De la IA experta a la resolución de problemas industriales
LG está posicionando su plataforma EXAONE no simplemente como un sistema de IA de propósito general, sino como un conjunto de modelos especializados por dominio, diseñados para resolver problemas científicos, de fabricación y empresariales específicos.
En el LG AI Talk Concert de 2026, LG AI Research presentó aplicaciones desarrolladas a través de años de trabajo con datos industriales reales. El énfasis estuvo en la implementación práctica: reducir la experimentación, interpretar datos complejos de los procesos, acelerar la inspección y respaldar decisiones que tradicionalmente dependen de ingenieros altamente especializados.
Esta orientación es especialmente relevante para la automatización industrial, porque muchos problemas de fábrica no se deben a la falta de hardware de automatización. El desafío principal suele ser la capacidad de interpretar grandes cantidades de datos de procesos inconsistentes y convertir esa información en decisiones de control o de ingeniería aplicables.
Descubrimiento de fármacos acelerado por IA
En la investigación científica, LG AI Research informó que colaboró con LG H&H para evaluar aproximadamente 420.000 sustancias candidatas e identificar en un día el candidato eficaz contra la caída del cabello Rhamsidil.
La importancia no radica únicamente en la velocidad del cribado. La IA puede reducir el número de experimentos físicos necesarios al acotar el espacio de búsqueda antes de comprometer recursos de laboratorio. Esto crea un ciclo de retroalimentación en el que el análisis computacional y la experimentación física se influyen continuamente.
LG también está colaborando con D&D Pharmatech en el desarrollo de fármacos peptídicos orales de nueva generación. Además, EXAONE 4.5 se ha incorporado a un sistema de IA para la revisión de nuevos fármacos en el Ministerio de Seguridad Alimentaria y Farmacéutica de Corea.
Los laboratorios autónomos crean un ciclo cerrado de ingeniería
LG está desarrollando un laboratorio autónomo en el que la IA analiza los resultados experimentales, determina qué debe probarse a continuación y diseña los experimentos posteriores.
Desde una perspectiva de ingeniería, esto representa un cambio del análisis asistido por IA hacia la optimización de ciclo cerrado. En lugar de seguir una secuencia experimental fija, el sistema puede seleccionar potencialmente la siguiente prueba según la información obtenida de los experimentos anteriores.
El mismo principio tiene importantes implicaciones para la automatización industrial. Un sistema de producción podría llegar a analizar desviaciones del proceso, identificar causas probables, seleccionar una acción correctiva y evaluar el resultado sin requerir que un ingeniero defina manualmente cada paso intermedio.
EXAONE Tabular se dirige a datos complejos de fábrica
Uno de los desarrollos industriales más importantes de LG es EXAONE Tabular, un modelo fundacional experto diseñado para comprender las relaciones entre las condiciones de los procesos de fabricación y la información de calidad.
Los datos de los procesos industriales rara vez están limpios. Los valores de los sensores, las condiciones de producción, las características de los productos y los resultados de las inspecciones pueden cambiar con el tiempo. Los sistemas convencionales de aprendizaje automático pueden requerir un nuevo entrenamiento cuando cambian las características visuales de los productos o las condiciones de producción.
LG afirma que EXAONE Tabular puede seguir funcionando ante cambios en el proceso o en la apariencia del producto sin necesidad de volver a entrenarse, mientras que un entrenamiento adicional personalizado puede mejorar aún más su rendimiento.
Esta es una orientación técnica importante. En las plantas reales, el mantenimiento de los modelos puede llegar a ser casi tan exigente como la implementación inicial de la IA. Por ello, reducir la cantidad de reentrenamiento necesario podría ser más valioso que lograr una mejora marginal en el rendimiento de las pruebas de laboratorio.
La IA para fabricación debe adaptarse a las condiciones cambiantes del proceso
EXAONE Tabular se aplicó inicialmente en una planta de fabricación de LG Innotek y ahora está despertando el interés de empresas farmacéuticas y hospitales. LG también ve posibles aplicaciones en operaciones de alto consumo energético, incluidas las instalaciones nucleares e hidroeléctricas.
El desafío subyacente es común a estos sectores: las condiciones del proceso son dinámicas, mientras que el costo de recopilar y etiquetar datos industriales es elevado.
Para los ingenieros de automatización, esto significa que los modelos de IA industrial más útiles no serán necesariamente los que requieran conjuntos de datos enormes. Los modelos capaces de aprender a partir de información específica limitada de cada planta, incorporando al mismo tiempo los conocimientos existentes del proceso, podrían ser más fáciles de implementar en múltiples entornos de producción.
