Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities

Este estudio cualitativo, basado en más de 30 entrevistas con diversos actores de la industria, revela que la adopción de la IA agéntica en ingeniería y manufactura avanza desde tareas repetitivas hacia la orquestación de flujos de trabajo complejos, aunque su despliegue generalizado se ve limitado principalmente por la fragmentación de datos, requisitos de seguridad, herramientas heredadas y brechas de alfabetización, lo que exige un enfoque escalonado que priorice la verificación, la auditoría y la integración con herramientas tradicionales.

Lo esencial

🏗️ El Gran Taller y su Nuevo Ayudante

Imagina que el mundo de la ingeniería y la fabricación es como un gigantesco taller donde se diseñan aviones, coches y robots. Este taller es vital para la economía (es como el motor que mueve el mundo). Pero hay un problema: los maestros artesanos (los ingenieros) se están retirando, hay demasiada gente que quiere construir cosas y no hay suficientes manos para hacerlo todo. Además, el trabajo es tan complejo que a veces se pierde el hilo de lo que se ha hecho antes.

Aquí es donde entra la IA Agente. No es solo un chatbot que responde preguntas (como un copiloto que te da direcciones); es un ayudante autónomo que puede tomar decisiones, usar herramientas, abrir archivos y organizar tareas por sí mismo.

🚀 ¿Qué puede hacer este ayudante hoy? (Lo que ya funciona)

Según los autores, que hablaron con más de 30 expertos en el taller, la IA ya es muy útil en ciertas tareas, pero no en todas:

1. El "Escribiente" Infatigable: La IA es excelente para tareas repetitivas y aburridas. Imagina que tienes que llenar 1000 formularios de control de calidad o buscar en miles de documentos viejos para encontrar una especificación. Un humano tardaría semanas; la IA lo hace en minutos. Es como tener un becario que nunca se cansa y nunca se equivoca al copiar datos.
2. El "Detective de Datos": A veces, la información está escondida en cajas de archivos desordenadas (PDFs, notas manuscritas, correos antiguos). La IA puede entrar, leer todo y decirte: "Oye, en 1998 usamos este tornillo y funcionó bien". Ayuda a encontrar patrones que los humanos pasan por alto.
3. El "Director de Orquesta": La próxima gran cosa es que la IA pueda coordinar varias herramientas a la vez. En lugar de que tú abras un programa de diseño, luego otro de simulación y luego otro de fabricación, la IA puede pasar la pelota entre ellos automáticamente.

🚧 Los Obstáculos: ¿Por qué no lo usan todos todavía?

Aunque la IA es inteligente, hay varios muros que le impiden trabajar libremente en el taller:

• El Muro de la Seguridad (El Cofre Fuerte): En industrias como la defensa o la aeroespacial, los planos son secretos de estado. No pueden subirlos a la "nube" (internet) porque alguien podría espiarlos. Es como si tuvieras que trabajar en una habitación sin ventanas y sin internet. Muchas IAs potentes viven en la nube, por lo que no pueden entrar en estas habitaciones seguras.
• El Desorden del Almacén (Datos Fragmentados): En muchos talleres, los datos están tirados por todas partes: en discos duros viejos, en Excel, en la cabeza de un ingeniero que se va a jubilar mañana. La IA necesita datos ordenados y limpios para aprender. Si le das un montón de papeles desordenados, se confunde. Además, muchos programas antiguos (como los que se usaban en los 90) no tienen "puertas" (APIs) por donde la IA pueda entrar a trabajar; son como cajas cerradas con candado.
• La "Caja Negra" (Falta de Confianza): Los ingenieros están acostumbrados a que las herramientas sean predecibles: si metes A, sale B. Pero la IA es probabilística (a veces acierta, a veces alucina). Imagina que un ingeniero pide un cálculo y la IA le da una respuesta, pero no puede explicar por qué llegó a esa respuesta. Para un ingeniero, eso es como pedirle a un mago que te diga cómo hizo el truco. Si no pueden ver el "por qué", no pueden confiar en ello para cosas peligrosas (como un avión).
• La Brecha de Conocimiento: Muchos ingenieros saben usar la IA para cosas básicas, pero pocos saben cómo "entrenarla" o configurarla para sus problemas específicos. Es como tener un Ferrari pero solo saber conducir en primera marcha.

🛡️ La Regla de Oro: "El Ingeniero siempre tiene la última palabra"

El hallazgo más importante del estudio es que nadie quiere que la IA tome decisiones finales en cosas peligrosas.

La relación ideal es como un piloto automático con un piloto humano al lado:

• La IA hace el trabajo pesado, sugiere diseños y revisa errores.
• El ingeniero humano revisa, valida y da el "visto bueno".
• Si la IA se equivoca, el humano está ahí para corregirlo.

Las empresas que tienen éxito son las que integran a la IA dentro de sus procesos de revisión actuales, no las que intentan reemplazar a los humanos. Es como añadir un nuevo asistente al equipo de revisión, no despedir al jefe de seguridad.

