En Realize LIVE Americas, Siemens Digital Industries Software presentó su estrategia para integrar inteligencia artificial en diseño, simulación y operaciones industriales. La tesis central fue que la IA produce resultados útiles solo cuando opera sobre información actualizada y trazable, no sobre archivos acumulados sin orden ni contexto. Los casos presentados abarcaron manufactura automotriz, plantas de alimentos, ciencias biológicas, impresión 3D a escala industrial y propulsión de cohetes.

Por Kathya Santoyo

Detroit, Michigan – Siemens Digital Industries Software organiza anualmente su evento Realize LIVE como plataforma para presentar la dirección estratégica de su cartera de software industrial y los resultados que sus clientes obtienen con ella. En la edición 2026, el presidente y CEO de la empresa, Tony Hemmelgarn, sostuvo que los avances en inteligencia artificial deben apoyarse en tres elementos fundamentales: motores de simulación más rápidos, flujos de trabajo más ágiles y una base de datos confiable que preserve el contexto técnico y operativo de cada decisión.

Hemmelgarn aseguró que la inteligencia artificial solo es útil si la información sobre la que opera está actualizada y es confiable. El punto tiene implicaciones para cualquier empresa que esté evaluando una estrategia de IA: sacar la información de los sistemas donde se genera y acumularla en un archivo externo elimina los controles de acceso, la trazabilidad de cambios y el contexto de para qué se generó cada dato. La propuesta de Siemens es que la IA opere sobre la información en el lugar donde vive, actualizada en tiempo real, sin moverla a ningún lado.

Esa visión se reflejó en varios de los anuncios realizados durante el evento. Siemens presentó Intelligence Center X, una plataforma diseñada para desarrollar agentes de inteligencia artificial sobre información industrial gestionada y contextualizada. La compañía también mostró avances en Teamcenter Copilot y Designcenter Copilot, herramientas orientadas a facilitar el acceso al conocimiento técnico acumulado en las organizaciones y automatizar tareas recurrentes dentro de los procesos de ingeniería.

Entre las novedades destacó GenAI for Design, una capacidad que utiliza modelos entrenados con información de simulación para generar alternativas de diseño. La herramienta complementa las capacidades de Physics AI y SimSolid, tecnologías que buscan reducir el tiempo necesario para explorar escenarios complejos y evaluar opciones de ingeniería sin sustituir los modelos físicos de alta fidelidad utilizados para la validación final.

Durante la presentación, Siemens también mostró cómo busca extender la inteligencia artificial más allá del diseño y la simulación para incorporarla a decisiones de manufactura y abastecimiento. Mediante integraciones con plataformas como Xometry y Volution, los ingenieros pueden conocer en tiempo real costos estimados de fabricación, disponibilidad de componentes, riesgos de suministro y tiempos de entrega mientras desarrollan un producto.

Conforme cambia una configuración o se modifica una pieza, el sistema actualiza automáticamente el impacto económico de esas decisiones, permitiendo evaluar simultáneamente desempeño técnico, manufacturabilidad y costo antes de llegar a producción.

Retos del software en productos con millones de variantes

Joe Bohman, vicepresidente ejecutivo de Siemens Digital Industries Software, presentó por su parte el desafío de validación de software en productos modernos: un vehículo puede tener millones de líneas de código, cientos de miles de variantes y docenas de unidades de control electrónico que deben integrarse. Cualquier cambio de software tiene que validarse contra toda esa configuración antes de llegar al cliente.

El problema no es nuevo, pero se agrava con cada ciclo de producto. Sin un gemelo digital que conecte el hardware, el software embebido, la electrónica y la mecánica, la validación ocurre tarde en el ciclo y los errores se descubren en el laboratorio, no en simulación.

La solución que presentó la compañía permite correr el software más reciente del producto contra la configuración virtual del vehículo, incluyendo un procesador que aún no ha sido fabricado físicamente. Los errores de compatibilidad entre hardware y software se identifican en el momento en que aparecen, no meses después. Hemmelgarn señaló que este problema no es exclusivo del sector automotriz: aplica a cualquier producto con componentes de software embebido, desde electrodomésticos hasta equipos industriales.

Los directivos también hablaron sobre la diferencia entre configurar un sistema y personalizarlo. “Un sistema altamente personalizado luce bien el día de la implementación, pero puede convertirse en un obstáculo para cualquier actualización futura”, explicó. Esto fue ilustrado con los autos modificados en programas de televisión: nadie muestra cómo se ve el auto un año después. El código personalizado, sostuvo, tiene el mismo problema: es costoso mantener y más costoso aún salir de él.

La postura de Siemens es que sus herramientas deben ser capaces de actualizarse sin que el cliente pierda las adaptaciones que hizo a su flujo de trabajo. Este enfoque permite a los equipos configurar sus procesos en un entorno de bajo código sin comprometer la capacidad de recibir actualizaciones del producto base.

Facturación de IA: el desafío pendiente

La empresa reconoció que aún no existe un modelo definido para facturar las capacidades de IA integradas en sus productos. Aunque Hemmelgarn señaló que la compañía ya aplica esquemas de consumo por tokens en algunas soluciones, admitió que los clientes han manifestado la preocupación por recibir facturas inesperadas. Según el directivo, quienes están en proceso de firma exigen garantías de que no enfrentarán un cargo elevado por consumo de tokens.

