Andrei Kulik, cofundador de XENOM – Serie de entrevistas

Andrei Kulik es cofundador y director ejecutivo de XENOM. Aporta a las operaciones industriales su experiencia en IA integrada en dispositivos, sistemas distribuidos y aprendizaje automático. Anteriormente, cofundó AIMatter, adquirida por Google, y trabajó en Google en sistemas de IA para dispositivos de consumo. Su carrera se ha centrado en lograr que la IA avanzada funcione de manera fiable dentro de las limitaciones prácticas del hardware y los entornos reales.

XENOM desarrolla una plataforma de IA industrial que combina software y equipos de protección inteligentes para ofrecer a los operarios una visión en tiempo real de sus lugares de trabajo. Su sistema integra posicionamiento, comunicaciones para el personal, sensores ambientales y datos de seguridad. En esta entrevista, Kulik habla sobre la IA en el borde, los cascos inteligentes, la supervisión humana, la privacidad de los trabajadores y el paso de la monitorización industrial al apoyo predictivo para la toma de decisiones.

Anteriormente cofundó AIMatter, adquirida por Google, y pasó años desarrollando sistemas de IA diseñados para funcionar directamente en dispositivos de consumo. ¿Qué le llevó a cofundar XENOM y cómo influyó su experiencia en Google en su visión de incorporar la IA a los entornos industriales?

Después de la adquisición, pasé años trabajando en un problema concreto: cómo hacer que una IA avanzada funcione de manera fiable en un dispositivo que cabe en el bolsillo, con batería limitada, conectividad impredecible y condiciones reales que ningún laboratorio puede simular por completo. Implementamos ese trabajo en teléfonos, gafas y auriculares: miles de millones de dispositivos. En algún momento empecé a preguntarme dónde más podría ser útil esta arquitectura. Los dispositivos de consumo son prácticos, pero en los sitios industriales el costo de una decisión equivocada —o de no tomar ninguna— se mide en vidas humanas y millones en productividad perdida. La mayoría de los sitios industriales aún no cuenta con una visión en tiempo real de lo que sucede. Esa brecha parecía el problema ideal para la tecnología que llevábamos años desarrollando.

XENOM combina software basado en IA con equipos de protección inteligentes para ofrecer visibilidad en tiempo real de las operaciones industriales. ¿Cuáles son los principales puntos ciegos de los sistemas tradicionales de seguridad industrial y cómo aborda su plataforma los retos que las tecnologías de monitorización convencionales tienen dificultades para resolver?

El problema fundamental es que la mayoría de los sistemas se diseñaron para registrar lo que pasó, no para evitar que ocurriera. La ubicación de un trabajador se actualiza cada pocos minutos. Las hojas de horas se completan al final del turno. Las infracciones de seguridad se registran después de presentar un informe sobre el incidente. Para cuando un gerente consulta los datos, el turno ya terminó o el accidente ya ocurrió. El segundo punto ciego es la fragmentación: una empresa puede tener un sistema de monitorización de gases, otro de control de acceso, una lista de verificación de equipos de protección personal en papel y un proceso manual para registrar las horas, sin que ninguno de ellos se comunique con los demás. XENOM sustituye todo eso por un flujo continuo de datos del sitio, procesados en tiempo real, que ofrece al gerente una visión coherente en lugar de cinco visiones inconexas.

Gran parte de su carrera se ha centrado en optimizar el aprendizaje automático y la inferencia de modelos de lenguaje grandes (LLM) para dispositivos con recursos limitados. ¿Cómo aplica estos principios a los entornos industriales y qué ventajas técnicas ofrece procesar las cargas de trabajo de IA en el borde en lugar de depender de la infraestructura en la nube?

Trabajar con dispositivos con recursos limitados enseña una disciplina: hay que justificar cada milisegundo, cada milivatio y cada byte. Esa es precisamente la mentalidad que requiere un casco industrial, porque se lleva puesto durante todo el turno y debe funcionar con la misma consistencia a la hora once que a la hora uno. Distribuimos el trabajo de forma deliberada: las tareas urgentes y que manejan muchos datos, como procesar el flujo de voz y las señales de los sensores o detectar caídas e impactos, se ejecutan en la NPU del casco, con modelos comprimidos y ajustados para ese hardware; mientras tanto, la visión general del sitio y los análisis más profundos se desarrollan en la plataforma.

El procesamiento en el borde nos ofrece cuatro ventajas prácticas. La primera es la velocidad: el dispositivo responde de inmediato a un evento, sin tener que comunicarse con un servidor y esperar la respuesta. La segunda es la fiabilidad: un modelo ligero en el dispositivo se comporta de manera predecible, mientras que cada enlace adicional de la cadena constituye otro posible punto de fallo. La tercera es la carga de red: cientos de cascos no pueden transmitir continuamente audio sin procesar y datos de sensores, así que cada uno envía el resultado del análisis. La cuarta es la duración de la batería: transmitir es una de las actividades que más energía consume en un dispositivo, por lo que procesar los datos localmente y enviar menos información prolonga el tiempo de funcionamiento.

