Segons McKinsey —una de les consultores estratègiques de referència a escala mundial—, l’any 2024 el 65 % de les organitzacions ja utilitzava IA generativa en almenys una funció del negoci, el doble que l’any anterior. I això era abans que els agents autònoms entraren en escena. Hui, la pregunta ja no és si cal implantar agents d’IA, sinó com fer-ho bé.
Hi ha qui anomena agent un simple xatbot amb memòria. I hi ha qui ja disposa de sistemes capaços de detectar una incidència en producció, calcular-ne l’impacte sobre la cadena de subministrament i llançar una ordre de treball en menys de tres segons. Este article és per a qui vol formar part del segon grup.
1_ Què necessites abans de començar?
Tres condicions irrenunciables. Si en falla alguna, l’agent també fallarà.
1_Dades en temps real
Un agent no pot actuar sobre informació que arriba amb hores de retard. Necessites fonts de dades consultables en temps real: sensors, API, ERP, SCADA… Si la dada més recent que tens tarda massa a arribar, convé començar per ací.
2_Un cas d’ús amb una decisió ben definida
No «optimitzar la producció», sinó: «quan el consum energètic de la línia 3 supere el llindar X durant 15 minuts, ajustar la velocitat de les cintes». Cal definir-ho tot amb la màxima concreció.
3_Tolerància a l’error ben definida
Tot agent s’equivocarà. Cal definir d’entrada quins errors són assumibles, quins han de passar a revisió humana i quins han d’impedir qualsevol actuació.
2_ Els 5 passos per a implantar agents d’IA
Defineix el cas d’ús amb precisió
Busca processos on es complisquen tres condicions: hi ha dades disponibles, la decisió segueix patrons recognoscibles i el cost de no actuar es pot mesurar. Comença per un àmbit reduït, amb un impacte elevat i un risc baix.
Audita les teues fonts de dades
En entorns industrials és habitual trobar PLC, SCADA, MES i ERP que no es comuniquen entre si. La integració de les diferents fonts de dades no és el problema més visible, però sí un dels que fa fracassar més projectes.
Tria l’arquitectura
Basats en regles — Deterministes, auditables i ideals per a començar. No aprenen, però funcionen.
Amb models predictius — Anticipen la incidència abans que es produïsca.
Amb LLM — Raonament flexible per a contextos no estructurats; més potents, però també més difícils d’auditar.
Multiagent — Diversos agents especialitzats que col·laboren entre si. Afig complexitat, però permet escalar.
Integra’l amb els teus sistemes
Un agent que decidix però no executa és un sistema d’alertes més car. Necessites API, webhooks o connectors natius i, en entorns industrials, adaptadors per a OPC-UA o MQTT.
Consell pràctic: desplega’l primer en mode d’observació durant 2-4 setmanes i compara les seues decisions amb les humanes abans de donar-li control real.
Definix mètriques i supervisió
Tres mètriques essencials: taxa d’encert en les decisions, freqüència d’escalat a persones —un escalat excessiu indica un mal disseny; cap escalat indica una supervisió nul·la— i temps de resposta. Si no en mesures la velocitat, no la pots defensar.
3_ Seguretat OT i convergència IT/OT
Seguretat OT: la primera pregunta que es fa qualsevol responsable de planta
“De veritat deixareu que un agent d’IA interactue amb el PLC?” És la primera pregunta que sol aparéixer en qualsevol reunió. I és, sens dubte, la pregunta adequada.
Els entorns industrials presenten uns riscos molt diferents dels de la IT corporativa. Un servidor pot reiniciar-se si falla; una línia de producció aturada o un actuador que rep una ordre incorrecta poden provocar danys físics, aturades costoses o comprometre la seguretat de les persones. Per això, la manera d’implantar agents d’IA en un entorn OT ha de seguir criteris específics de seguretat.
La segmentació de la xarxa OT: un requisit imprescindible
La xarxa OT (Operational Technology) —on es troben els PLC, els sensors i els sistemes de control— ha d’estar separada físicament o lògicament de la xarxa IT i de qualsevol component de l’agent connectat a Internet.
L’arquitectura recomanada segueix els models Purdue o ISA/IEC 62443, en què els agents operen a la capa de supervisió (nivells 3–3.5) i mai no accedeixen directament als nivells de control (1–2), excepte a través de passarel·les segures i auditables.
