Esta semana, el jueves 4 de diciembre de 2025, nos desplazamos hasta el Kursaal de San Sebastián, Pablo y un servidor de ustedes, para acudir a una charla que organizaba Ibernova sobre la IA en el entorno de SolidWorks.
Te dejo el resumen de los cuatro intervinientes, ¡espero te resulte de interés!
1. Aplicación industrial de la IA: datos, seguridad y talento
Panorama general
La inteligencia artificial (IA) es transversal y está sucediendo “aquí y ahora”. No es una ola, es un “tsunami” que reconfigura trabajo y vida. Su mayor promesa es ahorrar tiempo, el recurso más valioso; no adoptarla reduce competitividad. Aunque la IA comenzó hace unos 60 años, su salto actual proviene de la digitalización e Internet: el conocimiento volcado en la red permitió entrenar modelos a gran escala. En un contexto de cambios rápidos, se recomienda planificar en horizontes de 1–2 años.
La “data = dinero”: los datos son el “oro del hoy” y pueden valer más que la maquinaria. Big Data no es nuevo; su combinación con IA habilita análisis masivos, detección de patrones y decisiones estratégicas.
Muchas plantas ya sensorizan y analizan en tiempo real, integrando manuales y documentos técnicos a gran escala.
Estrategia y calidad del dato
La ventaja competitiva real está en datos propios y experiencia capturada correctamente; una línea sin sensores “está ciega”.
Visión 360: calidad, cadena de suministro, operación y ventas deben integrarse para una radiografía completa.
Efecto “interés compuesto” del dato: mejoras de primer nivel generan nuevas capturas que habilitan decisiones de segundo nivel.
Calidad del dato: “garbage in, garbage out”, si metes basura, sacarás basura. Se requieren datos únicos, bien vinculados, identificados y de calidad.
El resultado de la IA depende del dato y de cómo se formula la petición (prompt); si el input es pobre, el análisis lo será.
Integración OT y T, sensores y arquitectura
La fusión de tecnología de operación (OT) y tecnología de información (T) permite que máquinas, sensores y otros se conecten con servidores y datos, dando lugar a sensores ioT y a flujos completos de captura y análisis.
Transmisión y estandarización: dispositivos que “hablan” MQTT; evolución de estándares como S95; herramientas como Node-RED para orquestación.
Decisiones en “LAID” (borde) vs “CLOUD”: en controles de calidad por visión, decidir en el borde evita latencia y lotes defectuosos.
Aprendizaje entre plantas: compartir comportamiento y datos eleva el desempeño global sobre una Big Data propia.
Mantenimiento predictivo y ROI
La IA predictiva reduce paros no planificados, reputacionales y costos asociados. Se mencionan dos cifras: reducción de paros de hasta un “85% menos de paros imprevistos con un 95% de acierto”.
Requiere sensorización para capturar la “huella digital” de la maquinaria y entrenar modelos. Inversión progresiva: focalizar en el punto de mayor dolor, con presupuesto controlado; evaluar impacto/retorno tras los primeros 12 meses.
Gemelo digital
El gemelo digital permite simular “¿qué pasaría si…?”: cambios de materia prima, averías en zonas específicas, menos operarios, etc. Con la capa de IA, los escenarios y respuestas son más potentes y permiten decidir con rapidez cuando ocurren eventos reales.
Personas, tareas y liderazgo
La IA sustituye tareas, no personas: como en la agricultura hace 120 años hicieron los tractores, cambia la forma de trabajar y la cantidad de mano de obra, pero no elimina el oficio.
Proyecciones: aparecerán 97 millones de roles y 85 millones se reformularán o podrían desaparecer; el saldo es positivo, pero exige reentrenamiento.
La verdadera amenaza es la brecha de habilidades. Profesionales con conocimiento del dominio obtienen mejores resultados de la IA.
Liderazgo: entender el cambio, acompañar equipos, dar transparencia, reducir miedo al error y motivar la adopción.
Tratar la IA como “un becario muy rápido”: aplicar la regla 80/20; la IA acelera, pero hay que revisar por alucinaciones y errores.
Ciberseguridad y gobierno del uso
La “carrera” por la IA ha priorizado avances sobre la seguridad; en industria, proteger datos es vital por su valor estratégico.