XENOM ha desarrollado cascos inteligentes que integran posicionamiento, comunicación, sensores ambientales y capacidades de IA. ¿Cuáles fueron los mayores retos de ingeniería al combinar estas tecnologías, sobre todo en entornos donde la conectividad, la duración de la batería y la fiabilidad pueden ser impredecibles?

El problema más difícil no fue ninguna tecnología en particular, sino lograr que todas coexistieran de forma fiable en un mismo dispositivo, en condiciones que destruirían la mayoría de los aparatos electrónicos de consumo. Los entornos industriales son sucios, físicamente exigentes y sometidos a temperaturas extremas. El casco se cae, queda expuesto a la lluvia y se usa durante turnos de doce horas. La duración de la batería se convierte en una limitación real cuando se utilizan simultáneamente el posicionamiento, los sensores, las comunicaciones y la inferencia de IA. Además, está la arquitectura de conectividad: necesitábamos una transición fluida entre el posicionamiento satelital RTK en exteriores y nuestra red mallada UWB patentada en interiores, sin ninguna pérdida de precisión cuando un trabajador pasa de uno a otro. Lograr que esa transición se produjera automáticamente, de forma fiable y en tiempo real fue uno de los desafíos técnicos más exigentes que hemos afrontado.

Su equipo ha desarrollado un modelo de IA de voz capaz de detectar signos de intoxicación por alcohol a través del habla, y ha informado de un rendimiento superior al de los referentes académicos anteriores. ¿Qué avances técnicos lo hicieron posible y cómo valida la fiabilidad del sistema en distintos idiomas, acentos, niveles de ruido de fondo y condiciones de trabajo reales?

La clave fue comprender que la intoxicación deja una huella detectable en los micromatices del habla: no en las palabras, sino en las propiedades acústicas, como el ritmo, las variaciones del tono y la precisión de la articulación. Creamos un modelo que analiza estos patrones en segundo plano durante las comunicaciones de voz habituales, sin necesidad de realizar una prueba específica ni de que el trabajador haga nada. La cifra de precisión del 86,7 % se obtuvo mediante pruebas rigurosas de referencia con conjuntos de datos académicos publicados. Para validar el modelo en condiciones reales, lo probamos en distintos idiomas y acentos, y con niveles de ruido de fondo representativos de los entornos industriales reales: maquinaria pesada, viento y varias personas hablando a la vez. El modelo debía ser lo bastante robusto para funcionar en condiciones muy distintas de las de un estudio controlado. Para lograrlo, hicieron falta datos de entrenamiento muy diversos y un proceso iterativo.

Los sistemas de IA diseñados para identificar el deterioro de las capacidades o la fatiga de los trabajadores plantean importantes interrogantes sobre los falsos positivos y la rendición de cuentas. ¿Cómo equilibra XENOM la detección temprana de riesgos con la necesidad de verificación humana, y qué salvaguardas impiden que una evaluación inexacta de la IA afecte injustamente a un trabajador?

Lo pensamos con mucho cuidado desde el principio. El sistema está diseñado para señalar una posible situación preocupante a un supervisor, no para actuar de forma autónoma. Una evaluación de la IA que indique un posible deterioro de las capacidades da lugar a una verificación humana: el supervisor puede observar directamente al trabajador, hacerle preguntas o solicitar una prueba física si lo considera justificado. La IA no expulsa a nadie del lugar de trabajo. Proporciona a una persona la información que necesita para tomar una decisión más rápido de lo que podría hacerlo en otras circunstancias. También hacemos un seguimiento de las tasas de falsos positivos durante la implementación y mejoramos continuamente el modelo. El objetivo es reducir el número de incidentes que ocurren porque nadie se dio cuenta, no crear un sistema que sancione a los trabajadores basándose únicamente en un algoritmo.

Antes de fundar XENOM, fue director de tecnología de OneSoil, donde aplicó la visión artificial y el aprendizaje automático al seguimiento agrícola y al análisis de productividad. ¿Qué aprendizajes de la implementación de IA en la agricultura han resultado más valiosos al crear sistemas inteligentes para obras de construcción, minas, puertos e instalaciones energéticas?

