Conozca a los agentes de Spatial AI: ubicación que razona y actúa

Abrir un mapa en vivo resulta gratificante. Todos los activos, vehículos y personas etiquetados aparecen en el plano de la planta, moviéndose en tiempo real. Pero un mapa solo aporta valor cuando alguien actúa según lo que muestra, y durante la mayor parte del turno nadie lo está mirando. La carretilla elevadora libre está en algún punto de la pantalla. También la orden de trabajo que lleva una hora parada en la zona de embalaje. Ver un problema y hacer algo al respecto no es lo mismo.

Por qué un mapa en vivo no basta

Durante una década, la localización en tiempo real ha respondido bien a una pregunta: dónde está todo, ahora mismo. Es realmente útil, pero le entrega posiciones en bruto y le deja a usted la interpretación. Los operarios no quieren otra pantalla que vigilar. Quieren la respuesta a la pregunta que ya tienen en mente, y que el siguiente paso evidente ocurra sin tener que intervenir.

Spatial AI es la respuesta de Ubudu: una capa de agentes que se apoya sobre sus datos de ubicación en vivo, razona sobre ellos y actúa. Usted los configura describiendo lo que quiere en lenguaje sencillo. El conjunto consta de cuatro agentes: un asistente que responde preguntas, un agente de reglas que actúa ante eventos, un copiloto de paneles que crea la vista que usted describe y un agente de scripts que convierte la intención en automatización. Pero dos de ellos son los que más cambian la jornada laboral.

Hágale una pregunta a la planta

El Asistente de IA RTLS permite que cualquier persona consulte la planta en vivo con palabras sencillas. ¿Dónde está la carretilla elevadora libre más cercana? ¿Qué órdenes de trabajo llevan demasiado tiempo esperando en la zona de embalaje? Muéstreme todas las camillas del tercer piso. La respuesta se basa en las posiciones actuales, porque el asistente lee los mismos datos en vivo con los que se dibuja el mapa, no un informe en caché ni una suposición.

Esa es la diferencia entre saber que los datos están ahí, en algún sitio, y obtenerlos con una sola frase. En el centro SETBT de Schneider Electric, los equipos ya siguen en vivo las órdenes de trabajo a lo largo de la producción, así que hacerle una pregunta directa a la planta es el siguiente paso natural. En el Queen Elizabeth Hospital de Hong Kong, el personal localiza las camillas más rápido, sin tener que recorrer las salas para encontrar una.

Deje que las reglas actúen ante los eventos de ubicación

Responder es solo la mitad. El Agente de Reglas se ocupa de la otra mitad: usted describe con palabras lo que debe ocurrir cuando algo entra en una zona, sale de ella, se detiene o desaparece, y el agente crea la regla, la prueba con sus datos de ubicación reales y la ejecuta a partir de ese momento.

Cuando se activa una regla, ocurre algo en el mundo físico, no solo se escribe una línea en un registro:

• Alertas: avise a la persona adecuada en cuanto un activo salga de su zona o se atasque una cola.
• Webhooks: envíe el evento directamente a su WMS, MES o ERP para que sus propios sistemas reaccionen.
• Pick-to-Light: haga parpadear la etiqueta correcta para que un operador vaya directamente hacia ella.

Cada acción que realiza un agente queda registrada y auditada, para que siempre pueda ver qué se activó y cuándo.

La ubicación deja de ser una pantalla que usted mira para convertirse en una pregunta que puede hacer y en una acción que se activa por sí sola.

Basado en ubicaciones verificadas

Un agente es tan fiable como las posiciones sobre las que razona. El motor de Ubudu fusiona varias tecnologías de posicionamiento en una sola plataforma, desde la zonificación BLE hasta la UWB, que localiza con una precisión inferior a 50 cm en un entorno industrial con mucha actividad e inferior a 20 cm en condiciones controladas. Se integra mediante REST, WebSocket, MQTT y webhooks, y un servidor MCP dedicado permite a los asistentes de IA consultar directamente esa planta en vivo. Se ha probado con cargas de hasta 3.000 etiquetas, 6.000 anclajes y 600 mapas por motor, y funciona on-premise o en la nube europea de Ubudu, conforme al RGPD.

Por eso, cuando un agente responde una pregunta o activa una regla, trabaja con posiciones reales en una implantación diseñada para escalar, no con un conjunto de datos de demostración.

Qué supone en planta

Los beneficios se notan en el día a día, no en el diagrama de arquitectura. Las decisiones se toman más rápido, porque basta una frase para obtener la respuesta, en lugar de buscarla por toda la pantalla. Se escapan menos eventos, porque una regla vigila todas las zonas a la vez y actúa en el instante en que algo cambia, también en el turno de noche, cuando no hay nadie en el puesto. Y las personas pasan menos tiempo pendientes de un mapa: la planta les avisa cuando las necesita, en lugar de tenerlas montando guardia.

Es la misma plataforma con la que el Hospital Paris Saint-Joseph localiza más de 1.500 equipos y que funciona en más de 6.000 implantaciones en más de 35 países. Empiece por ver la planta; después, deje que responda y que actúe.

En resumen

• Pregunte en lenguaje sencillo: consulte las posiciones en vivo con una sola frase y obtenga una respuesta basada en el estado actual de la planta.
• Deje que las reglas actúen: describa una regla una sola vez y esta activará por sí sola alertas, webhooks y Pick-to-Light.
• Datos reales, no suposiciones: los agentes razonan sobre posiciones verificadas en tiempo real, y cada acción queda auditada.
• Diseñado para escalar: un solo motor, API abiertas y un servidor MCP, on-premise o en la nube europea conforme al RGPD.