La respuesta contempla tres niveles: capacidades base incluidas sin costo en el producto; agentes específicos con precio por usuario o por uso cuando el valor lo justifique; y un nivel de consumo variable con controles de tope que la empresa aún está definiendo. Hemmelgarn descartó que este cambio de modelo genere una disrupción financiera comparable a la transición hacia el modelo SaaS, cuando los contratos de 100 millones de dólares pasaron de reconocerse de forma anticipada a reconocerse mensualmente.

Su argumento es que, ya sea que el usuario acceda mediante nombre de usuario o por API, el software se utiliza de la misma manera y el valor se cobra igual. Lo que aún no está claro es la escala del consumo, que es precisamente el factor que genera incertidumbre en los equipos de finanzas de los clientes.

Casos de éxito que validan el escalamiento industrial

Como ejemplo de usos prácticos de la tecnología, John B. Rogers, Jr., CEO y cofundador de Haddy, presentó un modelo de negocio que parte de un diagnóstico macroeconómico: en las últimas tres décadas, Estados Unidos cedió tres puntos porcentuales de manufactura como proporción del PIB al desarrollo de software, y hoy China construye 360 barcos por cada uno que construye ese país.

Haddy opera impresoras 3D de polímeros compuestos de gran formato con una capacidad 16 veces mayor a cualquier sistema equivalente en Estados Unidos, con robots que imprimen a aproximadamente 54 kilogramos por hora, operan sin presencia humana la mayor parte del tiempo, y alcanzan 95% de rendimiento en producción estandarizada.

Los contratos que Rogers detalló ilustran la velocidad con la que un modelo de manufactura aditiva puede escalar cuando resuelve un problema real de producción. Brunswick, fabricante de embarcaciones, encargó el arco de radar para su sistema de atraque autónomo, una pieza que requería 100 horas-hombre. Haddy la produjo en seis horas de robot, creciendo un proyecto de 40,000 dólares a 1 millón de dólares.

Adicionalmente, el Departamento de Defensa de EE. UU. adjudicó contratos por 6 millones de dólares en ocho meses para cinco productos, con proyección de crecimiento a 200 millones en doce meses, mientras que Walt Disney cerró un contrato de 10 millones de dólares para producción de escenografía tras una prueba inicial de 500,000 dólares en diez productos.

Según Rogers, el proceso consiste en producir escenografía lista para montaje, con un estándar de calidad que consiste en que un niño de seis años debe dudar si es real o no al tocarla. La empresa opera en Florida y abrirá sedes en Los Ángeles y Atlanta, con una meta de siete ubicaciones en EE. UU. y tres internacionales en 24 meses.

En tanto, Balin Moher, P.Eng, ingeniero de sistemas mecánicos de Reaction Dynamics, startup de propulsión de cohetes con sede en Montreal, presentó la arquitectura híbrida que la empresa desarrolla para vehículos de lanzamiento de tamaño pequeño y mediano. El problema que aborda tiene cinco décadas: en los cohetes híbridos tradicionales, el núcleo del combustible crece durante la quema y genera una curva de empuje decreciente que impide alcanzar la órbita con eficiencia.

La propuesta de Reaction Dynamics combina la eficiencia de masa de los cohetes sólidos con la controlabilidad de los líquidos, con la mitad de la complejidad hidráulica de un cohete líquido convencional, y permite que el vehículo permanezca cargado durante meses o años antes del lanzamiento.

La empresa recibió 8.3 millones de dólares del Departamento de Defensa de Canadá, el primero en la historia del país dedicado a construir infraestructura de lanzamiento nacional, lo que la sitúa en un programa de 60 millones de dólares en tres años. La misión suborbital del motor RE-102está prevista para el otoño de este año.

“Teamcenter es nuestra fuente de la verdad. Tenemos control de revisiones en cada parte, cada ensamble, cada dibujo y cada especificación”, dijo Moher. El ciclo completo de diseño, simulación, fabricación y prueba ha tomado hasta seis meses por iteración; Moher trabaja en herramientas de IA propias para reducir ese tiempo integrando los sistemas de ingeniería con el conocimiento no estructurado que vive en presentaciones, correos y conversaciones de equipo.

PepsiCo rediseña una línea sin tocar un equipo

Uno de los casos resaltados en el evento fue la reconversión de una bodega de PepsiCo en una línea de producción de Gatorade de nueva generación. El requisito era transformar el espacio sin mover ningún equipo durante el proceso de planeación. Siemens construyó un gemelo digital de la planta para modelar los flujos de producción, la capacidad de línea, las rutas de materiales y los movimientos de operadores, y luego aplicó herramientas de optimización para evaluar todos los posibles esquemas de distribución del espacio antes de tomar cualquier decisión física.

El resultado fue un modelo virtual completo de la planta que PepsiCo puede usar para escenarios de qué pasaría si, ajustes de proceso y planeación de cambios futuros. Steven Hoinka, Vice President, Global Manufacturing Strategy and Transformation de PepsiCo, señaló que la capacidad de operar una planta con el mismo modelo físico usado para diseñarla, ha generado más interés de clientes que cualquier otro producto que haya presentado en los últimos 25 años, y que al momento del evento había empresas activamente en conversación para replicarlo en sus propias instalaciones.