Implementar IA en el mundo físico es un desafío fundamentalmente distinto de hacerlo en el ámbito del software. Hay que lidiar con la variabilidad, con equipos que no se comportan igual dos veces y con operadores que llevan décadas haciendo su trabajo y desconfían profundamente de todo lo que les diga que lo hagan de otra manera. En los entornos industriales se da la misma dinámica. La tecnología debe ganarse la confianza demostrando ser fiable y acertando más a menudo de lo que la gente espera; además, debe ser lo bastante sencilla para que quien dirige un equipo de cincuenta personas pueda usarla sin formación. Otra lección: la calidad de los datos sobre el terreno casi siempre es peor de lo previsto. Hay que crear sistemas resistentes al ruido, a las lagunas y a los casos extremos que nunca aparecen en un conjunto de datos limpio.

Las plataformas de IA industrial pueden generar información detallada sobre la ubicación, las actividades, las comunicaciones y la productividad de los trabajadores. ¿Cómo aborda la privacidad de los datos, el consentimiento de los empleados y el posible uso de estas tecnologías para vigilar en el lugar de trabajo, al tiempo que garantiza que realmente mejoren la seguridad y la eficiencia operativa?

Abordamos esta cuestión desde el principio de limitación de la finalidad. Los datos que recopila XENOM se destinan a la seguridad y a la visibilidad operativa: no son una herramienta de vigilancia de la productividad y no deberían utilizarse como tal. Antes de implementar el sistema, colaboramos con los operadores para definir políticas claras de gobernanza de datos: qué se recopila, durante cuánto tiempo se conserva, quién tiene acceso y en qué circunstancias puede utilizarse para tomar decisiones sobre el personal. Los datos de ubicación de los trabajadores se agregan y anonimizan para analizar la productividad; los supervisores de seguridad pueden consultar el seguimiento individual para responder a emergencias, pero los responsables de línea no pueden utilizarlo para evaluar el rendimiento. A medida que la Ley de IA de la UE se extienda a los sistemas de IA industrial, esperamos que los marcos regulatorios formalicen muchos de estos aspectos. Preferimos adelantarnos a ello en lugar de tener que apresurarnos para cumplir la normativa.

Trasladar la IA de entornos controlados de laboratorio a operaciones industriales críticas para la seguridad plantea desafíos que las empresas de IA exclusivamente de software rara vez encuentran. ¿Cuáles han sido las mayores sorpresas durante los despliegues de XENOM en el mundo real y cómo miden si la tecnología está aportando mejoras significativas en la prevención de accidentes, la eficiencia operativa y la productividad de la plantilla?

La mayor sorpresa es el valor que se obtiene con solo tener una imagen precisa de dónde están las personas y cómo se emplea el tiempo. Esperábamos que la conversación principal con los operadores girara en torno a la seguridad. Sin embargo, descubrimos que tener visibilidad sobre la productividad —entender en qué se pierde tiempo durante los turnos, por qué algunos equipos rinden más que otros y dónde están los cuellos de botella— suele generar un retorno de la inversión más rápido y convertir a personas de la organización en promotoras de la plataforma mucho antes. La segunda sorpresa es la gran variación que existe entre sectores e incluso entre centros de trabajo de un mismo sector. La construcción en Alemania funciona de manera muy distinta a la construcción en los Emiratos Árabes Unidos. No se puede crear un único producto y dar por sentado que servirá en todas partes sin realizar ajustes importantes.

De cara al futuro, XENOM prevé desarrollar un copiloto de IA industrial capaz de ir más allá de la supervisión para predecir riesgos y recomendar decisiones operativas. ¿Cómo cree que evolucionará la IA física en los próximos cinco años y qué avances tecnológicos siguen siendo necesarios para que los sistemas de IA industrial puedan funcionar con mayor autonomía sin dejar de estar sujetos a la supervisión humana?

En la actualidad, la IA industrial se centra sobre todo en la visibilidad: saber qué está ocurriendo. La siguiente etapa es la predicción: identificar patrones que preceden a un incidente o a una pérdida de productividad antes de que cualquiera de los dos ocurra. Para ello, es necesario acumular a lo largo del tiempo datos estructurados y etiquetados a gran escala, que es precisamente lo que XENOM está haciendo desde el primer día. La etapa siguiente es la recomendación: el sistema no solo indica qué es probable que ocurra, sino que también sugiere qué hacer al respecto: cómo redistribuir al personal, cuándo detener una operación y qué configuración de equipo produce los mejores resultados en una tarea determinada. Con el copiloto de IA industrial, nuestro objetivo es alcanzar esa tercera etapa. El avance tecnológico necesario no consiste principalmente en mejorar los modelos, sino en resolver un problema de datos. Se necesitan suficientes datos operativos de alta calidad procedentes de un número suficiente de centros diversos para entrenar un modelo que generalice de manera fiable. Las empresas que empiecen a recopilar esos datos ahora tendrán una ventaja muy difícil de replicar más adelante.

Gracias por la excelente entrevista. Los lectores que deseen conocer más sobre la IA en el borde, los equipos de protección inteligentes y la supervisión de la seguridad industrial en tiempo real pueden visitar XENOM.