---

¿Cuál ha sido la última alarma de tu máquina? ¿Qué incidencia se repite más? ¿Qué ha provocado la última parada de producción?

Si necesitas responder a estas preguntas en tu planta, lo habitual es acceder a los históricos, localizar las variables adecuadas y analizar la información. Dependiendo de la consulta, el proceso puede implicar varias pantallas o herramientas.

Con Savvy MCP incorporamos una nueva forma de acceder a los datos industriales: puedes hacer preguntas en lenguaje natural y obtener respuestas a partir de la información disponible en nuestra plataforma AIoT.

¿Qué es Savvy MCP y cómo funciona?

MCP son las siglas de Model Context Protocol, un protocolo abierto que estandariza la conexión de las aplicaciones de inteligencia artificial con herramientas y fuentes de datos externas.

En Savvy hemos desarrollado un servicio MCP que pone a disposición de los asistentes de IA compatibles (Chat GPT, Codex, Gemini, Copilot etc.) las capacidades de consulta de nuestra API M2C. El asistente puede descubrir qué información existe, acceder a los datos necesarios mediante las herramientas disponibles y elaborar una respuesta comprensible para el usuario.

En esta primera versión, Savvy MCP permite:

• Descubrir máquinas y activos disponibles en la plataforma.
• Consultar los descriptores de variables e indicadores para identificar la información asociada a cada máquina.
• Recuperar datos históricos de funcionamiento y utilizarlos en las consultas.
• Consultar alarmas y analizar las incidencias registradas en un periodo determinado.

¿Qué aporta MCP frente a una integración tradicional?

Nuestra plataforma ya ofrece acceso a los datos industriales mediante API. Sin embargo, conectar esos datos con una aplicación de IA suele requerir desarrollar una integración específica.

MCP facilita una vía estandarizada para que las aplicaciones compatibles descubran y utilicen las herramientas de consulta expuestas por Savvy. Esto abre nuevas posibilidades para clientes, desarrolladores e integradores que quieran incorporar consultas en lenguaje natural sobre la información de sus activos, aprovechando la infraestructura de datos existente.

Tres ejemplos de consultas sobre una máquina

Para probar esta funcionalidad, hemos conectado un asistente de IA a Savvy MCP utilizando la “Máquina SA”, un activo con datos de demostración. Estas son tres consultas realizadas sin facilitar al asistente una explicación detallada de la estructura de los datos.

1. Identificar la última alarma y la más frecuente

Al preguntar por las alarmas, el asistente consultó el histórico, identificó una incidencia y recuperó su última activación. También analizó las activaciones registradas durante las 24 horas anteriores para determinar cuál se había repetido más.

Ejemplo de demostración: consulta de alarmas e historial de activaciones de la Máquina SA.

2. Descubrir qué indicadores tiene disponibles una máquina

El asistente utilizó los descriptores para identificar los indicadores asociados a la Máquina SA. En el ejemplo, encontró 46 indicadores activos y los organizó por grupos. Esta consulta devuelve el catálogo de indicadores, no sus valores medidos.

Ejemplo de demostración: catálogo de los 46 indicadores activos, agrupados por su origen.

3. Deducir el horario de un turno a partir del histórico

La consulta también puede requerir interpretar una secuencia de datos. Al analizar los cambios de turno registrados durante varios días, el asistente dedujo que el turno 2 se desarrollaba de 14:00 a 22:00.

La propia respuesta aclara que se trata de un horario inferido del histórico y no de una lectura directa de la configuración de turnos. Esta distinción es importante cuando utilizamos IA para interpretar datos industriales.

Ejemplo de demostración: deducción del horario del turno 2 a partir de los cambios registrados.

Acceso controlado y estadísticas de utilización

La incorporación de asistentes de IA debe ir acompañada de mecanismos de control sobre el acceso a la información industrial.

Por eso, Savvy MCP permite restringir el acceso al servicio por tenant, un entorno virtual aislado dentro de una infraestructura Cloud/Fog. De esta forma, podemos controlar en qué entornos está disponible Savvy MCP y mantener separados los accesos entre ellos.

Además, la plataforma incorpora estadísticas de utilización que permiten conocer el uso del servicio por usuario y por herramienta MCP, junto con otras métricas de consumo.

El siguiente paso: herramientas especializadas y trazabilidad

Estamos trabajando en ampliar las capacidades de Savvy MCP mediante el desarrollo de herramientas especializadas para casos de uso concretos de producción, mantenimiento y calidad.

Estas herramientas permitirán realizar operaciones y análisis específicos sobre los datos industriales, devolviendo al asistente de IA la información relevante para cada consulta. Así podremos abordar casos de uso más complejos, optimizar el procesamiento de los datos y reducir el consumo de tokens.

Además, la arquitectura MCP permite que una misma aplicación de IA utilice herramientas de diferentes servidores MCP. Esto abre la posibilidad de combinar las capacidades de Savvy con otras herramientas dentro de un mismo flujo de trabajo, ampliando las aplicaciones que podemos desarrollar sin modificar los mecanismos habituales de integración de nuestra plataforma con otros sistemas.

Con Savvy MCP seguimos ampliando las posibilidades de nuestra plataforma AIoT para aprovechar los datos industriales mediante inteligencia artificial.

¿Quieres explorar sus posibilidades? Contacta con nosotros