Cómo funciona, sin humo
Esta página es la parte formativa. Si solo quieres saber qué hace, ve a Casos de uso. Si quieres entender por qué funciona, sigue leyendo.
Qué es (de verdad) un asistente de IA
En el centro, el modelo de lenguaje: razona y redacta, y ya está. Alrededor, lo que lo convierte en útil. Contexto: documentos y datos. Herramientas: APIs, SQL, OPC UA. Memoria: la conversación y el histórico. Guardrails: permisos, límites y auditoría. Interfaz: chat, HMI, Teams o voz.
El modelo es la pieza más famosa, pero no la más importante. Un modelo mediocre con buen contexto y buenas herramientas gana siempre a un modelo brillante que no sabe dónde está.
Del RAG clásico al RAG agéntico
RAG es un nombre feo para una idea sencilla: antes de responder, busca. El RAG clásico es un camino recto: pregunta, busca en el índice, redacta. Para consultar un manual funciona de maravilla.
El problema aparece cuando la respuesta no está en ningún documento, sino repartida entre varios sitios. “¿Por qué paró la línea anoche?” no está en un PDF: está en el historian, en la lista de alarmas y en un ticket que alguien cerró en marzo.
El RAG agéntico primero planifica: descompone la pregunta en pasos y decide qué fuente consultar en cada uno. Después verifica: ¿hay evidencia? Si no, vuelve a consultar. Es lo que hace un técnico senior: mira el manual, mira el histórico, y si no le cuadra, vuelve a mirar.
| RAG clásico | RAG agéntico | |
|---|---|---|
| Mejor para | FAQ, consultar un manual | Cruzar fuentes, diagnosticar |
| Llamadas al modelo | 1 | Varias |
| Coste y latencia | Bajo | Medio |
| Regla práctica | Empieza aquí | Pasa aquí cuando la respuesta exige cruzar |
Regla práctica: empieza clásico donde la pregunta es simple y pasa a agéntico donde la respuesta exige cruzar fuentes. No hace falta un agente para preguntar un par de apriete.
Un lunes cualquiera: el OEE de la línea 3
Traduce la pregunta a consultas
texto → GraphQL / SQL
query { oee(line: 3) }Ejecuta y cruza
OEE, microparadas, alarmas, órdenes de trabajo
Alarmas 23:10–05:40Correlaciona y detecta el patrón
estación 4 tras cada cambio de referencia
OEE_L3_turnoLo explica con evidencia
en lenguaje de operario
SOP-114.pdf p.6OEE por turno
Microparadas por estación · turno de noche
Datos ilustrativos · el asistente genera estas vistas a partir de las consultas, no las tiene preparadas.
Nadie diseñó ese gráfico antes. El parte de turno que hoy alguien redacta a las seis de la mañana medio dormido, dentro de poco lo redactará el asistente y la persona lo validará. El valor deja de estar en saber sacar el dato y pasa a estar en saber hacer la pregunta.
De qué se alimenta
Seis familias de fuentes que ya tienes. Lo nuevo no es la lista: es cruzarlas. La gracia está en el momento en que el asistente junta una tendencia del historian con un ticket de hace siete meses y te dice: “esto ya pasó, y se resolvió así”.
Antes que el modelo
Cuatro condiciones que van antes de elegir ningún LLM. Muchos proyectos de IA fracasan porque empiezan por la guinda.
- Datos sincronizados: misma base de tiempo y contexto de lote, con un modelo de datos de planta.
- Permisos heredados: el asistente ve lo que ve el usuario.
- Red que lo permita: lectura desde la DMZ o el nivel IT, nunca desde el bus de campo.
- Calidad de dato: sin ella no hay causa raíz fiable.
El modelo es la guinda. Esto es el pastel.