Mientras medio mundo sigue obsesionado con los chatbots de IA generativa que escriben textos y hacen imágenes y videos impresionantes en pocos minutos, la verdadera revolución de la inteligencia artificial también está ocurriendo en lado: en las industrias duras. Claro que no se ve ni tiene tanta prensa, pero ya cambió la forma en que se fabrican los metales, se siembran campos, se hacen diagnósticos médicos y medicamentos o se controlan máquinas industriales en tiempo real. La IA ya se integró —silenciosamente— en el corazón de muchas industrias. Y no es una promesa: es un negocio. Hay empresas que ahorran millones de dólares, operarios que trabajan más seguros, cosechas más eficientes, procesos más acelerados y hospitales que detectan antes una enfermedad. Esto sucede en Corea del Sur, Brasil, Alemania, India, México, e incluso en Argentina.
Acero
La llamada industria pesada, ahora también es inteligente. La fabricación de acero es una de las industrias más antiguas y contaminantes del planeta. La empresa POSCO, en Corea del Sur, es el cuarto productor de acero del mundo e implementó sistemas de IA para optimizar el proceso de fundición, detectar defectos en tiempo real y reducir el consumo energético. El resultado es contundente: un ahorro del 5% en costos de producción y una disminución del 3% en emisiones de carbono, según datos publicados por la propia compañía. En julio pasado, la siderúrgica anunció un acuerdo con Amazon Web Services (AWS) para usar herramientas como Bedrock, una biblioteca de modelos de lenguaje y SageMaker, una plataforma para el desarrollo de algoritmos. Van a implementar un asistente de IA diseñado específicamente para entornos industriales.
En Alemania, la empresa Thyssenkrupp (un conglomerado formado en 1999 tras la fusión de Thyssen AG y Krupp, las dos empresas siderúrgicas líderes en ese país) integró modelos de IA para anticipar fallas en los hornos de alta temperatura. Esto no solo evita paradas imprevistas, sino que mejora la seguridad de los operarios y extiende la vida útil de las máquinas. Un dato: cada hora de inactividad no planificada le cuesta a una planta de acero entre 100,000 y 250,000 dólares.
La compañía también está explorando ciertos modelos de lenguaje para abordar la escasez de trabajadores calificados en el sector industrial. Por el momento la IA en la siderurgia no reemplaza operarios, sino que los asiste. Analiza millones de datos en segundos y toma decisiones que antes dependían de la intuición humana o de planillas de Excel.
Agrícola
En Brasil, el gigante del agronegocio Agrotools (una de las principales AgTechs de Latinoamérica) desarrolló un sistema de visión computarizada (VC) que analiza imágenes satelitales en tiempo real para monitorear el estado de los cultivos, anticipar plagas y predecir el rendimiento por hectárea. Los modelos de IA cruzan datos de suelo, clima y vegetación para emitir alertas tempranas que permiten actuar antes de que el daño sea irreversible. Resultado: menos uso de pesticidas, mayor eficiencia en el riego y un incremento promedio del 12% en los rendimientos de soja y maíz.
En Argentina, startups como Kilimo (optimización del riego) usan IA para recomendar prácticas de riego inteligente en base al análisis de miles de variables climáticas y agronómicas. En campos de las provincias de Córdoba y San Luis, productores lograron reducir hasta un 30% el uso de agua sin afectar la productividad. No es magia: es machine learning.
También hay avances en la maquinaria. John Deere, por ejemplo, ya incorpora sistemas de IA en sus tractores para guiar el trabajo con precisión centimétrica. Las sembradoras hoy “ven” el terreno, reconocen condiciones y ajustan el trabajo en tiempo real. Cada semilla cuenta.
El agro siempre fue una industria de márgenes ajustados y decisiones a largo plazo. Con IA, la apuesta es reducir la incertidumbre y maximizar cada hectárea. En una economía global hambrienta de eficiencia, los algoritmos también siembran.
Energía
En el megayacimiento de Vaca Muerta en Argentina, la IA ya dejó de ser teoría. Tecpetrol, una de las principales operadoras del grupo Techint, se alió con la empresa estadounidense Corva, creadora de una plataforma de IA diseñada especialmente para optimizar la perforación y fracturación de pozos de gas y petróleo no convencional. Corva combina análisis en tiempo real, automatización, IA predictiva y visualización avanzada de datos. ¿El objetivo? Detectar problemas antes de que ocurran, ajustar parámetros sobre la marcha y reducir costos sin comprometer la seguridad.
En la práctica, los ingenieros y técnicos de Tecpetrol acceden desde tablets o estaciones de monitoreo a distancia (desde Buenos Aires) a un tablero digital que muestra el rendimiento de cada pozo, posibles desvíos, consumo de recursos, desgaste de válvulas y otros indicadores críticos. Los algoritmos aprenden de la operación y sugieren acciones correctivas.
Según fuentes internas, desde que usan Corva lograron reducir un 12% los tiempos de perforación y hasta un 15% los costos operativos por pozo. En un yacimiento como Vaca Muerta, eso se traduce en millones de dólares. Y en una operación más segura, más predecible y menos dependiente del error humano.
Otro caso es el de Pi Health, una startup que construyó un hospital en India para probar su software de IA. Sus fundadores, Geoff Kim y Bobby Reddy, médicos oncólogos con experiencia regulatoria, sabían que completar ensayos clínicos lleva demasiado tiempo. Y éstos son un enorme cuello de botella en el desarrollo de medicamentos. Solo el 8 % de los pacientes con cáncer en EE.UU. participa en estudios clínicos, lo que limita la comprensión de la enfermedad y su impacto en distintas poblaciones.
