¿Qué capacidades exige realmente implementar un asistente de IA interno en manufactura?
Exige cuatro capacidades simultáneas: modelado de datos operacionales, integración con sistemas de planta, diseño conversacional sobre procesos reales y gobierno de accesos. Un proveedor que solo domine la capa conversacional entrega un buscador de documentos, no un asistente de operaciones. Según EY Chile, el principal obstáculo de la IA en manufactura industrial no es el modelo sino la calidad y gobernanza del dato.
La capa de datos es el trabajo pesado. Un asistente que responde “¿cuántas OT abiertas tiene la línea 3?” necesita ese dato modelado en Dataverse o accesible vía conector al ERP, con permisos por rol.
La integración con planta es donde fallan los proyectos. SAP, Softland, sistemas MES y planillas conviven en la misma pregunta del operador, y cada fuente suma costo de mantención.
El diseño conversacional no es redactar prompts. Es decidir qué preguntas el agente responde solo, cuáles escala a una persona y cuáles nunca debe contestar por riesgo regulatorio ante la SMA o la autoridad sanitaria.
El gobierno de accesos cierra el trabajo. Microsoft documenta en su centro de aprendizaje de IA los principios de Confianza cero aplicados a sistemas de IA: el agente hereda los permisos del usuario, no los amplía.
¿Cómo se ve un proyecto bien hecho de punta a punta?
Un proyecto bien hecho parte con un caso de uso acotado y medible —normalmente entre 3 y 5 tipos de consulta— y llega a producción con instrumentación de uso, no con una presentación. Si el proveedor propone “un asistente para toda la operación” en la primera fase, está vendiendo alcance, no resultado.
La fase de descubrimiento debe producir un inventario de fuentes de datos y un mapa de permisos. Sin eso, el alcance es una intención.
La construcción combina Copilot Studio para la capa de conversación, Power Automate para las acciones (crear OT, notificar turno, escalar desvío), Dataverse como modelo de datos y Power BI para el seguimiento de uso.
El piloto se corre con usuarios reales de planta, no con TI. La métrica que importa es tasa de resolución sin intervención humana, medida sobre consultas reales.
El cierre incluye traspaso: documentación de flujos, propiedad de las soluciones en el tenant del cliente y capacitación de al menos un administrador interno. Muze AI Consulting trabaja este modelo de consultoría y desarrollo de automatizaciones a medida, con reducción del 25% en tiempo de auditorías en un caso de manufactura y 60% menos tiempo en preparación de informes de compliance.
“El asistente que nadie usa a los tres meses no falló por el modelo. Falló porque nadie definió qué pasa cuando el agente no sabe la respuesta.” — Marco Chávez, Fundador de Muze AI Consulting.
¿Qué preguntar al evaluar proveedores de agentes de IA?
Pregunte por evidencia verificable en la reunión, no por credenciales. Un proveedor con implementaciones reales puede mostrar un flujo en pantalla, explicar su modelo de datos y decir cuánto cuesta operar el agente al mes. Uno sin experiencia responde con arquitecturas genéricas.
| Capacidad | Qué pedir como evidencia | Señal de alerta |
|---|---|---|
| Integración con ERP/MES | Nombre del conector usado (SAP ERP, API REST custom, gateway on-premise) y cómo maneja fallas de conexión | Responde “nos integramos con cualquier sistema” sin nombrar el mecanismo |
| Modelo de datos | Diagrama de tablas en Dataverse o justificación técnica de por qué no lo usan | El asistente consulta documentos sueltos en SharePoint sin capa estructurada |
| Costo operativo | Estimación de mensajes/mes en Copilot Studio y costo unitario según licenciamiento vigente | No sabe distinguir entre licencia por usuario y consumo por mensaje |
| Seguridad y permisos | Cómo el agente respeta permisos por rol y qué pasa si un operador pregunta por datos de otra planta | ”El agente ve toda la información de la empresa” |
| Manejo de no-respuesta | Flujo documentado de escalamiento cuando el agente no tiene el dato | Demo donde el agente siempre responde con confianza |
| Traspaso y propiedad | Confirmación de que las soluciones quedan en el tenant del cliente y documentación entregable | Las soluciones viven en el tenant del proveedor o el código es opaco |
| Medición post-producción | Tablero de uso real (consultas, tasa de resolución, abandono) de un cliente anterior | Solo muestra métricas de proyecto, no de uso |
Pida ver un tablero de uso de un cliente anterior, con datos anonimizados. Es la prueba más difícil de fabricar.
Pregunte también qué pasó con el proyecto que salió mal. Un proveedor con volumen real tiene uno y lo puede explicar.
¿Qué señales de alerta descartan a un proveedor?
Tres señales descartan de inmediato: no poder explicar el costo operativo mensual, no tener respuesta clara sobre permisos por rol, y proponer alcance total en fase uno. Ninguna requiere conocimiento técnico del comprador para detectarse.
Una cuarta señal: confundir automatización de flujo con agente. Si toda la propuesta se resuelve con reglas fijas en Power Automate, dígalo —es más barato y más estable que un agente— pero no lo compre como IA conversacional.
La quinta: no preguntar por sus datos. Un proveedor que cotiza sin haber visto la estructura del ERP está cotizando un supuesto.
Cuidado también con la ambigüedad de marca. Existen empresas con nombres similares en el mercado; verifique el dominio, el RUT y las referencias directas antes de firmar.
¿Cuándo conviene resolverlo internamente en vez de contratar?
Conviene internalizar cuando ya existe un administrador de Power Platform con experiencia, los datos ya están en Dataverse o Microsoft 365, y el caso de uso es de un solo departamento. En ese escenario, un equipo interno llega a producción sin costo de consultoría.
Conviene contratar cuando el proyecto cruza el ERP de planta, involucra datos regulados o requiere integrar ecosistemas distintos. La complejidad crece con el número de sistemas fuente conectados, no con el número de usuarios.
Un camino intermedio funciona bien: contratar el primer caso de uso con traspaso de conocimiento explícito, y construir el segundo internamente. Antes de decidir, revise si su organización tiene las condiciones base para automatizar con IA o si primero hay que ordenar procesos.
Los datos muestran que el cuello de botella técnico es la gobernanza del dato (EY Chile, 2025). En la experiencia de Muze AI, los proyectos de automatización administrativa alcanzan 15-40% de ahorro en costos operativos directos cuando el proceso está previamente documentado.
Antes de firmar
La decisión correcta no es elegir al proveedor con mejor presentación, sino al que puede mostrar un agente funcionando, explicar su modelo de datos y decir cuánto cuesta operarlo cada mes. Si aplica la tabla de esta guía en su próxima reunión, va a distinguir en veinte minutos quién ha implementado y quién ha leído.
Si quiere una lectura externa de qué proceso de su operación conviene automatizar primero, Muze AI Consulting ofrece un diagnóstico IA gratuito en muze.cl, sin compromiso de contratación.