Guillem Alsina Gonzàlez
Dijam Panigrahi es, desde 2015, cofundador y COO de GridRaster, firma especializada en soluciones de computación espacial inmersiva (como la realidad extendida) mediante IA, y cuenta con experiencia previa en el terreno de los semiconductores. En Mobility Engineering, una publicación del SAE Media Grup, firma un artículo sobre un nuevo perfil profesional que, a su parecer, premitirá presevar la experiencia de los operarios de fábricas con más años de trabajo a sus espaldas.
La cuestión de cómo preservar dicho conocimiento, adquirido con la experiencia y, hasta ahora, transmitido de generación en generación de trabajadores, ha empezado a quitarle el sueño a los responsables de las fábricas a medida que los trabajadores humanos han empezado a ser sustituidos por máquinas.
Y es que, por poner sólo un par de ejemplos, maquinistas expertos e inspectores de calidad sénior, han desarrollado a lo largo de décadas de carrera profesional una capacidad casi intuitiva para detectar una fisura mínima, percibir cuándo una tolerancia se está desviando, o intuir que una máquina no funciona como debería.
Las respuestas al reto de preservar este conocimiento se han multiplicado, con las empresas destinando miles de millones a instrucciones de trabajo digitales, bibliotecas de vídeo, bases de conocimiento asistidas por inteligencia artificial y simulaciones de formación inmersiva con el propósito de digitalizar dicho conocimiento antes de que desaparezca con sus poseedores.
En su artículo, Panigrahi va más allá, preguntándose qué tareas van a quedar para los especialistas que sigan en plantilla una vez se haya digitalizado dicho conocimiento, apuntando que la respuesta a dicha pregunta definirá la mano de obra industrial de la próxima generación.
Y la respuesta que da él mismo apunta a la aparición de un perfil profesional inédito, al que denomina técnico definido por software (Software-Defined Technician).
Del observador al analista
Según desgrana Panigrahi, el papel tradicional del inspector de calidad sénior ha sido esencialmente observacional: examinaba las piezas, las comparaba con un modelo mental construido a lo largo de los años y emitía un juicio. Los modelos de lenguaje de IA visual ejecutan ya la parte de ese trabajo que consiste en cotejar patrones visuales, y lo hacen con mayor rapidez, constancia y a una escala inalcanzable para cualquier equipo humano. Un modelo bien entrenado no parpadea, no tiene un mal día ni acumula fatiga atencional en la tercera hora de un turno.
Lo que esos sistemas no pueden hacer por sí solos es razonar sobre principios metalúrgicos, aplicar marcos de riesgo probabilístico o comprender por qué una anomalía superficial idéntica a la de la víspera puede hoy representar un fallo crítico, sencillamente porque ha cambiado el lote de materia prima de entrada. Ese razonamiento contextual y causal es el terreno hacia el que se desplaza la pericia humana en la fábrica definida por software.
El puesto del inspector veterano no se extingue, sino que se transforma y, según Panigrahi, deja de ser el observador principal para convertirse en el instructor que enseña al modelo qué significa realmente la anomalía, y no solo qué aspecto tiene. Se trata de un cambio profundo en la exigencia cognitiva, para el que la mayoría de las organizaciones industriales no está preparada.
En la práctica, esta evolución supone que la próxima generación de técnicos de calidad necesitará una competencia que hasta ahora no figuraba en ninguna oferta de empleo industrial: el razonamiento semántico, esto es, la capacidad de articular con precisión la lógica que hay detrás de una decisión de inspección, en un formato del que un modelo de lenguaje pueda aprender y que pueda extrapolar a otras condiciones.
Investigaciones del Manufacturing Institute han mostrado reiteradamente que la brecha de competencias en la industria se está ampliando, si bien el debate se ha centrado casi por completo en los oficios técnicos y el manejo de maquinaria. La nueva carencia, en cambio, es de naturaleza cognitiva y lingüística. El reto consiste en saber explicar a un sistema por qué una depresión superficial de 0,3 milímetros resulta admisible en una carcasa de hierro fundido pero inaceptable en un tocho de aluminio aeronáutico, y por qué esa diferencia no es únicamente dimensional, sino estructural y contextual.
Este profesional no es un programador, sino un experto en su materia que ha aprendido a traducir el conocimiento tácito (el que se adquiere con la experiencia y resulta difícil de verbalizar) en cadenas de razonamiento explícitas y legibles por una máquina. Las empresas que identifiquen y formen a estas personas desde ahora, dispondrán de una ventaja estructural que se irá acrecentando con el tiempo.
El déficit de talento que arrastra la industria no es únicamente un problema de cantidad, sino de distribución: la pericia profunda se concentra en individuos, y esos individuos solo pueden estar en un sitio a la vez. Además, la IA permite confeccionar gemelos digitales de la maquinaria, con lo que en vez de recorrer toda la cadena de producción para inspeccionar físicamente distintos puntos, sino que se puede supervisar la representación digital de todos y cada uno desde un único lugar, lo que permite multiplicar notablemente el alcance de supervisión efectiva de los trabajadores cualificados.
La consecuencia es que no resulta imprescindible reemplazar a cada experto que se jubila por otro experto, sino reorganizar el flujo de trabajo para que el conocimiento de un solo especialista se aplique a la escala que el negocio realmente requiere.
