El IMTS 2026 impulsa los servidores MCP y los agentes de IA para conectar el software industrial con las máquinas

La edición de este año reunió a 91.295 inscritos, un 2,6% más que en 2024, y contó con 1.788 empresas expositoras, un 2,9% más. La presencia de grandes proveedores de nube, empresas de IA y compañías de software industrial reforzó ese cambio de enfoque. Google llevó su propuesta de inteligencia artificial al entorno fabril y OpenAl mostró un sistema de mantenimiento basado en agentes. La feria mantuvo su cobertura de diez sectores tecnológicos, desde el mecanizado y la fabricación aditiva hasta el software y la automatización, pero añadió una capa de discusión centrada en cómo integrar la IA en las operaciones.

La fábrica inteligente

Desde la década de 1990, la pirámide de automatización ISA-95 ha servido para representar la organización de los sistemas industriales, como los sensores y los controladores lógicos programables (PLC) o las plataformas de supervisión SCADA, los sistemas MES y los sistemas de gestión empresarial ERP. Las conversaciones recogidas por IoT Analytics en el IMTS apuntan a una arquitectura que añade nuevas capas para que la inteligencia artificial pueda interpretar el contexto y actuar sobre los procesos.

El análisis identifica ocho niveles en esta futura estructura: el proceso físico, el edge definido por software, las herramientas de Industrial DataOps, los sistemas de registro, los grafos de conocimiento y las ontologías, las interfaces de conexión, los agentes y, por último, las aplicaciones con supervisión humana.

Para que un agente pueda ejecutar una tarea industrial, no basta con que acceda a datos de una máquina o de un sistema de gestión. También necesita comprender qué representan esos datos, cómo se relacionan los activos y qué restricciones operativas debe respetar. Los grafos de conocimiento buscan proporcionar ese contexto, mientras que los protocolos de comunicación permiten conectar los agentes con aplicaciones, otros agentes y equipos físicos.

El grafo de conocimiento

Una de las tendencias destacadas fue el desplazamiento del enfoque hacia modelos capaces de conectar y contextualizar la información allí donde se encuentra. AWS presentó su arquitectura Industrial Data Fabric, que utiliza grafos de conocimiento a través de Amazon Neptune para relacionar datos procedentes de sistemas como MES, SAP, PLM e historiadores de operaciones industriales. La compañía mostró también un orquestador que consulta servidores MCP de ERP, MES, CMMS, PLM y su historiador SiteWise para construir un grafo de conocimiento bajo demanda.

El valor de la IA industrial dependerá en gran medida del contexto que cada plataforma sea capaz de aportar, a través de la representación de las relaciones entre activos, procesos y operaciones para que los agentes puedan utilizarlos de forma útil. MachineMetrics, que comenzó como una plataforma de monitorización de máquinas y ahora posiciona MaximaOS como un sistema MES, destacó el papel del conocimiento contextual como elemento diferenciador. La evolución apunta a una competencia entre proveedores que tiene como objetivo convertir la información en una representación operativa sobre la que puedan trabajar las aplicaciones de IA.

Respecto a otra de las principales condiciones tratadas, la confianza, AWS mostró un Engineering Assistant que permite consultar los pasos del razonamiento del agente, los sistemas a los que accede, las fuentes de datos utilizadas y sus niveles de confianza. La trazabilidad de estas acciones ayuda a que los ingenieros puedan evaluar las recomendaciones antes de aceptarlas.

Los servidores MCP

La segunda gran tendencia identificada por IoT Analytics es la rápida incorporación de servidores basados en el Model Context Protocol (MCP). Introducido por Anthropic en noviembre de 2024, y actualmente bajo la Linux Foundation, este protocolo permite que los agentes consulten herramientas y sistemas externos mediante una interfaz común. En el entorno industrial, abre la posibilidad de trabajar con datos operativos en los sistemas donde residen, en lugar de depender siempre de procesos que los copian previamente a una plataforma centralizada.

MachineMetrics presentó Carbide, un marco basado en un servidor MCP gratuito que conecta herramientas de programación asistida por IA (como Claude Code, Cursor y Lovable) con un grafo de conocimiento de la planta. El usuario puede describir un flujo de trabajo y obtener una aplicación funcional.

PTC mostró las posibilidades de su servidor MCP de FeatureScript para Onshape, lanzado en agosto de 2026. La herramienta permite que modelos como Claude, ChatGPT o Gemini creen, prueben y depuren funcionalidades CAD personalizadas. La compañía prevé extender la propuesta a Creo y Windchill.

Rockwell Automation incorporó conocimiento especializado a su servidor MCP gratuito para Emulate3D mediante skills que codifican experiencia de dominio y estándares. Limble, proveedor de software de gestión del mantenimiento (CMMS), presentó un servidor MCP incluido en su lanzamiento de invierno de 2026. Este permite a los agentes consultar órdenes de trabajo y análisis, además de sugerir reparaciones.

Vention mostró un servidor MCP oficial y gratuito que permite a los agentes de programación acceder a diseños, catálogos de hardware y gemelos digitales para trabajar con sistemas de automatización.

Sin embargo, la expansión de estas interfaces no significa que todos los servidores MCP ofrezcan las mismas capacidades. Existe una distinción entre las implementaciones nativas, que exponen la lógica de la aplicación y permiten a los agentes ejecutar acciones dentro de ella, y las capas construidas sobre API cerradas, que pueden limitarse a consultas de solo lectura o al traslado de datos entre sistemas.

Anthropic busca trasladar una lógica similar al equipamiento físico. La compañía publicó una versión preliminar de investigación de este estándar el 27 de agosto de 2026.

MHS define una forma común para que los agentes descubran y operen dispositivos como brazos robóticos, sensores e instrumentos de prueba. Cada equipo dispone de un controlador estandarizado con comandos sencillos de lectura y escritura, además de una descripción en lenguaje natural de sus capacidades y límites de seguridad. De este modo, un agente puede identificar qué dispositivo tiene disponible y cómo utilizarlo sin requerir una integración específica para cada equipo.

Anthropic sostiene que este enfoque podría reducir los trabajos de integración de semanas o meses a horas o minutos. La propuesta todavía se encuentra en una fase temprana y sus primeros colaboradores proceden principalmente del ámbito de los laboratorios. Entre las empresas que están incorporando soporte figuran Universal Robots, Doosan Robotics y AWS.