#Automate2026 abre el lunes en McCormick Place. Cincuenta mil personas, mil expositores y un pabellón que se tarda dos días en recorrer. En algún punto de en medio doy una charla, y como la mayoría estaréis decidiendo entre sesiones y cold brew, os diré exactamente qué lleva para que podáis decidir con honestidad.
El título es "From Chatbots to Agents: How AI Is Redefining Sales and Service in Industrial Automation". Suena como cualquier otra sesión de IA del programa. No lo es, y esta es la razón concreta.
La mayoría de charlas de IA en un evento así o te venden un producto o gesticulan sobre transformación. Esta abre con un chatbot respondiendo mal a una pregunta real, de una forma que le cuesta a alguien entre diez y setenta y cinco mil dólares.
Un cliente necesita sustituir un transmisor de presión NOSHOK Serie 800 descatalogado. Especifica salida de conmutador NPN. El bot cotiza con confianza el equivalente PTI15 con salida PNP. PNP y NPN no son intercambiables. El sensor enciende, lee bien en su propia pantalla y nunca habla con el PLC. El cliente escala, el distribuidor absorbe la devolución, desactivan el chatbot y todos vuelven al teléfono y al correo. El bot no falló. Hizo exactamente lo para lo que fue construido. Ese es el problema.
La charla gira en torno a una pregunta que oigo en casi toda conversación con clientes: ¿cuándo van a corregirse las alucinaciones? Mi respuesta es que no van a corregirse, porque nunca fueron un error. Cuando un LLM elige una CPU Siemens de reemplazo, no está comprobando el rack de tu cliente. Elige el número de pieza estadísticamente más asociado de sus datos de entrenamiento. Te mostraré cuatro CPU Siemens reales, todos productos válidos, donde el modelo asigna la mayor probabilidad al que no encaja. Un modelo mejor elige el incorrecto con más confianza. Más datos de entrenamiento tampoco ayudan, porque la base instalada de tu cliente nunca estuvo en el conjunto de entrenamiento y nunca lo estará.
Luego la parte que me importa de verdad. Los agentes de codificación resolvieron esto en gran medida para el software, y la razón merece entenderse porque te dice qué le falta a la IA industrial. Un agente de codificación no puede mentirle al compilador. El código corre o no corre, las pruebas pasan o fallan, y el agente itera sobre esa retroalimentación hasta que funciona. Las recomendaciones de producto industrial no tienen compilador. No puedes hacer una prueba unitaria de un cruce de piezas. La respuesta sale, y te enteras tres días después cuando llega mal al muelle.
Así que la parte central de la charla trata de cómo construyes un bucle de retroalimentación cuando no hay nada contra lo que compilar. Recorro la evolución real del campo hasta llegar aquí: ingeniería de prompts en 2022, ingeniería de contexto en 2024 y la era del arnés en la que estamos ahora. Explicaré por qué RAG solo alcanza alrededor del 75 al 85 % en consultas de producto industrial, con un ejemplo de armario Rittal donde cinco SKU reales difieren en un solo dígito y parecen idénticas para una búsqueda vectorial. Mostraré la trampa de la summarización, donde un agente comprime una conversación larga, elimina en silencio el detalle de que el cliente tiene un S7-300 existente y luego informa alegremente del trabajo hecho con una configuración que no cabe físicamente en el rack. Ninguno de estos es hipotético. Las capturas son reales, sacadas de herramientas de IA genéricas en los últimos doce meses.
La mitad constructiva es el arnés: la capa entre el modelo y la realidad que decide qué puede tocar el modelo, ancla cada afirmación contra datos estructurados y cierra el bucle. Para un agente de codificación eso es el compilador y la suite de pruebas. Para un agente industrial es tu grafo de conocimiento, tu catálogo en vivo y el sistema real de tu cliente. Mismo patrón, verdad de referencia distinta. Mostraré lo que construimos, por qué cada respuesta que produce lleva una cita y un nivel de confianza, y cómo MCP hace ese arnés portable entre chat web, voz, tu ERP y el Slack de ventas sin reconstruirlo cuatro veces.
Y como nada de esto importa sin prueba, mostraré cómo se ve en vivo. Os lleváis tres cosas de vuelta al equipo, y no tratan de nosotros. Dejad de preguntar qué modelo usa un proveedor, porque el modelo se comoditiza. Preguntad contra qué datos anclados se comprueba la respuesta y qué cierra el bucle. Exigid una capa de anclaje: cualquier proveedor debería poder deciros de dónde salió una respuesta, qué regla la produjo y con qué confianza. Y construid para portabilidad, porque el lock-in se acabó y el agente que funciona en vuestro portal hoy debería funcionar en vuestro CRM mañana.
Si vendes, especificas o das soporte a productos industriales y has visto una demo de IA brillar y luego decepcionar en producción, esta es la sesión que os dirá por qué, y qué pedir en su lugar.
Martes 23 de junio, de 10:15 a 11:00, sala S404D. McCormick Place, Chicago. Venid a la sesión, y si el horario no encaja, buscadme en el pabellón. Pasaré la mayor parte del tiempo en el stand de uno de nuestros partners: The Imaging Source, stand #3491. Prefiero enseñaros un desastre real de pieza incorrecta que entregaros una diapositiva más sobre transformación.