La IA generativa cambia quién puede construir un sistema IoT y cuánto tiempo lleva hacerlo. Durante la mayor parte de la última década, conectar sensores a algo útil significaba contratar a un integrador: alguien que supiera qué dispositivo comprar, cómo decodificar sus mensajes, cómo modelar los datos y cómo escribir la lógica que convierte una lectura en una alerta. Hoy los modelos de lenguaje pueden hacer buena parte de ese trabajo de configuración a partir de una descripción sencilla del objetivo.
Es un cambio importante, y es fácil exagerarlo. Un modelo que escribe una regla convincente también puede escribir una regla igual de convincente con la unidad equivocada. Las preguntas útiles son qué partes del trabajo pasan a la IA, cuáles siguen en manos de las personas y cómo distinguir una herramienta que ayuda de otra que solo luce bien en una demostración.
Lo esencial
- Donde más aporta la IA generativa en el IoT es como constructora: elegir el hardware, escribir decodificadores y preparar reglas y paneles a partir de un objetivo descrito.
- Las decisiones repetitivas y críticas en el tiempo siguen correspondiendo a reglas deterministas que se ejecutan siempre de la misma manera.
- El principal riesgo son los errores verosímiles, así que toda configuración generada necesita una forma de probarse y revisarse antes de ejecutarse.
- Al comparar software, fíjese en cómo se comprueban y se deshacen los cambios que hace la IA, no solo en lo que la IA es capaz de generar.
¿Cómo se usa la IA generativa en el IoT?
La IA generativa en el IoT aparece en cuatro tipos de trabajo, y conviene distinguirlos porque conllevan riesgos muy distintos.
Lo primero es la configuración. Una persona describe lo que quiere, «avísame cuando la sala de servidores supere los 27 °C y muestra las lecturas en una pantalla», y el modelo propone los dispositivos, la regla y el panel. Aquí es donde más tiempo se ahorra, porque la configuración solía implicar muchos pasos técnicos pequeños.
El código le sigue de cerca. Muchos sensores envían cargas útiles binarias compactas que necesitan un decodificador, una función corta que convierte bytes en valores con nombre. A los modelos se les da bien redactarlos a partir de una ficha técnica, junto con las fórmulas de conversión y las entradas de prueba.
Luego están las preguntas. En lugar de construir un gráfico, una persona pregunta «¿qué congeladores se calentaron más de la cuenta anoche?» y obtiene una respuesta. Es útil, aunque se trata de una herramienta de análisis y no de construcción. La respuesta solo es tan buena como los datos en los que se apoya, así que el modelo necesita ver las marcas de tiempo y los huecos, no solo los valores.
La documentación y el traspaso completan la lista: convertir un sistema configurado en una descripción legible de lo que hace cada regla y de quién recibe cada alarma. Es un trabajo poco vistoso que a menudo se omite, y los modelos lo hacen bien. Leer un resumen generado de sus propias reglas es, además, un paso de revisión sorprendentemente eficaz: si la descripción dice que la alarma nocturna llega a la persona equivocada, probablemente la regla también.
Lo que falta en la lista también importa. Los modelos generativos no encajan bien en las propias decisiones en tiempo real. Un sensor de fugas que debe cerrar una válvula en cuestión de segundos, siempre, necesita una regla fija. Un modelo razona de forma ligeramente distinta en cada ejecución y cuesta una petición cada vez que se le consulta.
Hay una razón menos visible por la que la configuración es el terreno ideal. Cuando un modelo genera la configuración de una plataforma, su resultado encaja en la estructura propia de esa plataforma: un dispositivo con un tipo, una regla con una condición, una alarma con destinatarios. La plataforma puede validarlo todo antes de que se ejecute nada, y una persona puede abrir cada elemento en las pantallas habituales.
¿Cómo funciona el desarrollo AIoT?
