CONSULTING

Ignition + IA: La fórmula para acelerar la innovación en planta

En industria, innovar no es solo hacer más rápido es entregar cambios con garantías. Cuando una pantalla de operación cambia, cuando un tag se recalcula o cuando un flujo de órdenes se ajusta, el impacto no se queda en el área de IT; se siente en producción, en calidad, en seguridad y en continuidad operativa. Por eso, aunque la Inteligencia Artificial está revolucionando la forma de construir software, en planta la pregunta nunca es si acelera… sino si acelera sin perder control. 

En IDOM nos propusimos aterrizar esa promesa en un entorno real desarrollo con Ignition, una plataforma industrial clave para supervisión, integración y operación. No queríamos una demo bonita, queríamos una forma responsable y medible de trabajar con trazabilidad, con criterios claros y con resultados que se puedan replicar. Este documento recoge lo que hicimos, lo que aprendimos y, sobre todo, cómo convertir la IA en un aliado práctico para entregar más rápido sin comprometer la estabilidad del proyecto. 

Cómo hacer que la IA aporte valor en ignition sin romper la operación 

En la industria, mejorar la productividad no es solo hacer más rápido es entregar más rápido sin perder control. Y ahí es donde muchas iniciativas de inteligencia artificial se frenan. Porque en una planta, un cambio mal hecho no es un error menor: puede costar paradas, retrabajo, riesgos operativos o semanas de estabilización. 

Justamente por eso en IDOM, arrancamos esta línea de investigación queríamos responder una pregunta muy concreta ¿podemos acelerar el desarrollo en Ignition sin sacrificar trazabilidad, calidad y seguridad? La promesa de la IA es enorme, pero si no se integra con disciplina a un método de ingeniería, se queda en demostraciones que no sobreviven al mundo real. 

Ignition, para quien no lo tenga en el radar, no es una aplicación más. Es una plataforma utilizada en el mundo industrial para construir soluciones tipo SCADA (supervisión y control), y también para integrarse con capas tipo MES (ejecución de manufactura). En la práctica, vive en el corazón de la operación, conecta datos, pantallas, alarmas, usuarios, y permite integrar diferentes sistemas y niveles de la arquitectura industrial, desde dispositivos en planta hasta aplicaciones empresariales. 

Su arquitectura se apoya en un Gateway central, donde conviven proyectos, tags, conexiones entre otros.  Además, mediante módulos como el OPC UA Module o la familia de módulos MQTT (mensajería ligera muy usada en IIoT), puede comunicarse con equipos industriales y sistemas externos, actuando como un puente entre el mundo y el mundo IT (la tecnología de información (aplicaciones, datos, redes y sistemas corporativos)).

Por qué la IA no es plug-and-play en Ignition

Ahora bien, esa misma particularidad es lo que hace que usar IA aquí no sea plug-and-play. Ignition tiene detalles que una herramienta de IA puede no conocer, parte del scripting (pequeñas funciones que automatizan reglas y validaciones dentro del proyecto) se hace con Jython (una variante de Python que corre sobre Java), hay componentes del proyecto en formatos que no son tan fáciles de modificar y además existen funciones nativas propias de Ignition que no suelen aparecer en ejemplos públicos. Resultado: la IA puede sugerir algo que suena bien… pero que no encaja con la realidad del proyecto.

Y eso fue exactamente lo que vivimos. En las primeras iteraciones, Copilot proponía cambios más grandes de lo pedido, confundía límites de Jython vs. Python estándar o sugería usos incorrectos de funciones nativas por falta de contexto, dicho simple si lo aplicábamos tal cómo estaba, generaba errores y comportamientos no esperados.

La clave: contextualización y guías específicas

Ahí aprendimos algo clave, el valor no está en redactar instrucciones más largas, sino en darle a la IA el contexto adecuado para que trabaje alineada con el proyecto. Por eso diseñamos una guía de contextualización (documento AGENTS.md) donde le explicamos a la herramienta cómo trabajamos en Ignition, convenciones, restricciones, ejemplos de APIs, patrones de carpetas y criterios de seguridad.