La inspección visual avanza hacia la configuración autónoma
LG también está desarrollando un agente de inspección visual capaz de realizar de forma autónoma el muestreo de datos, el etiquetado y el entrenamiento de modelos.
Tradicionalmente, introducir un nuevo producto en una línea de fabricación puede requerir una amplia recopilación y etiquetado de imágenes antes de que un modelo de inspección esté listo para producción. LG afirma que su enfoque puede reducir considerablemente este periodo de preparación.
El valor desde el punto de vista de la ingeniería es claro: los sistemas de inspección deben adaptarse a las variantes de producto y a los cambios del proceso sin obligar a reiniciar todo el flujo de trabajo de visión artificial cada vez que cambia la configuración de producción.
Si se implementa con éxito, la preparación autónoma de datos podría convertirse en una capa importante entre las cámaras industriales y los sistemas de ejecución de fabricación de nivel superior.
De robots individuales a fábricas autónomas
El objetivo a largo plazo de LG va más allá de automatizar máquinas o robots individuales. La empresa trabaja en modelos fundacionales de robótica y en una arquitectura de fábrica en la que la planta pueda operar como una inteligencia integrada.
Este es un cambio conceptual importante.
La automatización tradicional divide una planta en PLC, accionamientos, robots, sistemas de visión, SCADA, MES y otras capas de control, manteniendo el control determinista en los niveles inferiores. La IA se está introduciendo cada vez más por encima de estos sistemas para interpretar datos y optimizar las operaciones.
La siguiente etapa podría implicar que la IA coordine la información entre estas capas, mientras los controladores deterministas continúan gestionando las funciones de control críticas en términos de tiempo.
En mi opinión, esta distinción seguirá siendo importante. La IA es adecuada para la predicción, la optimización, la clasificación y el apoyo a la toma de decisiones, pero sustituir el control determinista por un modelo probabilístico no constituye automáticamente una mejora de ingeniería. Las fábricas autónomas requerirán una separación clara entre la toma de decisiones de la IA y las funciones de control críticas para la seguridad o el tiempo.
La principal barrera son los datos y la economía de la implementación
LG reconoce que los datos de fabricación procedentes de instalaciones reales son abundantes y difíciles de organizar. También deben tenerse en cuenta el consumo de GPU y el valor económico generado por la implementación de la IA.
Esta es una de las observaciones más prácticas del anuncio. La adopción de la IA industrial no estará determinada únicamente por la inteligencia del modelo. Los ingenieros y operadores de planta también deben considerar la adquisición de datos, la calidad de los sensores, la arquitectura de red, la ciberseguridad, los recursos informáticos, el mantenimiento de los modelos y los beneficios de producción medibles.
Por ello, el esfuerzo de LG por hacer que EXAONE Tabular sea ligero es estratégicamente relevante. Un modelo que requiera menos infraestructura informática podría implementarse potencialmente más cerca de los equipos de producción y utilizarse en un mayor número de instalaciones.
La IA industrial pasa de la predicción a la acción
Según se informa, el esfuerzo de seis años de LG ha abordado más de 100 problemas industriales difíciles. La orientación actual de la empresa sugiere una transición desde una IA que explica las condiciones industriales hacia una IA capaz de determinar y ejecutar el siguiente paso.
Esta transición requerirá más que modelos fundacionales de mayor tamaño. Requerirá integración con PLC, robots, redes industriales, historiadores, plataformas MES, sistemas de visión y bases de datos de ingeniería.
Por tanto, el camino más realista hacia la fabricación autónoma probablemente será gradual: primero la IA observa y analiza, después recomienda, luego opera dentro de límites definidos y, finalmente, coordina decisiones cada vez más complejas a nivel de planta.
Conclusión
Los desarrollos de EXAONE de LG demuestran cómo la IA especializada está pasando de las demostraciones a la investigación científica y las operaciones industriales. El descubrimiento de fármacos, los laboratorios autónomos, la inteligencia tabular de procesos y la inspección visual representan distintas aplicaciones de un mismo concepto general: utilizar la IA para reducir el esfuerzo de ingeniería necesario para comprender sistemas complejos y determinar qué debe ocurrir a continuación.
Para la automatización industrial, el desarrollo más importante quizá no sea la llegada de una fábrica completamente autónoma. Es la creación gradual de una capa de IA capaz de comprender las condiciones cambiantes del proceso mientras trabaja junto con la automatización determinista establecida.
Es probable que las empresas que combinen con éxito estos dos enfoques obtengan más valor práctico que aquellas que traten la IA como un sustituto de la arquitectura de control industrial existente.
