Applied Computing, una startup londinense fundada en 2023, acaba de cerrar una ronda Serie A de 20 millones de dólares liderada por la ingeniería industrial KBR, con participación de Databricks Ventures. El objetivo de la compañía es construir un modelo fundacional específico para el sector del petróleo, el gas, el refino y la petroquímica. Su argumento de partida es llamativo: una planta puede tener miles de sensores midiendo temperatura, presión, velocidad y viscosidad, pero los operadores solo llegan a usar menos del 8% de esa información para tomar decisiones. No se trata de un problema de recogida de datos, sino de conexión entre ellos, y ahí es donde entra Orbital, el modelo que la empresa presenta como su producto estrella.

El problema no es la falta de datos, es que no se hablan entre sí

Según el cofundador y consejero delegado, Callum Adamson, las plantas industriales ya recopilan cantidades ingentes de información a través de sus sensores. El cuello de botella aparece cuando hay que cruzar esas lecturas con la documentación técnica y con los principios físicos y químicos que rigen el proceso, y hacerlo con la rapidez suficiente para que sirva de algo. El propio Adamson lo resumió como el reto de conseguir que esas tres fuentes de datos se comuniquen entre sí en tiempo real, y ahí es donde reside la clave del asunto. Es una idea que ya se ha visto en otros sectores industriales: entrenar un modelo fundacional con datos propietarios y sumar a un actor consolidado como inversor y como vía de entrada al mercado. Mistral siguió una lógica parecida cuando lanzó su nivel de ingeniería industrial junto a Airbus, BMW y EDF como clientes de referencia, algo que puede consultarse con más detalle aquí.

Orbital: tres modelos fusionados en uno solo

Aquí es donde conviene detenerse en el producto en sí. Orbital no es, según describe la compañía, un modelo de lenguaje disfrazado de herramienta industrial. La propuesta técnica consiste en fusionar tres arquitecturas distintas: un modelo de series temporales, un modelo basado en física y un modelo de lenguaje, combinados para predecir el estado de una instalación en tiempo real. El sistema procesa las lecturas de los sensores teniendo en cuenta simultáneamente las restricciones del equipo, la química del proceso y las decisiones que están tomando los propios operadores en ese momento. Además, permite simular cómo repercutiría en el resto de la planta un cambio introducido en una sola parte del proceso, algo que tradicionalmente exigía contratar consultoría externa y asumir semanas de parada. Applied Computing afirma que Orbital es capaz de detectar una anomalía, identificar su causa y modelar si una solución propuesta genera un problema en otro punto de la instalación, todo ello en cuestión de minutos, frente a investigaciones que antes se alargaban días o semanas.

Crecimiento comercial y cifras que conviene mirar con lupa

La compañía sostiene que pasó de operar en modo sigiloso a facturar decenas de millones de dólares anuales de forma recurrente en menos de dieciocho meses, con Orbital ya desplegado en empresas cotizadas de gran tamaño de los segmentos de extracción, refino y petroquímica, aunque sin identificar cuáles. Adamson declinó precisar el número exacto de clientes, un detalle que llama la atención junto a una cifra de facturación tan concreta. Lo que sí es público es la integración de Orbital dentro de la plataforma INSITE 3.0 de KBR, empleada actualmente en procesos de producción de amoníaco. La empresa afirma trabajar además con un gran operador upstream estadounidense y espera anunciar próximamente un acuerdo con una petrolera europea.

Un mercado con jugadores veteranos y difíciles de esquivar

El terreno en el que se mueve Applied Computing no está precisamente vacío. AspenTech lleva años vendiendo simulación y modelado asistido por IA para extracción, refino y química, mientras que AVEVA ofrece simulación de procesos basada en física y análisis de escenarios hipotéticos. Cognite y Seeq, por su parte, se centran en la capa de gestión de datos. Ninguna de estas compañías es una startup a la que resulte sencillo adelantar por la derecha. La respuesta de Adamson pasa por desplazar el terreno de juego: sostiene que el problema no es de datos industriales ni energéticos, sino puramente de inteligencia artificial, y que la verdadera ventaja competitiva está en atraer al mejor talento investigador, algo en lo que considera que las petroleras tradicionales no pueden competir. Es un argumento convincente sobre el papel, pero también resume toda la apuesta de la empresa: que veinte millones de dólares en una Serie A basten para plantar cara al historial y a la base de clientes instalada de AspenTech.

Por qué los datos operativos reales son el verdadero activo

Existe un argumento adicional que sostiene buena parte de la estrategia. Adamson señala que los datos operativos de refinerías en funcionamiento no son públicos, y que los datos simulados no pueden reproducir con fidelidad lo que ocurre dentro de una planta real en marcha, lo que convierte cada despliegue en un activo en sí mismo, casi más valioso que el propio modelo. La alianza con KBR responde a esa misma lógica: aporta datos operativos reales, conocimiento sectorial acumulado durante décadas y contactos comerciales que abren puertas. Es una dinámica que se repite en otros sectores intensivos en activos físicos: UPS, por ejemplo, ya opera un gemelo digital en tiempo real de toda su red logística sobre una base conceptual muy similar.

Expansión internacional y los riesgos de automatizar el criterio humano

Con la nueva financiación, Applied Computing planea reforzar su expansión internacional y ampliar el equipo de investigación e ingeniería. La compañía abrió esta semana una oficina en Houston, que se suma a su sede central en Londres y a su centro operativo en Bengaluru, con Oriente Medio como siguiente destino en el mapa. Conviene no perder de vista, sin embargo, que una refinería no es un centro de atención al cliente automatizado, y que el riesgo de delegar demasiado criterio en un sistema que suele acertar no es menor. Amazon ya ha advertido de que la supervisión humana sobre sistemas de inteligencia artificial tiende a degradarse con el tiempo, precisamente porque las personas dejan de cuestionar una herramienta que casi siempre funciona bien.

Reflexiones adicionales

Lo interesante de este caso no es solo la cifra de la ronda, modesta si se compara con otras operaciones recientes en inteligencia artificial industrial, sino el tipo de apuesta que representa. Applied Computing no está vendiendo más sensores ni más almacenamiento de datos, sino una capa de razonamiento que combina física, química y lenguaje natural para acortar drásticamente los tiempos de diagnóstico en instalaciones donde cada minuto de parada tiene un coste elevado. El verdadero examen no llegará con la próxima ronda de financiación, sino con la primera vez que Orbital se equivoque en una instalación real y haya que comprobar si los operadores seguían de verdad supervisando el sistema o simplemente confiando en él por costumbre. La tensión entre velocidad de decisión y verificación humana va a ser, probablemente, el asunto central de toda esta generación de modelos fundacionales aplicados a la industria pesada.