Autor: Eduardo Gómez Rodríguez
Una primera inspección de calidad que requería quince minutos se completa ahora en treinta segundos en la fábrica de lavadoras de Midea en Jingzhou. Las gafas de IA y un agente especializado contrastan lo que se inspecciona con los planos y la información de los materiales. El resultado llega después al agente encargado de calidad.
Los treinta segundos son el dato más visible. Detrás hay algo más interesante para una empresa: el sistema sabe qué debe comprobar. Tiene los planos, conoce los materiales y dispone de una referencia con la que comparar lo que encuentra.
Buena parte de los casos analizados en China siguen esa lógica. La IA entra en procesos que ya existen y trabaja con información que la organización utiliza para producir, diseñar, atender a un cliente o tomar una decisión. El interés deja entonces de estar en lo que el modelo es capaz de hacer en abstracto y pasa a estar en una cuestión mucho más concreta: qué trabajo cambia y qué resultado produce.
Midea utiliza 14 agentes en 38 escenarios de producción. Entre esos escenarios están la inspección y la detección de desviaciones en moldes o problemas con materiales. Cuando aparece una anomalía, la información puede trasladarse a calidad, mantenimiento o planificación. Detectarla antes también adelanta el momento en el que otros equipos pueden actuar.
En la planta de climatización de Haier en Qingdao, alrededor del 70 % de los pedidos son personalizados. El ingeniero introduce los requisitos y una plataforma selecciona módulos y componentes, comprueba incompatibilidades y valida las prestaciones antes de generar el modelo tridimensional, los planos y la lista de materiales. Haier cifra la reducción del ciclo de diseño en un 62 % y el aumento de la eficiencia productiva en un 32 %.
En Haier, la IA tampoco sustituye una operación manual aislada. Reutiliza conocimiento técnico acumulado para preparar nuevos diseños. Parte del tiempo que antes se destinaba al dibujo y al cálculo pasa a la revisión de las propuestas y al entrenamiento del sistema. La plataforma prepara; el ingeniero comprueba si aquello que ha preparado es de utilidad.
En Taobao, un asistente basado en los modelos Qwen de Alibaba ofrece al empleado de atención posventa un diagnóstico y una posible solución al inicio de la conversación. Puede aceptarlos, modificarlos o ignorarlos. La respuesta que finalmente recibe el cliente sigue dependiendo del trabajador.
A comienzos de 2024, un experimento siguió durante cuatro semanas a 5 940 empleados con menos de un año en la empresa. La asignación fue aleatoria: 2 895 recibieron acceso al asistente y 3 045 continuaron con sus herramientas habituales. Entre ambos grupos gestionaron alrededor de 2,56 millones de conversaciones.
Quienes utilizaron el asistente redujeron un 8,2 % el tiempo empleado en identificar el problema del cliente. La duración total del chat cayó un 1,1 %. Las valoraciones mejoraron ligeramente y descendió la insatisfacción. Los mayores beneficios aparecieron entre los empleados con peor rendimiento previo.
Otro estudio analizaba una encuesta a 61 trabajadores de tres empresas con sede o dependencias en Shenzhen que recoge el uso de grandes modelos de lenguaje para redactar o revisar correos e informes, buscar información, analizar datos y preparar contenidos. Algo más de la mitad había utilizado estas herramientas. Entre quienes las habían utilizado, el 61 % calculaba que ahorraba entre un 10 % y un 20 % de su tiempo.
La encuesta formaba parte del análisis de Lu Di, Wu Qi y Zhang Yingfeng sobre las empresas chinas más expuestas a estas tecnologías después de la apertura pública de ERNIE Bot. En el estudio descendieron tanto la tasa de empleados que realizaban horas extraordinarias como los sobrecostes operativos; por el contrario, se reflejaban incrementos salariales.
Lo más importante de los estudios es analizar lo que explican los trabajadores: para qué utilizan los modelos y cuánto tiempo consideran que ganan; el análisis empresarial observa otras variables. Ambas perspectivas permiten ver cómo el uso individual puede convivir con cambios más amplios dentro de la organización.
La investigación de Hu Lianyi, Gai Qing’en y Pan Shan demostró que, durante el periodo estudiado, la complementariedad de tareas y la creación de nueva demanda profesional tuvieron más peso que la sustitución en las ofertas examinadas. El crecimiento neto estimado de la contratación asociado a la IA representaba el 2,4 % de las nuevas ofertas publicadas en la plataforma. La IA no apareció únicamente asociada a la sustitución de tareas. También modificó las capacidades que buscaban las empresas y la investigación constató lo que se lleva tiempo trasladando: la IA generó nueva demanda profesional.
Ese mayor peso de la complementariedad y de la nueva demanda profesional encaja con la dirección marcada por el Informe sobre la Labor del Gobierno de 2026, que plantea profundizar en «IA+», extender su uso comercial a escala en sectores prioritarios y acelerar la difusión de agentes y terminales inteligentes.
Fuera de las tareas de oficina, el problema cambia: además del conocimiento previo, importa cómo se comporta la tecnología una vez integrada en una operación real.
El Harbin Institute of Technology ha desarrollado Tiangong Kaiwu (天工开悟), un modelo que integra información sobre cultivos, crecimiento y condiciones de producción. La universidad recoge su utilización en 114 explotaciones de Heilongjiang, sobre una superficie superior a 66 000 hectáreas. Los resultados publicados muestran un aumento del 5 % de la producción media y una reducción del 10 % de los costes.