El desarrollo AIoT, es decir, la construcción de sistemas conectados que combinan datos IoT con IA, sigue las mismas fases de siempre. Lo que ha cambiado es cuánto de cada fase hace una persona a mano.
| Fase | Tradicionalmente | Con ayuda de la IA generativa |
|---|---|---|
| Elegir el hardware | Estudiar fichas técnicas, consultar a los proveedores | Describir el objetivo y recibir tipos y modelos de sensor sugeridos |
| Conectar los dispositivos | Configurar claves de red y perfiles dispositivo a dispositivo | El agente da de alta los dispositivos y comprueba que envían datos |
| Decodificar los datos | Escribir y probar un decodificador por modelo de dispositivo | El modelo redacta el decodificador a partir de la ficha técnica y una persona lo prueba |
| Construir la lógica | Escribir reglas o scripts a mano | El modelo redacta la regla a partir de una frase y una persona la revisa |
| Alertas | Configurar destinatarios y canales pantalla a pantalla | El modelo propone la gravedad y una cadena de escalado |
| Paneles | Colocar y configurar cada widget | El modelo prepara el panel y una persona añade las vistas |
| Probar y entregar | Pruebas manuales y documentación escrita | Lecturas simuladas, documentación generada y el visto bueno de una persona |
Pongamos el caso de un administrador de fincas que quiere alertas de fugas en los cuartos de instalaciones de 12 viviendas. A mano, los pasos son: elegir un sensor de fugas, dar de alta 12 dispositivos, escribir o encontrar un decodificador, construir una regla, definir a quién se avisa por la noche y crear un panel. Con un asistente capaz de actuar sobre la plataforma, la persona describe el objetivo una sola vez, revisa lo que se ha creado y dedica su tiempo a las partes que requieren criterio, como a quién hay que llamar cuando aparece una fuga de madrugada.
Algunas fases no se reducen en absoluto. Alguien tiene que seguir recorriendo el edificio para comprobar la cobertura de radio, decidir dónde va la pasarela, montar los sensores donde el agua se acumula de verdad y cambiar el que se instaló al revés.
Kilo AI, la IA integrada en Kilo, está pensada para ese trabajo de pantalla. Usted describe el objetivo, y Kilo AI añade los dispositivos, configura las reglas y las alarmas y crea el panel, en el que después usted coloca los gráficos que quiera. Escribe la condición de una regla a partir de su petición en lenguaje cotidiano y, tras el despliegue, puede simular una lectura que cumple la condición y otra que no, para que vea cómo responde la regla a ambas. Cualquier acción destructiva, como borrar un dispositivo o una regla, espera su confirmación explícita. Para comparar ese flujo de trabajo de construcción con la forma en que su equipo configura hoy los proyectos, tome un proyecto reciente, cuente las pantallas y los pasos que necesitó y póngalos junto a lo que crea Kilo AI al construir y operar una instalación IoT a partir de una sola descripción.
¿Qué riesgos tiene la IA generativa en el IoT?
Los riesgos rara vez son espectaculares. Son errores creíbles, porque una configuración generada suele parecer correcta. Estos son los patrones que dan problemas en la práctica.
El orden de los bytes es un clásico. Supongamos que un sensor envía la temperatura en dos bytes, 00 F5, que equivalen a 245, y que la ficha técnica indica dividir entre 10: 24,5 °C. Un decodificador redactado leyendo los bytes en el orden inverso obtiene F5 00, es decir, 62 720, o 6272 °C. Ese error salta a la vista. Un factor de escala equivocado que convierte 24,5 en 2,45 se nota menos, y una regla construida sobre él podría no dispararse nunca.
Las unidades son otro. Un umbral de «80» significa una cosa en grados Fahrenheit y algo muy distinto en grados Celsius, y un modelo que completa una regla a partir de una frase informal tiene que adivinar a cuál se refería usted.
Los umbrales pueden ser verosímiles pero inadecuados para la instalación concreta. «Alertar por encima de 8 °C» es un valor por defecto sensato para un frigorífico de farmacia y uno poco acertado para una bodega. La IA generativa rellena los huecos con valores típicos, así que cada umbral debe contrastarse con la instalación a la que va destinado.
La reproducibilidad es un problema más sutil. Si hace la misma pregunta dos veces a un modelo, puede obtener dos configuraciones ligeramente distintas, ambas razonables. Para un primer borrador no pasa nada, pero significa que lo que hay que conservar, revisar y versionar es la propia regla o el propio decodificador generado, no la instrucción que lo produjo.
El alcance es el último. Una petición como «apaga todo lo del ala este por la noche» puede interpretarse de forma más amplia de lo previsto si el modelo ve dispositivos que usted olvidó que estaban etiquetados así.