Protocols industrials com OPC-UA incorporen autenticació mitjançant certificats i xifrat natiu, mentre que MQTT pot protegir-se amb TLS i autenticació de client. En cap cas aquests protocols haurien d’estar exposats sense xifrat dins de la xarxa OT.
El mode observació: la millor garantia abans d’automatitzar
En aquesta guia es recomana desplegar inicialment l’agent durant entre dues i quatre setmanes en mode observació. En un entorn OT això no és només una bona pràctica: és una mesura imprescindible de seguretat.
Durant aquest període, l’agent accedeix a les dades reals, però no executa cap acció sobre el sistema de control. L’equip pot comprovar si les decisions que proposa són correctes abans d’autoritzar qualsevol actuació automàtica.
Quan finalment es permet que actue, s’han d’establir límits molt clars: l’agent només pot modificar paràmetres dins dels marges prèviament aprovats, mai no pot enviar ordres d’aturada d’emergència i qualsevol situació fora dels valors previstos s’ha d’elevar automàticament a un operari.
Aquest enfocament —observa, proposa, actua dins d’uns límits i escala quan hi ha dubtes— és el que permet incorporar agents d’IA amb garanties i sense assumir riscos innecessaris.
Què hauries d’exigir a qualsevol proveïdor d’agents per a entorns industrials
- Arquitectura amb la xarxa OT aïllada i una passarel·la segura i auditada entre els entorns IT i OT.
- Registres (logs) inalterables de totes les decisions i actuacions de l’agent.
- Mecanismes de rollback o recuperació automàtica en cas que es perda la connexió amb el sistema de supervisió.
- Definició contractual dels límits d’actuació de l’agent abans del seu desplegament.
4. EU AI Act i compliment normatiu
EU AI Act: què ha de saber un responsable industrial el 2026
El Reglament Europeu d’Intel·ligència Artificial (EU AI Act) està en vigor des de l’agost de 2024 i s’aplicarà de manera progressiva. Per a qualsevol empresa industrial, la pregunta clau és: en quina categoria de risc es troba el meu agent d’IA?
Classificació del risc aplicada als agents industrials
La majoria dels agents d’IA orientats a l’automatització industrial poden considerar-se sistemes d’alt risc (Annex III), especialment quan intervenen en infraestructures crítiques, la gestió de treballadors o la seguretat dels processos. En aquests casos, cal complir una sèrie de requisits abans de posar-los en funcionament:
- Documentació tècnica del sistema: descriure l’arquitectura, les dades utilitzades per a l’entrenament i les limitacions conegudes.
- Traçabilitat de les decisions: el sistema ha de registrar quines dades ha utilitzat, quina decisió ha pres i amb quin criteri, de manera que qualsevol auditor en puga reconstruir el funcionament.
- Supervisió humana: l’agent ha d’estar dissenyat perquè un operador puga intervenir, corregir-ne el comportament o aturar-lo en qualsevol moment.
- Gestió del risc: cal realitzar una avaluació formal abans del desplegament i revisar-la periòdicament durant tot el cicle de vida del sistema.
Els agents basats exclusivament en regles deterministes solen estar subjectes a una càrrega de compliment normatiu menor que els agents basats en models de llenguatge (LLM), ja que, en aquests últims, explicar com s’ha arribat a una determinada decisió és un repte molt més complex.
Per què la traçabilitat és un factor diferencial, i no només un requisit
Un sistema que registra cada decisió junt amb el seu context —les dades d’entrada, els criteris o llindars aplicats, l’acció executada i el resultat obtingut— no sols facilita el compliment de la normativa. També crea un historial de coneixement que permet millorar el comportament de l’agent amb el temps i demostrar-ne el valor tant davant de la direcció com en una auditoria.
En la pràctica, les organitzacions que incorporen la traçabilitat des del primer dia són les que, al cap de pocs mesos, poden acreditar el retorn de la inversió (ROI) amb dades pròpies i evidències objectives.
A WonderBits concebem els sistemes de registre (logging) i d’explicabilitat com una part essencial de l’arquitectura des de l’inici del projecte, i no com una funcionalitat afegida posteriorment.