🔮 ¿Qué falta para el futuro?

Para que este ayudante sea realmente útil en todo el taller, necesitamos:

1. Lenguaje Común: Que todos los programas de ingeniería "hablen el mismo idioma" para que la IA pueda moverse entre ellos sin problemas.
2. Certificados de Confianza: Necesitamos nuevas reglas para probar que la IA no se va a equivocar en situaciones críticas.
3. Entrenamiento: Enseñar a los ingenieros a trabajar con la IA, no solo a usarla.
4. Capturar el "Secreto": Antes de que los ingenieros veteranos se jubilen, necesitamos usar la IA para grabar y guardar su experiencia (esa intuición que tienen en la cabeza) antes de que se pierda.

En resumen

La IA en la ingeniería no es un robot que va a reemplazar a los humanos mañana. Es más bien como un nuevo tipo de herramienta muy potente que está aprendiendo a usar. Hoy es genial para limpiar el desorden y hacer tareas aburridas, pero para construir cosas seguras y complejas, necesita que un humano la supervise, le dé datos ordenados y le diga cuándo es seguro actuar. El futuro no es "IA vs. Humanos", sino "IA + Humanos trabajando juntos".

Resumen técnico

Resumen Técnico: Agentic AI en Ingeniería y Manufactura: Perspectivas de la Industria

Título del Estudio: Agentic AI in Engineering and Manufacturing: Industry Perspectives on Utility, Adoption, Challenges, and Opportunities
Autores: Kristen M. Edwards, Maxwell Bauer, Claire Jacquillat, A. John Hart, Faez Ahmed.
Fecha: Marzo 2026 (Publicado en arXiv).

1. Planteamiento del Problema

La industria de ingeniería y manufactura enfrenta una crisis de productividad y capacidad debido a la escasez de mano de obra calificada (se proyecta un déficit de 1.9 millones de ingenieros de manufactura en EE. UU. para 2033) y la creciente complejidad de los sistemas. Aunque la Inteligencia Artificial (IA) se presenta como una solución crítica para la automatización y la eficiencia, su adopción en flujos de trabajo de ingeniería de alto valor (diseño, simulación, fabricación) es limitada.

El problema central no es la falta de capacidad de los modelos de IA, sino la brecha entre las capacidades teóricas de los sistemas agentic (agentes autónomos) y la realidad operativa de la industria. Las barreras incluyen:

• Datos fragmentados y no estructurados: La información de ingeniería reside en formatos no amigables para máquinas (PDFs, CAD propietarios, conocimiento tácito en la mente de expertos).
• Restricciones de seguridad y privacidad: Regulaciones estrictas (ITAR, CMMC, GDPR) y la necesidad de proteger la propiedad intelectual impiden el uso de modelos en la nube, forzando despliegues locales o "air-gapped".
• Falta de interoperabilidad: Las herramientas de ingeniería heredadas (legacy tools) carecen de APIs programáticas necesarias para que los agentes orquesten flujos de trabajo complejos.
• Desconfianza y gobernanza: La naturaleza probabilística de la IA choca con la cultura de ingeniería que exige determinismo, trazabilidad y verificación rigurosa, especialmente en aplicaciones críticas para la seguridad.

2. Metodología

Este estudio es exploratorio y cualitativo, basado en un análisis de la práctica actual (state-of-practice).

• Muestra: Se realizaron 33 entrevistas con expertos de 28 organizaciones.
• Categorías de participantes:
  1. Grandes empresas de ingeniería y manufactura (incluyendo NASA, GE Vernova, contratistas de defensa).
  2. Pequeñas y medianas empresas (SMEs) de ingeniería y manufactura.
  3. Desarrolladores de IA (ej. LangChain, C3 AI).
  4. Proveedores de herramientas CAD/CAM/CAE (ej. Autodesk, PTC, Siemens).
• Enfoque: Las entrevistas semiestructuradas se centraron en el estado actual de adopción, casos de uso, barreras técnicas y organizacionales, y la visión futura de sistemas agentic. El análisis se realizó mediante un enfoque inductivo e iterativo para identificar temas recurrentes.

3. Contribuciones Clave

El estudio aporta tres contribuciones principales a la literatura sobre IA en ingeniería:

1. Síntesis de perspectivas industriales: Caracteriza cómo se entienden y adoptan los sistemas agentic en la práctica, basándose en una muestra diversa que abarca desde grandes corporaciones hasta startups.
2. Mapeo del paisaje de tareas: Diferencia entre tareas bien planteadas para la IA actual (repetitivas, basadas en datos) y aplicaciones de alto riesgo donde la verificación y la gobernanza son dominantes.
3. Identificación de barreras y habilitadores: Destaca las barreras prácticas (accesibilidad de datos, integración de herramientas heredadas, razonamiento espacial) y los avances necesarios para desbloquear una adopción más amplia.

