Cosentino, fabricante español de superficies para arquitectura y diseño y propietario de marcas como Silestone y Dekton, será la primera empresa industrial española en comenzar a trabajar con Microsoft Discovery. La plataforma combina inteligencia artificial, agentes especializados, gestión avanzada del conocimiento y computación de alto rendimiento para intervenir en distintas fases de la investigación científica, desde la revisión de documentación hasta la formulación de hipótesis, la simulación y el análisis de resultados.
La multinacional almeriense quiere aplicar la plataforma de inteligencia artificial científica de Microsoft a décadas de investigación y más de cuatro millones de registros sobre materias primas. El proyecto busca seleccionar mejor los experimentos, reducir iteraciones físicas y acelerar el desarrollo de nuevos productos, aunque todavía no ha iniciado su fase piloto.
El anuncio fue presentado durante una visita a la sede industrial de Cosentino en Cantoria, Almería, en la que La Ecuación Digital recorrió las plantas de producción, el centro logístico automatizado y los laboratorios de I+D junto con responsables de la compañía y de Microsoft. La visita permitió conocer el entorno en el que se aplicará la tecnología y hablar directamente con los equipos que deberán incorporarla a su actividad científica.
María Vázquez Terrés, directora de Soluciones Empresariales de Microsoft España, explicó que Discovery está concebida como una plataforma agéntica para acelerar la investigación mediante modelos de razonamiento avanzado, agentes especializados y recursos de computación de alto rendimiento. Cosentino será el primer grupo industrial español que participe en este modelo, aunque el proyecto todavía no había iniciado un piloto cuando fue presentado en Cantoria.
La ausencia de resultados obliga a separar las capacidades anunciadas de su impacto real en Cosentino. La compañía dispone de un caso de uso concreto y de un patrimonio científico sobre el que trabajar, pero aún deberá comprobar si la plataforma puede integrarse en sus procesos, producir recomendaciones útiles y reducir de forma medible el tiempo y el coste de la experimentación.
Convertir décadas de investigación en conocimiento utilizable
El principal reto no consiste únicamente en disponer de más capacidad de cálculo. Cosentino acumula décadas de ensayos, formulaciones, patentes, informes y resultados experimentales, además de una base con más de cuatro millones de registros sobre caracterización de materias primas.
Ese volumen de información puede contener relaciones valiosas entre minerales, resinas, pigmentos, temperaturas, presiones, acabados y propiedades mecánicas o estéticas. Sin embargo, su mera existencia no garantiza que los investigadores puedan consultarlo de forma conjunta ni recuperar con facilidad lo aprendido en proyectos anteriores.
Paz Carreras, directora de I+D en el área de aglomerados de Cosentino, explicó que parte de ese histórico está repartido entre bases de datos, documentos y repositorios como SharePoint. Una de las expectativas depositadas en Microsoft Discovery es que pueda analizar ese conocimiento, detectar tendencias y proponer posibles siguientes pasos a los investigadores.
La situación es habitual en departamentos de I+D con una larga trayectoria. Los datos numéricos pueden encontrarse separados de los informes que explican cómo se obtuvieron; los resultados de un proyecto permanecen en carpetas diferentes; y una parte importante del contexto reside en los científicos que participaron en las pruebas.
Cuando comienza una nueva investigación, el equipo necesita averiguar qué se intentó anteriormente, bajo qué condiciones, por qué se descartó una formulación y si el resultado puede ser relevante para el problema actual. Localizar y reconstruir esa información consume tiempo y favorece que determinados experimentos se repitan o que conexiones útiles pasen inadvertidas.
Microsoft Discovery pretende convertir ese conjunto fragmentado en una memoria científica reutilizable. La diferencia frente a una búsqueda convencional estaría en conservar las relaciones entre los elementos: qué materia prima intervino, qué propiedades se midieron, qué condiciones se utilizaron, cuál fue el resultado y con qué otros experimentos puede relacionarse.