La misma institución desarrolla robots que combinan navegación autónoma, reconocimiento mediante IA y láser para eliminar malas hierbas. Localizan la planta y aplican el láser en una secuencia de 0,3 segundos. La tasa de reconocimiento supera el 95 %.
En Xi’an, diez robots móviles transportan medicamentos y muestras por 22 unidades del Shaanxi Provincial People’s Hospital desde junio de 2025. Coordinan las rutas, el acceso a los ascensores y las estaciones de carga. Frente al transporte manual, los tiempos de entrega se redujeron entre un 32 % y un 36 %.
Los tiempos se estabilizaron entre la cuarta y la sexta semana. La precisión de verificación llegó al 100 %, frente al 97 % del grupo manual, y la integridad de los artículos alcanzó también el 100 %, frente al 99 %.
La curva de aprendizaje forma parte del resultado. Para una empresa que tenga que planificar recursos y seguimiento y ajustar expectativas durante el despliegue, importa tanto el nivel alcanzado como el tiempo necesario para llegar hasta él.
El caso del Tongji Hospital de Wuhan permite seguir todavía más lejos las consecuencias de una mejora. El hospital incorporó una plataforma de programación inteligente y asignación dinámica de informes. Los investigadores compararon la actividad entre enero y octubre de 2022 con la de los mismos meses de 2024. El estudio reunió 1 149 154 exploraciones. Con una plantilla estable, el volumen de pruebas aumentó un 66,4 %.
En tomografía computarizada, la mediana del tiempo desde la solicitud hasta la cita cayó un 72,4 % y, hasta la exploración, un 50,6 %. En resonancia magnética, las reducciones fueron del 33,8 % y del 34,6 %.
Había más pacientes llegando antes a las pruebas. También había más imágenes que interpretar y el número de radiólogos seguía siendo el mismo.
La mediana global entre la exploración y la emisión del informe aumentó un 130 % en tomografía y un 222 % en resonancia. Los informes urgentes evolucionaron de otra manera gracias a la asignación prioritaria: sus medianas descendieron un 22,1 % y un 26,6 %, respectivamente.
La plataforma amplió con fuerza la capacidad de realizar exploraciones, con el impacto que esto tiene para el diagnóstico en pacientes y la prevención.
En este caso, la velocidad de exploración se aceleró exponencialmente. En ese momento hubo que poner el foco en la generación de informes y el cuello de botella se desplazó. Para una empresa, la lectura va más allá del hospital. Cuando una tecnología acelera una fase, puede desplazar el cuello de botella del sistema. El trabajo que antes frenaba el proceso deja de hacerlo y otra tarea ocupa su lugar. Saber dónde puede aparecer el siguiente cuello de botella forma parte también del diseño de la implantación.
En el puerto de Qingdao, el problema ya no consiste en acelerar una tarea aislada, sino en coordinar decisiones que dependen unas de otras. Preparar los atraques exigía que un planificador manejara manualmente más de 130 elementos. La posición del buque, las
mareas o la disponibilidad del muelle podían obligarlo a rehacer el plan.
Qingdao Port desarrolló un agente que coordina buques, mercancías, equipos, espacios y personal. En las terminales donde se utiliza, la preparación de los planes ha pasado de horas a minutos. Los datos publicados indican que la eficiencia de la planificación se multiplicó por 26 y que el rendimiento global de las terminales aumentó más de un 10 %.
Un buque necesita un atraque. Una grúa necesita que el buque haya llegado. La operación requiere equipos disponibles y transporte posterior. Si cambia una de esas condiciones, el resto debe reajustarse. Recalcular con rapidez tiene valor porque permite reajustar decisiones que dependen unas de otras.
State Grid ha llevado esa integración a una escala mucho mayor. Su sistema de «superórdenes de trabajo» detecta anomalías en equipos de medida, genera y distribuye órdenes e incorpora la información que necesita quien debe intervenir. Después comprueba
la calidad del trabajo y cierra la actuación. En julio de 2026 funcionaba en más de 13 000 oficinas de suministro eléctrico y había gestionado más de 2,2 millones de órdenes. En este caso, la IA conecta detección, asignación, intervención y comprobación dentro del mismo recorrido.
La expresión 降本增效 (reducir costes y aumentar la eficiencia) aparece con frecuencia en el lenguaje empresarial chino. Los casos muestran distintas formas de convertir ese objetivo general en cambios concretos sobre tareas, decisiones y procesos. La tecnología cambia, pero la organización del trabajo aparece una y otra vez detrás del resultado.
Una empresa que estudie una propuesta de IA puede empezar por ahí. ¿Qué tarea quiere
modificar? ¿Qué sabe ya sobre ella? ¿Qué información necesita el sistema? ¿Quién
utilizará el resultado? ¿Qué ocurrirá después de esa tarea si su capacidad aumenta?
Las cifras sirven para comprobar si el cambio llegó a producirse. Entender el proceso
permite saber por qué.
En Jingzhou, la referencia sigue siendo sencilla: una inspección que ocupaba quince minutos tarda ahora treinta segundos. El resultado impresiona cuando se presenta aislado, pero resulta bastante más útil cuando se reconstruye lo que lo hizo posible: planos, materiales, una tarea delimitada y una comparación que permite saber si aquello que se está inspeccionando cumple lo previsto.
Ahí empieza lo que otra empresa puede aprender.
Los datos recogidos en este artículo proceden de las propias empresas e instituciones mencionadas y de estudios sobre casos de aplicación en China. No se han verificado de forma independiente.