Riesgos: cibercrimen, suplantación de identidad, vídeos y voces sintéticas, y manipulación maliciosa de datos de sensores.
Sin reglas estándar, las personas improvisan; se requieren políticas claras sobre herramientas, tratamiento y compartición de datos.
Auditoría interna y herramientas validadas. Si existe reticencia al “CLOUD”, hay opciones locales (servidores propios) para mantener datos dentro de fronteras.
Llamado a la acción
El momento de actuar es ahora: no decidir ya es una decisión que puede generar desventaja competitiva. Definir metas y foco: lo importante es aplicar IA donde más ahorre tiempo y aporte valor.
Próximos pasos
- Definir una estrategia de datos: sensorización de líneas críticas, estándares de captura y calidad del dato.
- Diseñar un piloto de IA (p. ej., mantenimiento predictivo o control de calidad) con presupuesto acotado y objetivos claros; evaluar resultados a 12 meses.
- Integrar OT y T: habilitar comunicación de sensores (p. ej., MQTT), orquestación (NodeRED) y flujos a servidores/CLOUD según caso.
- Establecer políticas de uso de IA y seguridad: herramientas aprobadas, compartición de datos, formación en ciberseguridad y protocolos ante incidentes.
- Capacitar equipos en habilidades IA y de dominio: mejorar prompts, interpretación de resultados y revisión 80/20 para minimizar alucinaciones.
- Explorar gemelos digitales y aprendizaje entre plantas para robustecer la toma de decisiones y la resiliencia operativa.
2. IA generativa y aplicada en fabricación y cadena de suministro
Visión general
Exposición sobre el estado y la aplicación de la inteligencia artificial (IA), especialmente la generativa, en la industria manufacturera. Se abordan su carácter disruptivo, el imperativo competitivo de adoptarla, y casos reales y líneas de investigación en calidad, mantenimiento, montaje, servitización, gemelos digitales y optimización de la cadena de suministro.
Panorama de la IA y adopción
La IA ha pasado de nicho profesional a fenómeno mainstream (referencias a hijos, padres, profesorado).
Ejemplos de capacidades: interacción tipo “test de Turing”, deepfakes y generación creativa de contenido; comienzan a emerger nuevas aplicaciones.
Marco citado (CEO de Microsoft): tres capas de programación: 1) programación tradicional, 2) nube, 3) IA; el prompt es una forma rudimentaria de “programación”.
Impacto laboral visto en dos planos: como usuario (p.ej., coche autónomo) y dentro de la empresa para facilitar el trabajo. Independientemente del saldo neto de empleo, la competencia ya la implementa.
Aplicabilidad transversal: industria y fabricación con numerosos desafíos y oportunidades.
Contexto del equipo y enfoque
Tecnikel: ~300 personas; foco principal en fabricación y TICs (Tecnologías de la Información y las Comunicaciones) con ~120–130 personas.
Cuatro líneas de investigación; dos dedicadas a IA: una en robótica y visión, y otra en datos y soluciones de inteligencia.
Enfoque estratégico citado como TIA-FAST: prioriza aportar valor real al cliente, principalmente mejorando la producción.
Casos y líneas de trabajo en fabricación
Mantenimiento (predictivo/avanzado) como línea clara de mejora. Optimización de producción enlazada con calidad como prioridad principal. Acompañamiento a operarios en montaje de sistemas.
Caso: inspección de calidad e integración OT/IoT en panificación
Objetivo: reducir defectos (p.ej., tostado, tamaños anómalos) y alinear la calidad con objetivos de cliente.
Digitalización y medición: de un Excel diario se pasa a un sistema de inspección online por IA y visión con técnicas de aumento de datos que entrega un indicador por minuto. Integración de datos heterogéneos: combinación de OT (Operational Technology, Tecnología de Operaciones), IoT (Internet de las Cosas) y múltiples PLC (Programmable Logic Controller, Controlador Lógico Programable) —cuatro proveedores— y sensores ambientales; unificación y sellado temporal consistente.
Analítica y correlaciones: visualización del estado de planta y análisis de cómo variables de proceso (p.ej., temperaturas de proceso y ambientales) influyen en la calidad.
