dato primero. Sin estrategia ni gobernanza del dato, querer usar IA es como querer correr sin saber andar.
- Elige un caso de uso concreto. Un proceso repetitivo que hoy te roba tiempo rinde más que un gran proyecto difuso.
- Comprende antes de optimizar. Entiende el proceso y sus problemáticas reales antes de automatizar nada.
- Piensa en producción desde el día uno. Versionado, trazabilidad, observabilidad y feedback humano: lo que hace que un piloto sobreviva.
- Monitoriza y cumple. Mide en continuo, protege el dato y encaja con el Reglamento europeo de IA.
En resumen: cómo abordar la IA en la industria
Estas diez claves del Curso de Verano dibujan un mismo mensaje: la IA en la industria no empieza por el modelo, sino por comprender el proceso, el dato y la decisión que se quiere mejorar. La IA en la industria funciona cuando cada pieza —visión artificial, IA generativa, gestión documental, agentes o MLOps— responde a un problema real y medible, y no al revés.
Si algo dejó claro el encuentro en Laredo es que aplicar la IA en la industria es tanto un reto técnico como organizativo y legal. Empezar por un caso acotado, cuidar la gobernanza del dato y llevar los prototipos a producción con trazabilidad es la vía más fiable para que la IA en la industria pase de la promesa a resultados sostenibles. En Deduce Data Solutions acompañamos ese recorrido de IA en la industria de principio a fin.
¿Quieres aplicar la IA en tu empresa industrial?
En Deduce Data Solutions te ayudamos a pasar del “boceto” a un proyecto real, con gobierno del dato y cumplimiento desde el primer día.
Hablemos de tu casoPreguntas frecuentes sobre la IA en la industria
¿Qué es la IA en la industria?
Es la aplicación de la inteligencia artificial a procesos industriales —control de calidad con visión artificial, mantenimiento predictivo, gestión documental, optimización de la cadena de suministro o agentes que actúan sobre la información— para tomar mejores decisiones y reducir la carga operativa.
¿Por dónde empiezo a implementar IA en mi empresa?
Por el dato y por un caso de uso concreto. Antes de entrenar ningún modelo conviene tener una estrategia y una gobernanza del dato, elegir un proceso que hoy consuma mucho tiempo y comprender bien ese proceso. Después se automatiza y se lleva a producción con versionado y trazabilidad.
¿Es segura la IA con los datos confidenciales de mi empresa?
Puede serlo si se diseña con soberanía del dato: alojamiento en la Unión Europea, permisos por rol y modelos que no se entrenan con tu información. Es uno de los puntos que más peso está ganando en los proyectos de IA en la industria.
¿La normativa europea frena el uso de IA en la industria?
No lo prohíbe, lo ordena por niveles de riesgo. La mayoría de usos industriales son de “alto riesgo” y exigen documentación, gestión de riesgos y transparencia. Cumplir desde el diseño evita sanciones y protege a las personas.
¿La IA va a sustituir a los trabajadores de la industria?
El enfoque que se defendió en el curso es otro: la IA libera a las personas de tareas repetitivas para que dediquen su tiempo a lo que aporta valor, siempre con feedback humano en las decisiones críticas.
¿Qué sectores se benefician más de la IA en la industria?
Prácticamente cualquier actividad con procesos físicos o documentales intensivos. La IA en la industria aporta valor en fabricación, metalurgia, alimentación, logística o energía, sobre todo allí donde hay inspección visual, mantenimiento de equipos, mucha documentación técnica o decisiones repetitivas que hoy dependen de la experiencia de pocas personas.
¿Necesito muchos datos para aplicar IA en la industria?
No siempre. Algunos casos de IA en la industria, como la lectura de documentos o la analítica de decisión, funcionan con la información que la empresa ya genera. Otros, como la visión artificial, requieren imágenes representativas del proceso. Lo importante es la calidad y la gobernanza del dato, no acumular volumen por acumularlo.
¿Cuánto tarda un proyecto de IA en la industria en dar resultados?
Un piloto bien acotado de IA en la industria suele mostrar señales en pocas semanas, mientras que la puesta en producción estable con MLOps y trazabilidad lleva más tiempo. Por eso conviene empezar por un caso concreto de IA en la industria, medir su impacto y escalar solo cuando el valor está demostrado.
En resumen: la IA en la industria funciona cuando se apoya en datos buenos, se piensa para producción, se monitoriza y se gobierna con criterio legal y ético. O, como se repitió durante el curso: comprender antes de optimizar.