Qué es Microsoft Discovery
Microsoft define Discovery como un entorno empresarial para gestionar el ciclo de investigación y desarrollo. Su arquitectura combina una base de conocimiento, agentes de IA, modelos especializados, aplicaciones científicas y capacidad de computación en la nube.
Los investigadores interactúan con el sistema mediante lenguaje natural. Pueden formular un objetivo, solicitar una revisión de publicaciones y patentes, comparar hipótesis, pedir el análisis de resultados o plantear la evaluación de distintas composiciones. La plataforma organiza después las tareas, selecciona los agentes y las herramientas disponibles y conserva el contexto de la investigación.
Una de sus piezas es Bookshelf, una capa que transforma documentos, presentaciones, hojas de cálculo e informes técnicos en grafos de conocimiento. Estos grafos no se limitan a almacenar fragmentos de texto, sino que representan las conexiones entre entidades, propiedades, experimentos y resultados para que los agentes puedan consultarlas durante su trabajo.
Por encima de esa base opera el Discovery Engine, el componente que coordina los objetivos de investigación. Según la descripción de Microsoft, puede dividir un problema complejo en tareas más pequeñas, asignarlas a diferentes agentes, utilizar herramientas científicas y revisar sus decisiones a medida que obtiene resultados parciales.
La plataforma también permite conectar modelos y aplicaciones desarrollados por la propia empresa. Una organización podría incorporar sus simuladores, programas científicos, fuentes de datos y herramientas de análisis, en lugar de limitarse a utilizar las capacidades incluidas por Microsoft.
La computación de alto rendimiento completa el planteamiento. Determinados problemas en ciencia de materiales requieren evaluar un gran número de combinaciones, ejecutar modelos físicos o analizar conjuntos de datos que no pueden procesarse de forma razonable en un ordenador convencional. Discovery puede recurrir a recursos de CPU y GPU desplegados en Azure para ampliar esa capacidad según las necesidades del proyecto.
Cómo podría cambiar el ciclo de desarrollo
La aplicación de Microsoft Discovery en Cosentino todavía debe definirse mediante proyectos concretos, pero la documentación de la plataforma permite anticipar un posible flujo de trabajo.
El proceso podría comenzar con un objetivo científico o comercial: desarrollar una superficie con una determinada resistencia, reducir la huella de una formulación, sustituir una materia prima o reproducir un acabado que responde a una nueva tendencia de diseño.
A partir de ese objetivo, el sistema podría revisar la información interna de Cosentino, las patentes y la literatura científica disponible. La finalidad no sería producir un resumen general, sino identificar materiales, condiciones experimentales, restricciones y resultados anteriores relacionados con el problema.
Los agentes podrían utilizar ese contexto para proponer hipótesis y organizar un plan de experimentación. Antes de fabricar una muestra, la plataforma podría evaluar candidatos mediante modelos de IA, simulaciones o herramientas científicas propias de Cosentino.
El resultado de esa fase sería una selección ordenada de formulaciones o caminos de investigación. Los científicos decidirían cuáles ofrecen suficiente fundamento para pasar al laboratorio, donde se realizarían las pruebas físicas.
Los resultados obtenidos regresarían después a la plataforma. Si una hipótesis funciona, se incorporaría al conocimiento disponible; si falla, las condiciones y las causas del resultado también podrían utilizarse en investigaciones posteriores.
Esta secuencia permitiría construir un ciclo de aprendizaje continuo entre datos, modelos y experimentación. Sin embargo, dependerá de que Cosentino conecte sus sistemas, normalice la información y consiga que las herramientas representen correctamente la complejidad de sus materiales.
De cuatro o cinco iteraciones a una propuesta más ajustada
El equipo de I+D de Cosentino ya utiliza herramientas de IA en actividades más acotadas. Sus investigadores emplean Copilot para revisar bibliografía y patentes, programar soluciones en Excel o Power BI y automatizar análisis que antes requerían el apoyo del área tecnológica.
Durante la visita se mostró una aplicación capaz de extraer los valores colorimétricos de una imagen y convertirlos en un punto de partida para una formulación. El sistema permite seleccionar un tono, obtener sus coordenadas y trasladarlas a un modelo que orienta la primera prueba en la planta piloto.