Kim y Reddy creían que el software con IA que venían desarrollando en Pi Health podía hacer los estudios más rápidos y baratos. Pero primero necesitaban probar que ese software podría ayudar a hospitales del extranjero y centros comunitarios de cáncer a gestionar toda la documentación requerida para la aprobación regulatoria. Así fue como encontraron un terreno en Hyderabad, un polo tecnológico y farmacéutico del sur de India, y construyeron allí un hospital oncológico de última generación con 30 camas.
El Hospital de Cáncer Pi Health se inauguró en septiembre de 2023 y comenzó a realizar ensayos clínicos ese mismo año. Hasta el momento participó en ocho estudios, incluyendo uno que permitió aprobar en India un medicamento para el cáncer de esófago apenas siete meses después de que el primer paciente indio fuera incorporado al estudio, en menos de la mitad del tiempo habitual. Ese hito representa una validación clave del software, y Kim y Reddy creen que los ayudará a sumar nuevos clientes.
Hasta ahora, la startup —con sede en Cambridge, Massachusetts— recaudó unos 40 millones de dólares, con una valuación cercana a los 100 millones. Ya genera ingresos, con contratos firmados por más de 70 millones de dólares, y actualmente trabaja en cerca de 20 estudios clínicos para cinco farmacéuticas globales.
Moléculas descubiertas por algoritmos
En la industria farmacéutica, el proceso tradicional para desarrollar un nuevo medicamento puede tardar entre 10 y 15 años y costar más de mil millones de dólares. Pero con inteligencia artificial, esos números están empezando a bajar drásticamente.
Un ejemplo claro es el de Insilico Medicine, una biotech con base en Hong Kong y centros de desarrollo en Estados Unidos y China. En 2023 anunciaron el primer medicamento diseñado de punta a punta por una IA que ya entró en fase 2 de ensayos clínicos en humanos: se trata de un tratamiento contra la fibrosis pulmonar. Todo el proceso de descubrimiento de moléculas y diseño de compuestos se hizo con algoritmos de deep learning, en semanas.
En India, el laboratorio Sun Pharma, uno de los más grandes del mundo en producción de genéricos, usa IA para anticipar problemas en la cadena de suministro, detectar desviaciones en calidad y adaptar líneas de producción según la demanda regional. El resultado: menos desperdicio, mejor cumplimiento de normativas y mayor eficiencia en planta.
En América Latina también hay casos, como el de la startup chilena PhageLab (fundada en 2010 por Pablo Cifuentes, Hans Pieringer y Nicolás Ferreira) que está desarrollando antibióticos a medida usando IA para combatir bacterias resistentes, un problema creciente a nivel global. Lo hacen mediante modelos que simulan el comportamiento de los fagos —virus que atacan bacterias— y así diseñan terapias más rápidas y efectivas.
En definitiva, la combinación de inteligencia artificial y biotecnología promete cambiar la velocidad del desarrollo farmacéutico: lo que antes era ensayo y error, hoy se basa en simulaciones y predicciones con márgenes cada vez más ajustados y el negocio es gigantesco, ya que solo en 2023, las inversiones globales en IA aplicada al sector superaron los 4,000 millones de dólares.
Lee más: Las mentiras de Elon Musk sobre los autos autónomos de Tesla finalmente lo alcanzaron
Mercados eficientes vs. realidad
La Hipótesis de los Mercados Eficientes (EMH), formulada por el economista norteamericano Eugene Fama en 1970, sostiene que los precios de los activos reflejan toda la información disponible. En un mercado perfecto, nadie debería ganarle consistentemente al mercado. Pero la práctica muestra otra cosa. En la realidad, hay ineficiencias: la información no circula de forma pareja, hay demoras, emociones humanas, sesgos cognitivos y limitaciones técnicas. Las oportunidades aparecen cuando alguien interpreta mejor o más rápido la misma información que los demás. Ahí es donde entran las firmas cuantitativas.
Compañías como Jane Street, Two Sigma, Renaissance Technologies o Citadel procesan enormes volúmenes de datos públicos usando algoritmos de machine learning. Analizan precios, clima, noticias, redes sociales, imágenes satelitales y más. Detectan patrones mínimos pero repetitivos y los aprovechan ejecutando millones de operaciones automatizadas en tiempos imposibles para un humano. Un ejemplo: contar autos en los estacionamientos de grandes cadenas como Walmart a través de imágenes satelitales. Si hay menos autos de lo esperado, infieren una baja en ventas, lo que anticipa un mal resultado en los reportes trimestrales.
Esta ventaja de información real permite actuar antes y el enfoque, basado en datos alternativos, es central en el análisis moderno. No usan información secreta ni ilegal, sino pública pero no obvia, combinada con herramientas como procesamiento de lenguaje natural, visión computacional y aprendizaje profundo.
Con la llegada de la IA generativa, se acelera aún más la capacidad de interpretar reportes financieros, conferencias con analistas y noticias económicas. Mientras sigan existiendo límites humanos o técnicos, habrá margen para modelos que vean más, mejor y más rápido. Y en un entorno donde la información abunda pero la atención escasea, eso hace toda la diferencia.
Este artículo fue publicado originalmente en la edición print de Forbes México de Setiembre de 2025.
(*) El autor es periodista y consultor de tecnología y comunicación. Analiza los nuevos
medios y redes sociales desde hace 25 años. Autor de cinco libros sobre medios y tecnología. El último es Las máquinas no pueden soñar, sobre IA (2018). Fue editor general de Forbes ArgentinA. Es columnista permanente en Clarín, Revista VIVA , Newsweek, Infobae y Reporte Publicidad , entre otros medios. Es speaker en eventos locales e internacionales.
Te puede interesar: Nuevo episodio de ‘South Park’ se burla de la toma de control de la policía de Washington por parte de Trump