La revisión humana importa sobre todo en tres puntos. Compruebe los decodificadores frente a una lectura conocida, como la de un termómetro colocado junto al sensor. Compruebe las condiciones de las reglas con un valor que debería activarlas y otro que no. Y compruebe cualquier acción que envíe una orden a un equipo antes de que funcione sin supervisión. Una plataforma que permite ejecutar una regla paso a paso con valores de prueba, o simular lecturas antes de ponerla en marcha, convierte esas comprobaciones en parte del flujo de trabajo normal.
Cómo elegir software IoT con IA
Las soluciones de software IoT con IA varían mucho, y las demostraciones suelen enseñar el paso de generación porque luce bien en pantalla. Estas preguntas apuntan a lo que importa una vez que el sistema está en marcha. Sirven para cualquier proveedor, incluido el software IoT con IA desarrollado a medida dentro de la propia empresa.
¿Conecta los dispositivos que ya tiene, con los protocolos que usan, sin sustituir hardware? ¿Puede ver y editar todo lo que ha creado la IA, en las mismas pantallas que usaría una persona? ¿Cómo le muestra lo que ha cambiado la IA, y se puede deshacer un cambio? ¿Sigue funcionando el sistema en la instalación si se cae la conexión a internet? ¿Actúa la IA con los permisos de la persona que la usa o con derechos propios más amplios? ¿Qué tamaño tiene la comunidad de usuarios e integradores a la que puede pedir ayuda? ¿Cómo se fija el precio, por dispositivo, por usuario o por petición a la IA, y qué ocurre con el coste cuando pasa de 20 dispositivos a 2000? ¿Y puede exportar sus datos si se marcha?
Pase la pregunta del precio por un cálculo rápido con sus propias cifras. Un precio por usuario parece barato para un equipo de tres personas y caro para una empresa que quiere que 40 responsables de instalación vean su propio edificio. Un precio por dispositivo, en cambio, crece con el hardware. Si el uso de la IA se factura por petición, pregunte cuántas peticiones consume una configuración típica o un resumen diario, porque un agente que revisa cada dispositivo cada hora puede hacer miles de llamadas al día.
Un proveedor que ofrezca servicios de desarrollo AIoT debería poder responder a cada una de ellas con claridad.
Preguntas frecuentes sobre IA generativa e IoT
¿Puede la IA generativa escribir código para dispositivos IoT?
Sí; para piezas bien definidas, como decodificadores de carga útil, conversiones de datos y scripts pequeños, a menudo ofrece un buen primer borrador. El firmware que se ejecuta en el propio dispositivo es más difícil, porque los límites de memoria, la temporización y el consumo dependen del chip exacto, y los errores pueden no aparecer hasta pasadas semanas sobre el terreno. El firmware generado debe pasar por las mismas pruebas que cualquier otro.
¿El desarrollo AIoT es lo mismo que la IA generativa?
No. AIoT, siglas en inglés de inteligencia artificial de las cosas, abarca cualquier IA que trabaje con datos IoT, incluido el aprendizaje automático clásico, como la detección de anomalías y la visión artificial en cámaras. La IA generativa es una de sus ramas, la que produce texto, código y configuraciones, y en el desarrollo AIoT ayuda sobre todo a construir y explicar el sistema.
¿Sustituirá la IA generativa a los integradores IoT?
Cambia su trabajo más de lo que lo elimina. La configuración rutinaria se vuelve más rápida, lo que permite a los integradores dedicar más tiempo a los estudios en campo, la cobertura de radio, el montaje, la lógica relevante para la seguridad y las conversaciones sobre quién debe responder a cada alarma. La instalación física y la responsabilidad por el resultado siguen necesitando personas.
Un cuarto de almacenaje con un problema de humedad es una buena prueba de la faceta constructora. Describa el objetivo en una frase, como un aviso cuando la humedad supere el 70 %, y deje que Kilo AI añada el dispositivo, escriba la regla y cree un panel para ello en el plan gratuito, que admite exactamente una regla. Después, añada un gráfico de humedad a ese panel en el editor. Y luego compruebe la condición generada con una lectura por encima del límite y otra por debajo antes de confiar en ella.