Además, en vez de depender de un único texto gigantesco, pasamos a un enfoque más práctico, un contexto general breve y varios archivos de instrucciones específicas (lo que comúnmente se conoce como prompts). Con esto para tareas concretas como consultas a base de datos, scripting, APIs y soporte de Perspective (el módulo de Ignition para construir interfaces web industriales) y con esa base sólida, hicimos una demostración controlada en Ignition V8.1.38: un módulo completo de gestión de órdenes que permite crear, consultar, actualizar y eliminar registros (lo típico que en software se conoce como CRUD el ciclo completo de vida de un dato).

Resultados: desarrollo más rápido, menos ajustes y mayor calidad

El resultado fue muy sólido en este alcance, un módulo de gestión de órdenes que cubre el ciclo completo del dato, desde crear y consultar hasta actualizar y eliminar. Al incorporar GitHub Copilot como asistente y trabajar con una contextualización adecuada, logramos acortar de forma notable el ciclo de desarrollo. Lo relevante no es solo la velocidad, sino que ese avance se consiguió manteniendo el control técnico y reduciendo la cantidad de ajustes posteriores, porque la herramienta trabajó alineada con nuestras reglas, convenciones y restricciones desde el inicio.

Además, vimos un beneficio igual de importante la generación de pruebas unitarias para validar funciones del core del negocio. En términos simples, estas pruebas son chequeos automáticos que confirman que lo esencial sigue funcionando después de cada cambio. Esto se traduce en menos fallos, mejor calidad y más confianza al momento de liberar nuevas versiones, especialmente en entornos donde una parada en la operación es costosa.

En resumen, a partir de esta prueba surgió una conclusión muy clara la IA entrega mejores resultados cuando le brindas contexto de calidad, y en plataformas industriales con restricciones y particularidades, la supervisión no es negociable, es parte del proceso. Lo que funciona es iterar, ajustar contexto, probar, medir y corregir. La productividad no viene de pedirle más, sino de establecer las condiciones adecuadas para que la herramienta genere valor de manera consistente.

Hoy estamos llevando este enfoque hacia proyectos reales, porque el potencial es claro combinar buenas prácticas de ingeniería con IA como copiloto para entregar más rápido sin perder trazabilidad ni control.

Si te preguntas si esto aplica a tu operación, el primer paso es simple una evaluación rápida para identificar qué parte del ciclo te consume más tiempo (backend, pantallas, pruebas, documentación o puesta en marcha) y diseñar un piloto controlado con reglas claras.

Mirando hacia el futuro

La IA sí puede acelerar de forma significativa el desarrollo en Ignition, pero no funciona por arte de magia. Funciona cuando se le da contexto de calidad y cuando se integra a un método de trabajo con reglas claras. Por eso, además de usar GitHub Copilot como asistente, estructuramos una guía de trabajo que le explica a la herramienta cómo operamos, qué restricciones existen y qué patrones seguimos. Y cuando hablamos de archivos de instrucciones específicas, nos referimos a textos breves y dirigidos que guían a la IA para tareas concretas (como consultas a base de datos, scripting o integración), evitando ambigüedades y reduciendo retrabajo.

Con este enfoque logramos resultados medibles en una demostración controlada: un módulo completo construido en menos de un día, con un ahorro de tiempo significativo frente al desarrollo tradicional, y con mejoras importantes en calidad gracias a la generación de pruebas para validar funciones del core. Más allá del número, lo valioso es lo que habilita ciclos de entrega más cortos, menos fricción en el equipo y una base repetible para escalar la adopción sin poner en riesgo la operación.

Además, estamos especialmente atentos al lanzamiento del nuevo módulo MCP (Model Context Protocol) anunciado por Inductive Automation, un estándar que permite a las aplicaciones exponer contexto, herramientas y recursos a modelos de IA de forma segura y estructurada. Este futuro MCP Server permitirá que Ignition se conecte con agentes de IA para ejecutar acciones, consultar datos o acceder a herramientas de manera controlada, ampliando lo que hoy es posible en términos de integración IA + Ignition y habilitando flujos más seguros, contextuales y nativos dentro del Gateway. Estamos entusiasmados porque reforzará y acelerará exactamente el tipo de prácticas que estamos desarrollando.