4. Resultados Principales

A. Paisaje de Tareas para la Adopción de IA Agentic

• Tareas Bien Planteadas (Oportunidades a Corto Plazo):
  • Actividades repetitivas y de alto volumen: Procesamiento de requisitos, entrada de datos en sistemas ERP, y comparación de revisiones de diseño.
  • Trabajo intensivo en datos: Síntesis de documentación histórica, extracción de especificaciones de PDFs, y validación de datos de sensores.
  • Orquestación de procesos: Coordinación de flujos de trabajo multi-paso (ej. solicitudes de cotización RFQ) y coordinación de equipos de agentes especializados.
• Tareas Desafiantes (Futuro):
  • Aplicaciones críticas para la seguridad: La IA actúa principalmente como una herramienta de asistencia (sugerencias validadas por humanos) en lugar de un tomador de decisiones autónomo.
  • Nuevos paradigmas de interacción: La visión de "Jarvis multiplayer" en espacios de trabajo inmersivos requiere infraestructura que aún no existe (APIs para talleres mecánicos y proveedores).

B. El Estado Actual de los Datos de Ingeniería

La calidad y accesibilidad de los datos es la restricción más significativa, superando a los desafíos algorítmicos.

• Fragmentación: Los datos están dispersos en discos duros personales, SharePoint y bases de datos ad-hoc, sin un sistema integrado.
• Formatos no amigables: La información crítica está "encerrada" en PDFs, dibujos 2D y conocimiento tácito, requiriendo herramientas especializadas para su extracción.
• Falta de estandarización: Inconsistencias en nomenclatura y esquemas de datos entre diferentes unidades de negocio dificultan la interoperabilidad.
• Conocimiento Tácito: La experiencia de expertos (especialmente ante la jubilación masiva) no está codificada, representando un riesgo de pérdida de conocimiento.

C. Confianza y Gobernanza

La adopción se ve como un problema de gobernanza primero y técnico después.

• Human-in-the-Loop (HITL): Es no negociable en dominios críticos. La IA debe aumentar, no reemplazar, la toma de decisiones humanas.
• Seguridad y Despliegue: Las restricciones de seguridad (ITAR, CMMC) obligan a despliegues on-premise o air-gapped, limitando el uso de modelos en la nube.
• Explicabilidad y Determinismo: La cultura de ingeniería exige resultados deterministas y trazables. La naturaleza probabilística de los LLMs y su "caja negra" generan resistencia. Se requieren marcos de verificación que permitan auditar y reproducir decisiones.
• Alineación Cultural: Las organizaciones exitosas integran la IA en los procesos de revisión existentes (PDR, CDR) en lugar de crear estructuras paralelas.

D. Barreras para la Adopción

1. Brecha de Verificación y Fiabilidad: Falta de estándares de ingeniería para validar el comportamiento de la IA (repetibilidad, intervalos de confianza).
2. Brecha de Alfabetización en IA: Pocos ingenieros saben cómo configurar, evaluar críticamente o construir sistemas de IA más allá del uso básico.
3. Razonamiento Espacial y Multi-física: Los modelos actuales carecen de la capacidad de razonar sobre geometría 3D compleja, restricciones de fabricación y fenómenos físicos acoplados.
4. Integración con Herramientas Heredadas: La falta de APIs en herramientas CAD/CAE/PLM antiguas impide la orquestación automática de flujos de trabajo.
5. Cultura Organizacional: El espectro va desde la aversión al riesgo (empresas grandes) hasta la velocidad descontrolada (startups), ambas dificultando la adopción equilibrada.

5. Significado e Implicaciones

El estudio concluye que la adopción de IA agentic en ingeniería no es un evento tecnológico aislado, sino una transformación organizacional.

• Para la Industria: El éxito depende de priorizar la infraestructura de datos, la verificación rigurosa y la alfabetización de la fuerza laboral sobre la simple adquisición de herramientas. La confianza se construye mediante la demostración de fiabilidad a lo largo del tiempo y la alineación con los procesos de revisión de ingeniería existentes.
• Para Desarrolladores de IA y Herramientas: Se necesitan inversiones en:
  • APIs abiertas y estándares de interfaces de agentes (ej. Model Context Protocol).
  • Opciones de despliegue local/on-premise para cumplir con requisitos de seguridad.
  • Marcos de verificación específicos para sistemas probabilísticos en entornos de ingeniería.
  • Modelos con capacidades nativas de razonamiento espacial y multi-física.
• Para la Comunidad de Investigación: Se identifican problemas abiertos críticos: marcos de verificación para sistemas estocásticos, arquitecturas informadas por física, y pipelines de transformación de datos para extraer conocimiento de artefactos de ingeniería heterogéneos.

En resumen, el camino hacia la automatización de alto nivel en ingeniería requiere madurar la infraestructura de datos, los marcos de gobernanza y la confianza humana antes de que los agentes autónomos puedan operar de manera segura y efectiva en flujos de trabajo críticos.