Un despliegue de IA industrial de producción abarca cinco capas: proceso físico y PLC en la base, SCADA para supervisión, MES para gestión de producción, edge computing para inferencia local, y nube o sistemas empresariales para entrenamiento, analítica e IA generativa. Entender dónde se ejecuta cada modelo de IA, cómo fluyen los datos entre capas y dónde se sitúan las fronteras entre control determinista e IA probabilística es esencial para cualquier arquitecto o líder tecnológico que integre IA en un entorno de fabricación.
Esta referencia de arquitectura mapea las capas estándar de un despliegue de IA industrial — desde PLC y SCADA hasta edge y nube e IA generativa — y explica dónde debe ejecutarse cada tipo de modelo de IA, cómo fluyen los datos entre capas y cuáles son los puntos de integración con los sistemas de planta existentes. Está escrita para arquitectos, CTOs y líderes de proyecto que necesitan diseñar o evaluar un stack de IA industrial de producción.
La IA industrial no sustituye los sistemas de planta existentes — los extiende. El PLC controla el proceso físico de forma determinista. SCADA supervisa y registra. MES gestiona órdenes de producción, recetas y trazabilidad. Edge computing proporciona cómputo local para inferencia de IA en tiempo real. La nube y los sistemas empresariales gestionan el entrenamiento de modelos, la analítica a gran escala y las cargas de IA generativa. Cada capa tiene un rol distinto, y la arquitectura debe definir qué cruza la frontera entre ellas.
El principio de diseño clave es que el control determinista permanece en las capas de PLC y SCADA. La IA añade inteligencia — predicciones, optimizaciones, detección de anomalías — pero lo hace a través de interfaces supervisadas, no reemplazando interlocks de seguridad ni lógica determinista. La IA generativa, en particular, opera en la capa de aplicación: ayuda a los humanos a interpretar datos y tomar decisiones, pero no escribe directamente al equipo físico.
Para una guía sobre cómo mover la IA a través de estas capas de piloto a producción, consulte nuestra guía de piloto a producción. Para planificar la iniciativa global, consulte nuestra hoja de ruta de IA industrial.
| Capa | Rol | Modelos de IA que se ejecutan aquí |
|---|---|---|
| 1. PLC y proceso físico | Control determinista de motores, válvulas, transportadores y sensores. Interlocks de seguridad y lógica en tiempo real. | No se ejecutan modelos de IA directamente en el PLC. Las recomendaciones de IA llegan al PLC a través de una interfaz de escritura supervisada, sin bypassear la lógica de seguridad. |
| 2. SCADA | Supervisión, alarmas, visualización en tiempo real y registro de datos desde PLCs a lo largo de una línea o celda. | Modelos ligeros de detección de anomalías pueden ejecutarse junto a SCADA para alertas en tiempo real. Los datos de SCADA son una entrada primaria para modelos de IA en capas superiores. |
| 3. MES | Gestión de órdenes de producción, ejecución de recetas, trazabilidad, registros de calidad y cálculo de OEE. | El MES proporciona contexto de producción (ID de lote, receta, orden de trabajo) que enriquece las predicciones de IA. Las predicciones y recomendaciones pueden escribirse de vuelta al MES para visibilidad del operador. |
| 4. Edge computing | Appliances de cómputo local o PCs industriales colocados cerca de la línea. Inferencia de baja latencia sin dependencia de nube. | Modelos de visión por computador para detección de defectos, inferencia de mantenimiento predictivo, modelos de optimización de procesos. El edge es donde ocurre la mayoría de la inferencia de IA en producción. |
| 5. Nube y empresa | Entrenamiento de modelos, analítica a gran escala, data lakes, servicios de IA generativa e integración con ERP. | Entrenamiento y reentrenamiento de modelos, simulaciones de gemelo digital, IA generativa para asistencia a operadores, resumen de informes de turno y analítica a nivel empresarial. |
La inferencia en nube introduce latencia de red y una dependencia de conectividad que una planta no puede permitirse para decisiones en tiempo real. Cualquier inferencia que afecte a seguridad o velocidad de línea debe ejecutarse en edge, no en la nube.
Los modelos de IA son probabilísticos. Los interlocks de seguridad en los PLCs son deterministas. Nunca permita que la IA escriba directamente a una salida de PLC que bypasee la lógica de seguridad. Las recomendaciones de IA deben pasar por la jerarquía de control existente.
Los grandes modelos de lenguaje pueden alucinar y producir salidas no deterministas. La IA generativa pertenece a la capa de aplicación — asistiendo a operadores, resumiendo datos, generando procedimientos — no al bucle de control de equipo físico.
El modelo Purdue existe por una razón. Conectar sistemas de IA directamente desde la nube empresarial al PLC sin segmentación adecuada, firewalls y DMZs crea vulnerabilidades de seguridad que pueden comprometer toda la planta.
Algunos equipos de IA construyen un pipeline de datos separado que duplica las lecturas de sensores, creando una segunda fuente de verdad que deriva de SCADA y MES. La IA debe consumir datos de los sistemas de registro existentes, no de un pipeline en la sombra.
Los dispositivos edge tienen cómputo, memoria y límites térmicos limitados. Un modelo que se ejecuta en una GPU de nube puede no caber en un PC industrial dentro de un armario a 50 °C. Valide el tamaño del modelo y el tiempo de inferencia en el hardware edge real antes del despliegue.
Depende de la latencia, la seguridad y la conectividad. El control en tiempo real y la inferencia crítica para seguridad pertenecen a dispositivos edge cercanos al PLC. El análisis por lotes, el entrenamiento de modelos y las tareas de IA generativa que toleran segundos de latencia pueden ejecutarse en la nube. La mayoría de despliegues de producción usan ambos, con edge para inferencia y nube para entrenamiento y procesamiento intensivo.
La IA generativa no sustituye a SCADA ni a MES. Se sitúa en la capa de aplicación, donde puede asistir a los operadores con consultas en lenguaje natural sobre el estado de la planta, generar procedimientos de mantenimiento a partir de documentación o resumir informes de turno. No controla equipo físico directamente.
El MES es el sistema de registro para órdenes de producción, trazabilidad y datos de calidad. Los modelos de IA consumen datos del MES para contexto — números de lote, recetas, órdenes de trabajo — y pueden escribir predicciones de vuelta al MES para que los operadores vean el resultado de la IA en la interfaz que ya utilizan.
Las escrituras directas de IA a PLC son posibles pero deben abordarse con precaución. Los interlocks de seguridad y la lógica de control determinista deben permanecer en el PLC. Las recomendaciones de IA deben pasar por una capa supervisada o por una aprobación human-in-the-loop antes de afectar al equipo físico, a menos que el caso de uso haya sido validado completamente para control autónomo.
La Purdue Enterprise Reference Architecture define niveles de red desde el Nivel 0 (proceso físico) hasta el Nivel 4 (empresa). Los despliegues de IA industrial deben respetar estos niveles: inferencia edge en Nivel 1–2, integración con MES en Nivel 3, y analítica en nube en Nivel 4. Cruzar niveles sin segmentación de red adecuada crea riesgos de seguridad.
Recursos relacionados: nuestro servicio de consultoría incluye asesoría de arquitectura para fabricantes que diseñan su stack de IA, y nuestra guía de piloto a producción cubre cómo mover la IA a través de estas capas en la práctica. Para consideraciones arquitectónicas sectoriales, consulte nuestras páginas de energía e industria química.
Díganos el entorno de planta, el caso de uso y los sistemas existentes. Le proponemos arquitectos que han diseñado despliegues de IA de producción con MES, SCADA, edge e IA generativa.