Modelado y mejora continua: ingeniería del modelo y operación del ciclo de vida (MLOps, Machine Learning Operations) para ajustar predicciones y acercarlas al resultado final; al inicio las predicciones no estaban calibradas y se reajustaron.
Transferencia de conocimiento: el cliente replica y mejora el modelo en otros sistemas, consolidando capacidades internas.
Servitización de producto
Concepto: llevar mantenimiento predictivo/avanzado y valor de servicio al producto final del cliente.
Ejemplo: cerradura electrónica sensorizada (IoT) que reporta aperturas/cierres, estado de batería y uso forzado.
Beneficios:
Servicio de mantenimiento proactivo y recomendaciones basadas en uso real. Segmentación por áreas/condiciones de uso para anticipar incidencias.
Investigación en curso: verificación aeronáutica con Aerotec
Colaboración con Aerotec (Sevilla), proveedor de soporte a Airbus en montaje/inspección/verificación de piezas.
Problemas: tareas repetitivas, baja conectividad y complejidad de interacción (piezas moviéndose entre paneles/plantillas).
Línea de interés: soluciones con robótica para asistencia en verificación.
Gemelos digitales e hilo digital
Uso de gemelos digitales para aprovechar datos y conocimiento experto cuando no se dispone de toda la información.
Proyecto de tres años recién finalizado: aborda el proceso global de pasar de ingeniería a fabricación (hilo digital).
Operacionalización y evolución de modelos
Estandarización progresiva de prácticas tipo MLO/MLOps.
Gestión de deriva de datos: actualización de modelos cuando cambian las series de datos.
Datos: estandarización, gobernanza y confianza
Más allá de “tener datos”, es crítico tener “buen dato”: evitar incongruencias (p.ej., temperaturas en unidades distintas y nombres dispares).
Gobernanza y modelado semántico: definir tipos de datos por encima de orígenes/sintaxis para interoperabilidad.
Apoyo en estándares emergentes (algunos muy avanzados en salud) para trazabilidad, seguridad y explicabilidad; clave para que los operarios confíen en recomendaciones automáticas.
Despliegue cercano a planta: integración con PLC y sistemas OT, y procesamiento al límite (edge) cuando aplica.
Proyectos colaborativos y cadena de suministro
Opciones de colaboración para quienes carecen de grandes volúmenes de datos. Proyecto orientado a sostenibilidad: reutilización de metales; requiere conectar múltiples sistemas y pymes para su industrialización.
Proyecto en el País Vasco para optimizar la cadena de suministro:
Integración con ERP (Enterprise Resource Planning, Planificación de Recursos Empresariales) y planificación.
Gestión de incidencias de proveedores y comunicación con clientes.
Escalar aprendizajes de planta a la red de proveedores/clientes, combinando optimización y economía circular.
Conclusiones
Digitalización es la base: evaluar la accesibilidad/calidad de datos antes de abordar IA. Datos a menudo están “encerrados” en PLC con alto coste de extracción; conviene explorar alternativas viables.
La adopción de IA en fabricación es ya un imperativo competitivo, con beneficios claros en calidad, mantenimiento y eficiencia.
3. Aplicaciones y hoja de ruta de IA industrial europea
Resumen general
Presentación de Filipe sobre la transformación en curso y la integración de IA (Inteligencia Artificial) en el flujo de diseño, validación y fabricación, con foco en soberanía de datos europea, casos de uso prácticos en herramientas como SolidWorks/XDesign, y una hoja de ruta de adopción progresiva hasta finales de 2026. El equipo de SUE España e Ibernova ofrece acompañamiento y visitas in situ.
Visión y principios estratégicos
Tres ejes de futuro: entregar productos, consolidar datos para convertirlos en conocimiento y decisiones basadas en datos, y empoderar a las personas extrayendo saber hacer de esos datos.
IA europea con enfoque industrial y de defensa: objetivo de soberanía tecnológica para que Europa no dependa de fabricantes externos.
Mistal AI: empresa francesa destacada en esta estrategia. La línea europea prioriza el respeto del dato y de la propiedad intelectual del usuario.
Contraste regulatorio: se menciona el Patriot Act en EE. UU. frente a la aproximación europea centrada en la protección de datos y la PI.