5_ Casos d’ús per sectors
- Manufactura
Predicció d’avaries i generació automàtica d’ordres de treball. La reducció de les aturades no planificades sol situar-se entre un 30 % i un 50 %. - Energia
Optimització del consum segons la tarifa elèctrica en temps real, amb integració de la generació renovable pròpia quan n’hi ha. - Logística
Detecció de desviacions en l’inventari, generació automàtica de comandes dins dels límits autoritzats i ajust dels terminis a partir de les dades dels proveïdors. - Qualitat
Classificació de defectes mitjançant visió artificial i ajust dels paràmetres de producció en línia abans que arribe a produir-se el defecte.
6_ Errors que convé evitar
- Començar pel cas més complex
Els projectes que funcionen arriben a producció en 6 o 8 setmanes. Els que fracassen solen intentar resoldre-ho tot alhora. - Subestimar la integració de dades
L’arquitectura de l’agent és la part més atractiva. Connectar-lo amb els sistemes existents és el que acostuma a consumir el 60 % del temps real del projecte. - No assignar-ne cap responsable
Un agent en producció necessita una persona responsable que en revise les mètriques i decidisca quan cal ajustar-lo. Sense esta figura, acaba sent ignorat o genera desconfiança.
7_ Quant costa
Si les dades ja estan connectades i normalitzades, el cost d’un primer agent en producció sol situar-se entre 15.000 i 50.000 euros. Si abans cal resoldre la integració de dades, esta xifra pot multiplicar-se.
En entorns industrials, el retorn de la inversió acostuma a arribar entre els 6 i els 18 mesos gràcies a la reducció d’aturades, consums o rebutjos. Sense mètriques des del primer dia, no hi ha manera de demostrar-ho.
8_ Glossari: sigles clau en l’automatització industrial amb IA
PLC (Programmable Logic Controller)
Controlador lògic programable. Dispositiu industrial encarregat d’executar les instruccions de control sobre màquines i processos en temps real. És el “cervell” d’una línia de producció.
SCADA (Supervisory Control and Data Acquisition)
Sistema de supervisió, control i adquisició de dades. Permet monitorar i controlar processos industrials, sovint distribuïts geogràficament, des d’un únic centre de control.
MES (Manufacturing Execution System)
Sistema d’execució de la fabricació. Gestiona i optimitza les operacions de producció en temps real, actuant com a enllaç entre l’ERP corporatiu i els sistemes de control de planta.
ERP (Enterprise Resource Planning)
Sistema de planificació de recursos empresarials. Integra els principals processos de l’empresa —finances, compres, producció, logística o recursos humans— en una única plataforma.
OPC-UA (Open Platform Communications Unified Architecture)
Protocol estàndard de comunicació industrial, dissenyat per intercanviar dades de manera segura i fiable entre sistemes heterogenis, com PLC, SCADA o MES. Incorpora autenticació mitjançant certificats i xifrat de forma nativa.
MQTT (Message Queuing Telemetry Transport)
Protocol lleuger de missatgeria, pensat per a dispositius amb recursos limitats i xarxes de comunicacions poc fiables. És un dels protocols més utilitzats en entorns d’IoT industrial i en la telemetria de sensors.
Conclusió
No cal que tot estiga en ordre per a començar. Cal trobar el primer cas d’ús on el valor és clar, les dades existeixen i la decisió té criteris definits. La resta es construeix des d’allí.
Això inclou la seguretat: desplegar en mode observació abans de donar control real no és una limitació, és la manera correcta de guanyar confiança —tant de l’equip de planta com del responsable d’IT. I inclou el compliment normatiu: l’EU AI Act no és un obstacle tardà, és una variable de disseny que convé tenir sobre la taula des del primer sprint.
Sergio Álvarez
A WonderBits acompanyem empreses industrials des del diagnòstic inicial —dades, integració, arquitectura— fins al desplegament en producció. Si tens dades operatives i vols fer el salt cap a l’automatització intel·ligent, podem ajudar-te a traçar el camí.
I si encara no tens clar si les teues dades estan preparades per a fer este pas, també podem ajudar-te. Acompanyem els equips des de la diagnosi inicial fins al desplegament de l’agent, cobrint tot el recorregut de la dada de cap a cap.
T’ha resultat útil? Comparteix-la amb el teu equip. I si vols entendre millor el context estratègic, llig també el nostre article sobre què són els agents d’IA i com estan redefinint la indústria.