Un técnico especializado podía necesitar cuatro o cinco iteraciones para aproximarse al color buscado. Cada intento exige preparar la mezcla, fabricar una pieza, pulirla, caracterizarla y comparar el resultado con la referencia inicial. Las herramientas desarrolladas por Cosentino están permitiendo reducir parte de ese recorrido en algunos casos.
El problema se complica cuando la superficie incorpora vetas, transparencias, diferentes capas o efectos que cambian con la iluminación. Una imagen plana no representa por sí sola el comportamiento de las materias primas, la resina, el acabado o la profundidad del diseño.
El escalado introduce una dificultad adicional. La formulación se prueba inicialmente sobre piezas de unos 30 por 30 centímetros, mientras que la producción industrial utiliza tablas cercanas a los cinco metros cuadrados. Una composición que funciona en el laboratorio puede necesitar nuevos ajustes cuando cambia la escala y entra en una línea de fabricación.
Microsoft Discovery no eliminará esta transición. Su posible aportación está en reducir el número de caminos que deben probarse físicamente y mejorar el punto de partida de cada experimento.
El laboratorio seguirá decidiendo
La investigación de materiales no puede resolverse únicamente mediante predicciones computacionales. Una formulación debe responder a exigencias estéticas, térmicas, químicas, mecánicas, medioambientales y productivas. También debe utilizar materias primas disponibles, mantener un coste viable y fabricarse de manera estable.
Los modelos pueden anticipar determinadas propiedades o encontrar relaciones en el histórico, pero el resultado tendrá que comprobarse en el laboratorio y después en la planta piloto. La presión, la temperatura, la humedad, el pulido o pequeñas variaciones entre lotes pueden modificar el comportamiento final.
Esta necesidad de validación diferencia el proyecto de muchas aplicaciones de IA generativa. Una respuesta convincente o técnicamente plausible no es suficiente. La recomendación debe poder reproducirse y superar mediciones objetivas antes de influir en una fórmula industrial.
Valentín Tijeras, vicepresidente corporativo de Producto, I+D y Calidad de Cosentino, describió las herramientas avanzadas de IA como un apoyo semejante al de un director de tesis: alguien que ayuda a ordenar un problema, plantea alternativas y amplía las líneas que el investigador puede considerar.
En una prueba anterior a Microsoft Discovery, la IA propuso seis caminos para abordar una cuestión especialmente compleja. Dos coincidían con trabajos ya iniciados por el equipo, otros dos habían sido probados y descartados, y los dos restantes no se les habían ocurrido. El valor del ejercicio no estaba en asumir que las nuevas propuestas fueran correctas, sino en ampliar el espacio de investigación antes de decidir dónde invertir recursos.
El valor de los experimentos que no funcionan
La capacidad para recuperar resultados negativos puede convertirse en una de las aportaciones más relevantes del proyecto. En investigación industrial, un experimento fallido no es necesariamente tiempo perdido. Puede indicar que una combinación no funciona bajo ciertas condiciones, que una propiedad entra en conflicto con otra o que el escalado modifica el comportamiento esperado.
El problema aparece cuando esa información queda enterrada en un informe antiguo, asociada a otro proyecto o conservada únicamente en la experiencia de un investigador. Años después, otro equipo puede repetir una prueba parecida sin conocer sus antecedentes.
Un sistema de conocimiento capaz de relacionar formulaciones, condiciones y resultados podría reducir esas duplicidades. También podría reinterpretar un resultado anterior a la luz de una materia prima nueva, una tecnología distinta o un objetivo que no existía cuando se realizó el experimento.
Para conseguirlo, Cosentino tendrá que conservar el contexto. Un registro aislado no permite saber si una propiedad se midió con el mismo procedimiento, si el equipo estaba calibrado, si la composición había sufrido una modificación o si el resultado se obtuvo en laboratorio o en producción.
La calidad de la respuesta dependerá, por tanto, de la calidad semántica de la información y no solo de su volumen.