Funcionalidades y casos de uso de IA en el ciclo de producto
Ensamblaje mecánico generativo: la IA “Ahora” crea al instante un ensamblaje completo a partir de indicaciones breves, detecta componentes faltantes (ej.: “el mando”) e incorpora su integración; permite interactuar con comportamientos de mundo real para detectar problemas antes de la producción física.
Asistencia proactiva en CAD: Predictor de comando (disponible desde la versión 2025 en SolidWorks y en XDesign) que aprende de los flujos de trabajo y sugiere la siguiente acción sin navegar menús.
Dibujos 2D generativos: creación automática de planos 2D desde modelos 3D; aprende de correcciones de colocación y preferencias del usuario para mejorar resultados futuros.
Smart Insert Component (E-Worx 2025): reconoce elementos comunes (p. ej., tornillos) y aplica mates automáticamente al insertarlos, reduciendo tiempos de ensamblaje y errores. De imagen a croquis: conversión de imágenes a croquis con identificación de entidades, aplicación de restricciones y acotado automático; asistencia generativa al dibujar directamente sobre el modelo, gestionando líneas y restricciones para liberar tiempo creativo. Cumplimiento normativo en conveyors: subida de normativas (PDF extensos) a la plataforma para que la IA valide el diseño; propone barreras existentes en el repositorio, sugiere la gestión del cambio y la generación del 2D, y permite lanzar el flujo de aprobación en un clic. Reducción del trabajo de días/semanas a segundos.
De foto a pieza 3D: a partir de la foto del “mando” faltante, la IA identifica la zona, genera la pieza 3D e inserta el componente. Se crea una malla para simulación y verificación funcional.
Preparación de fabricación: generación de mecanizado CNC (Control Numérico por Computadora) con trayectorias de herramienta y parámetros ajustados para reducir desperdicio y tiempos de ciclo.
Imágenes fotorrealistas por texto: creación, en segundos, de escenas renderizadas a partir de descripciones (ej.: junto a un lago con niebla) sin configurar manualmente materiales, iluminación o fondos.
Realidad mixta y validación: visualización a escala real con casco de Apple. Ejemplo de proceso de soldadura: identificación de una incidencia de interacción con la carrocería, y generación automática de incidencias en PocoScript para corregir antes de prototipar.
Diferenciación y gobierno del dato
IA “hecha por la industria” y para la industria: se nutre de lo que cada cliente le enseña y de actualizaciones del proveedor, pero sin mezclar aprendizajes entre empresas.
Ejemplo: Renault y el Grupo Volkswagen trabajan en 3D Experience; Volkswagen ha invertido “un billón” en IA adaptada al grupo. La IA no transfiere aprendizajes de una empresa a otra, protegiendo la ventaja competitiva.
Disponibilidad y licenciamiento
Muchas funciones ya están disponibles (algunas desde la versión 2025); otras se irán incorporando progresivamente.
Las nuevas licencias de SolidWorks incluyen una primera capa de plataforma e IA; existe la opción de transformar licencias antiguas para aprovechar estas funcionalidades.
Lo presentado es real (introducido desde septiembre), con plan para que esté completo “más o menos perfecto” a finales de 2026.
Próximos pasos y acciones
Coordinar visitas del equipo de SUE España e Ibernova a las instalaciones; “levantad la mano cuando queráis”.
Quienes no tengan la capa de plataforma/IA en su licencia de SolidWorks, solicitar la transformación de licencias antiguas.
Empezar a trabajar ya con las capacidades disponibles y formar a los equipos para adoptar progresivamente las funciones que se irán liberando hasta 2026.
4. Automatización e IA en SolidWorks y Cloud Services 2025
Visión general
Presentación centrada en funciones de automatización e Inteligencia Artificial (IA) ya utilizables en SolidWorks y su ecosistema en la nube (Cloud Services), junto con mejoras recientes y capacidades generativas. Se abordan aceleradores de modelado y ensamblaje, documentación 2D, rendimiento gráfico, CAM (Computer-Aided Manufacturing) y simulación, además del asistente de IA “Aura”.
