«No hay que escalar casos de uso de IA, hay que escalar arquitecturas»

La inteligencia artificial ha dejado atrás la fase de fascinación inicial y comienza a entrar en una etapa mucho más exigente: la de su ejecución a escala. Para Luis Santiago, CEO de Akkodis (Grupo Adecco) para España, Italia y Portugal, el principal reto ya no consiste en demostrar que la IA funciona, sino en convertirla en una capacidad real y sostenible del negocio.

En sectores industriales y de ingeniería, las aplicaciones más maduras se encuentran en ámbitos como la optimización de operaciones, el mantenimiento predictivo, la calidad inteligente, la automatización de procesos y la denominada Physical AI, capaz de interactuar con activos físicos, robots e infraestructuras industriales.

El paso del piloto a la producción sigue siendo, sin embargo, una asignatura pendiente para muchas organizaciones. La calidad y disponibilidad de los datos, la integración con sistemas ERP, plataformas industriales y aplicaciones legacy, la gobernanza, la ciberseguridad y la adopción por parte de los empleados son algunos de los factores que determinan el éxito de los proyectos.

En este contexto, Luis Santiago defiende que las compañías no deben limitarse a escalar casos de uso aislados, sino construir arquitecturas reutilizables que puedan extenderse a distintos procesos, departamentos y geografías.

En esta entrevista, el CEO de Akkodis aborda las capacidades necesarias para industrializar la inteligencia artificial, desde las plataformas de datos y la operación de modelos hasta el desarrollo del talento y la gestión del cambio. También analiza el potencial de los sistemas SME-Expert y de los AI Coworkers para capturar el conocimiento especializado, acelerar la ingeniería y mejorar la productividad en entornos complejos.

[MCPRO] Más allá del ruido mediático, ¿qué grado de madurez observas hoy en las empresas de España, Italia y Portugal en inteligencia artificial? ¿En qué sectores o tipos de proyectos hay ya implantaciones productivas frente a los que siguen en fase de prueba de concepto?

[Luis Santiago] Creo que hemos superado la fase de fascinación tecnológica y estamos entrando en la fase de ejecución. La mayoría de las empresas ya ha demostrado que la IA funciona, la diferencia está en que algunas siguen experimentando, otras han validado pilotos y un grupo más reducido está integrando la IA en operaciones, ingeniería y toma de decisiones de forma sistemática.

Las iniciativas más maduras las vemos en optimización industrial, mantenimiento predictivo, calidad inteligente, automatización de procesos de ingeniería y, cada vez más, en Physical AI, donde la IA interactúa con activos físicos, robots o infraestructuras industriales.

La conclusión es sencilla: el reto ya no es demostrar que la IA funciona, el reto es escalarla y convertirla en una capacidad real del negocio.

[MCPRO] Según tu experiencia con clientes de Smart Industry, ¿cuáles son los principales obstáculos que impiden pasar de un piloto exitoso a una integración real dentro del negocio? ¿Qué elementos (gobernanza, datos, talento, arquitectura, ROI) suelen fallar en ese salto?

[Luis Santiago] La mayoría de los proyectos no fracasa por la tecnología, fracasa por la dificultad de escalarla. Los principales obstáculos suelen ser cuatro: datos insuficientemente preparados, ausencia de una estrategia de escalado, falta de gobernanza y dificultades de adopción por parte de la organización.

Además, muchas compañías desarrollan casos de uso aislados que funcionan individualmente, pero son difíciles de reutilizar o extender a otras áreas. Esto genera complejidad y limita el retorno de la inversión.

Por eso insistimos en una idea clave: no hay que escalar casos de uso, hay que escalar arquitecturas.

[MCPRO] Si una organización quiere poner en marcha proyectos de IA de manera inmediata, con impacto medible en menos de 6-12 meses, ¿qué tres casos de uso recomendarías priorizar en entornos industriales o de ingeniería digital?

[Luis Santiago] Priorizaría tres áreas. La primera es la optimización de operaciones industriales. Estamos viendo reducciones significativas de scrap, mejoras en forecasting y una capacidad mucho mayor para anticipar problemas operativos antes de que se produzcan.

La segunda es la aceleración de la ingeniería mediante arquitecturas SME-Expert. Son sistemas especializados capaces de asistir a ingenieros en tareas complejas utilizando conocimiento de dominio, contexto y mecanismos de validación. Su valor está en capturar y escalar el conocimiento experto de la organización.

La tercera son los AI Coworkers, asistentes avanzados que colaboran con los profesionales dentro de su flujo de trabajo, ayudándoles a planificar, ejecutar tareas y utilizar herramientas especializadas. Son especialmente interesantes en ingeniería, soporte técnico y operaciones complejas.

En todos los casos, el criterio debe ser el mismo: empezar donde se pueda medir rápidamente una mejora en productividad, calidad o velocidad de ejecución.

[MCPRO] En proyectos reales de IA en la industria, ¿dónde estáis encontrando las mayores dificultades técnicas y organizativas? ¿Cómo abordáis cuestiones críticas como la calidad de los datos, la integración con sistemas legacy, la ciberseguridad o la resistencia al cambio?

[Luis Santiago] Los dos desafíos técnicos más importantes siguen siendo la calidad de los datos y la integración con sistemas existentes. ERPs, sistemas industriales, aplicaciones legacy y plataformas de ingeniería deben convivir con la nueva capa de inteligencia artificial. En muchos casos, el reto no es desarrollar el modelo, sino conectarlo con la realidad operativa de la empresa.

Al mismo tiempo, la gobernanza y la ciberseguridad se han convertido en requisitos desde el diseño inicial de cualquier solución, no en una actividad posterior.

Desde el punto de vista organizativo, el reto principal sigue siendo la adopción. La IA genera valor cuando forma parte de la manera de trabajar de las personas, y eso requiere formación, confianza y acompañamiento al cambio.

[MCPRO] Para las organizaciones que quieren dejar de experimentar y empezar a escalar IA de forma sostenible, ¿qué capacidades consideras imprescindibles desarrollar (plataforma de datos, MLOps, gobernanza, upskilling del talento, partners tecnológicos)? ¿Qué papel juega Akkodis Intelligence en ese proceso de industrialización de la IA?

[Luis Santiago] Las organizaciones que escalan con éxito suelen compartir cinco capacidades: una base sólida de datos, capacidades para operar IA de forma industrial, gobernanza robusta, desarrollo del talento y un ecosistema tecnológico adecuado.

En este contexto, Akkodis Intelligence es nuestro marco para combinar tecnología, ingeniería, conocimiento sectorial y capacidades humanas con el objetivo de generar impacto medible. Nuestra visión es que el futuro no pasa por acumular proyectos aislados, sino por desplegar arquitecturas modulares reutilizables como SME-Expert y AI Coworker, capaces de escalar entre departamentos, procesos y geografías.

Ahí es donde la IA deja de ser una iniciativa tecnológica y se convierte en una capacidad empresarial.