Domene sitúa Discovery como el siguiente paso
Rafael Domene, CIO Global de Cosentino, fue quien propuso al área de I+D comenzar a trabajar con Microsoft Discovery. La iniciativa llegaba después de que el equipo hubiera pasado de utilizar la IA para consultas y tareas de productividad a desarrollar pequeñas aplicaciones destinadas a problemas concretos. Discovery abría la posibilidad de ampliar ese recorrido mediante una plataforma capaz de combinar el conocimiento interno, los modelos científicos y distintas herramientas de análisis.
La propuesta encontró una respuesta inmediata en el equipo dirigido por Valentín Tijeras. El interés no estaba únicamente en acelerar tareas ya conocidas, sino en ofrecer más capacidad de análisis a investigadores que trabajan en ámbitos muy especializados y permitirles explorar alternativas que, por falta de tiempo o recursos, podían quedar fuera de sus líneas habituales de trabajo.
Por su parte, María Vázquez situó el proyecto dentro de esa misma evolución. Desde la perspectiva de Microsoft, el valor de Discovery está en conectar la experiencia científica acumulada por Cosentino con agentes especializados, gestión del conocimiento y computación de alto rendimiento para ampliar las hipótesis que pueden evaluarse antes de pasar al laboratorio.
Propiedad intelectual, trazabilidad y control
Las fórmulas, los resultados experimentales y el conocimiento de fabricación forman parte de los activos más sensibles de Cosentino. La utilidad de Microsoft Discovery dependerá también de cómo proteja esa información y de qué control conserve la compañía sobre su uso.
Microsoft indica que la plataforma puede desplegarse dentro de la suscripción cloud del cliente, utilizar redes privadas, identidades gestionadas y permisos basados en roles. También incorpora registros de actividad y mecanismos de auditoría para conocer qué agentes y herramientas han participado en cada investigación.
Estas capacidades serán necesarias, pero no resuelven por sí solas la gobernanza científica. Cosentino tendrá que determinar qué información puede consultar cada equipo, qué modelos están autorizados, qué datos pueden combinarse con fuentes externas y qué resultados necesitan una revisión adicional.
La trazabilidad será especialmente importante. Cuando Discovery proponga una formulación o priorice un experimento, los investigadores necesitarán saber qué datos, documentos y supuestos han sustentado esa recomendación.
Sin esa explicación, el sistema correría el riesgo de convertirse en una caja negra capaz de generar hipótesis interesantes, pero difícil de utilizar en decisiones que afectan a productos, inversiones y procesos industriales.
Qué tendrá que demostrar el proyecto
El éxito de Microsoft Discovery en Cosentino no se medirá por el número de consultas realizadas ni por la calidad aparente de sus respuestas. Tendrá que traducirse en mejoras observables dentro del proceso de I+D.
Entre las métricas relevantes estarán el tiempo dedicado a localizar y revisar documentación, el número de formulaciones que pueden evaluarse antes de pasar al laboratorio, las iteraciones físicas evitadas y el porcentaje de hipótesis propuestas que produce resultados útiles.
También será importante medir cuánto se reduce el recorrido desde la definición de una necesidad hasta la planta piloto, qué coste computacional exige cada investigación y cuánto conocimiento generado en un proyecto puede reutilizarse en los siguientes.
Microsoft plantea que Discovery puede acelerar la revisión científica, ampliar el número de alternativas exploradas y reducir experimentos de bajo valor. Cosentino dispone de los datos, los especialistas y la infraestructura física necesarios para someter esa promesa a una prueba industrial exigente.
Cuando el proyecto fue presentado, esa prueba todavía no había comenzado. La relevancia del anuncio no reside en resultados que aún no existen, sino en el terreno al que se dirige la IA: una actividad donde las recomendaciones deberán convertirse en formulaciones reproducibles, materiales fabricables y productos capaces de mantener sus propiedades durante años.
Nota editorial: la visita a las instalaciones de Cosentino en Almería fue organizada por Microsoft. La Ecuación Digital ha elaborado este contenido con criterio editorial independiente.