Automatizaciones disponibles desde el minuto uno
Reparación de relaciones de posición en ensamblajes: reconocimiento de rasgos del modelo para reasignar automáticamente caras tras cambios en piezas, evitando corregir relaciones una a una.
Simplificación de modelos (operación orientada a proteger propiedad intelectual): reconocimiento de rasgos que pueden convertirse en geometría más simple.
Aceleradores de selección y ayuda al redondeo: propone y completa redondeos coherentes en entidades relacionadas, guiando la selección.
Predictor de comandos (mejora introducida a partir de 2025): modelo previamente entrenado con miles de clasificaciones de usuarios que sugiere el siguiente comando según el contexto (p. ej., tras iniciar un redondeo, proponer continuar filleteando zonas similares; cortes si corresponde; etc.).
Ensamblaje y replicación de tornillería
Reconocimiento automático de elementos (tornillo, arandela, tuerca) y colocación por arrastrar y soltar en agujeros correspondientes, reduciendo errores y trabajo repetitivo. Siguiente paso previsto: propuesta de métrica correcta y validación de longitud según si el agujero es pasante o ciego.
Replicación “a la inversa”: partiendo de un tornillo, detección de agujeros donde replicarlo sin requerir patrones lineales o circulares definidos por el usuario. La herramienta realiza aproximadamente el 60–70% del trabajo. Disponible en la nube y prevista su llegada a escritorio.
Estructuras y patrones inteligentes
Detección de patrones no lineales en vigas: identifica elementos similares (no necesariamente idénticos) que requieren, por ejemplo, una placa final, y propone su aplicación de forma asistida.
Generativo: de imagen a boceto y mecanismos
Transformación de una imagen en boceto 2D: reconoce articulaciones y apoyos (p. ej., apoyo simple con capacidad de rotación, deslizaderas) y permite simular movimientos en 2D. Generación automática de mecanismos: acelera la definición de uniones y grados de libertad a partir del reconocimiento de elementos del mecanismo.
Documentación 2D acelerada
Generación de planes/dibujos 2D: automatización del 50–70% de la documentación, manteniendo al usuario el control del resultado y reduciendo carga repetitiva.
Renderizado predictivo y estabilidad gráfica
Mejoras de visualización: un modelo de IA predice el movimiento de cámara/escena y renderiza por adelantado para evitar pixelado y mejorar la fluidez en el área gráfica.
CAM (Computer-Aided Manufacturing) en Cloud Services
El CAM incluido en Cloud Services sugiere varias trayectorias (ejemplo con cinco alternativas) variando cabezales, rutas de corte, estrategias de pasadas y tiempos de ciclo, dejando la decisión final al ingeniero.
Simulación asistida por IA
Buenos resultados en análisis no lineales y ejemplo de simulación dinámica. La IA ayuda optimizando iteraciones al predecir la convergencia, acelerando la obtención de resultados.
Aura: asistente de IA para datos y soporte
Operativa sobre datos en la nube: resúmenes y filtrados de documentación extensa (comunidad “experience”, formularios internos, documentación de calidad), preservando la propiedad intelectual.
Primer punto de ayuda para dudas de diseño, “tips and tricks” y consulta de documentación de la plataforma, incluida la ayuda de SolidWorks y PDFs extensos.
Disponibilidad y enfoque de adopción
La mayor parte de las capacidades de IA llegarán a través de Cloud Services y el entorno “experience”. Algunas ya están disponibles en la nube y se irán incorporando a escritorio. Recomendación de adopción gradual e integración en procesos actuales, con apoyo del equipo para la puesta en marcha.
Próximos pasos y despliegue previsto
En ensamblaje de tornillería: incorporar sugerencia de métrica y validación de longitud según el tipo de agujero.
Despliegue progresivo de nuevas funciones de IA en el entorno en la nube.
Apoyarse en el equipo para activar e integrar estas herramientas sin cambios bruscos.
Este artículo ha sido escrito por David Sánchez Mateo, especialista en Ascensores y Configuradores, propietario y fundador de Ingeniería SAMAT. Ingeniero Industrial Mecánico por la Universidad de Zaragoza (Centro Politécnico Superior, actual EINA), Máster en Gestión de la Innovación y Prevención de Riesgos Laborales, ayudado por herramientas de inteligencia artificial.
