Agentes en el proceso: lo que la APC 2027 confirmó sobre la IA en Siemens Intelligence Center X
Três dias na Siemens Americas Partner Conference 2027 deixaram uma mensagem clara: a corrida da IA nas empresas não será decidida pelos modelos, e sim pelo contexto, pela governança e pela velocidade de entrega, em bancos e seguros, telecom, utilities e energia, tanto quanto na indústria.
Nesta semana estivemos em ChampionsGate, na Flórida, na Siemens Americas Partner Conference 2027, o encontro anual do ecossistema de parceiros da Siemens Digital Industries Software. Acompanhamos uma seleção de sessões: a estratégia de produtos da Siemens, o mergulho em IA corporativa e analytics com o Siemens Intelligence Center X e a palestra de um engenheiro aeroespacial que projeta motores de foguete com as ferramentas da Siemens. Este é o resumo do que trouxemos, e por que importa para quem decide para onde a IA vai na sua empresa.

O problema não é o orçamento
O Gartner prevê que os gastos mundiais com IA chegarão a US$ 2,5 trilhões em 2026 (Gartner, jan/2026). Ainda assim, uma pesquisa do MIT concluiu que 95% dos pilotos de IA generativa não têm impacto mensurável no resultado (MIT NANDA, via Fortune, ago/2025). As empresas já têm copilotos, plataformas de dados e agentes. O que falta é a ligação entre a IA e o seu contexto real: dados de engenharia e de produção, regras de negócio, decisões passadas, pessoas, processos e governança.
A Siemens organizou a sua resposta em torno de cinco lacunas que travam o valor da IA corporativa: agentes sem o contexto da instituição; modelos acoplados de fora; aplicações que não foram pensadas para a IA; trabalho de pessoas e de agentes correndo em paralelo, sem nunca convergir; e nenhum lugar único para ver, auditar e controlar o que a IA faz. Essas lacunas são as mesmas num banco, numa seguradora, numa operadora de telecom, numa distribuidora de energia ou numa fábrica. É uma boa pergunta para qualquer diretoria: qual das cinco dói mais hoje?
Um só sistema para contexto, inteligência, ação e governança
A Siemens descreve o Intelligence Center X como o seu sistema empresarial agêntico, e a sua lógica é totalmente transversal. As peças têm longa trajetória muito além da indústria: as tecnologias por trás do AI Studio e do Graph Studio, que chegaram à Siemens com a Altair (RapidMiner e Cambridge Semantics), são amplamente usadas por bancos, seguradoras e empresas de serviços financeiros, sobretudo nos Estados Unidos (Altair, RapidMiner para BFSI). Bancos e seguros, telecom, utilities e energia e a indústria estão lado a lado. O que a indústria acrescenta é um padrão: numa fábrica, numa aeronave ou numa rede elétrica, a tolerância ao erro é mínima, e é sob esse prisma que tudo o que a Siemens faz em IA deve ser visto. A forma mais simples de entender o ICX é em quatro camadas:
- Contexto · o Graph Studio conecta os dados de todos os sistemas, do core bancário, do ERP e do CRM aos dados de rede, de ativos e de engenharia, num grafo de conhecimento com ontologias do domínio.
- Inteligência · o AI Studio constrói, implanta e governa modelos de machine learning sobre esse contexto, junto com a simulação, onde ela se aplica.
- Ação · aplicações e workflows Mendix colocam pessoas e agentes trabalhando no mesmo processo.
- Governança · cada ação rastreável, cada decisão auditável, cada passagem com um nome responsável.
Dois pontos das sessões merecem destaque. Primeiro, o ICX foi pensado para funcionar sobre o que o cliente já tem (sistemas centrais, ERP, CRM, plataformas de dados, qualquer nuvem ou ambiente local), em vez de copiar tudo para mais um repositório. Segundo, a abertura: os produtos da Siemens expõem APIs e estão se abrindo à IA externa via MCP, para que as ferramentas de IA escolhidas pelo cliente ou pelo parceiro possam operar os sistemas operacionais e de negócio, enquanto os sistemas já provados continuam fazendo o trabalho de verdade.
Quatro ideias para guardar
A competição de verdade está na ontologia. Gerar uma ontologia está virando commodity. O difícil é mantê-la viva, segura e rápida em escala corporativa, preservando a segurança dos sistemas de origem: os clientes, produtos e exposições de risco de um banco, as apólices e os sinistros de uma seguradora, o inventário de rede e a base de clientes de uma operadora, a rede e os ativos de uma distribuidora de energia, as estruturas de produto de um fabricante. Uma prova de conceito com uma pequena amostra prova pouco; é na escala de produção que os projetos dão certo ou fracassam.
Um modelo de linguagem não prevê falhas. Pergunte a um LLM qual cliente está prestes a ficar inadimplente ou a cancelar, qual transação é fraude, ou quando um elemento de rede, um transformador ou uma turbina vai falhar, e ele não sabe, mesmo com os dados em mãos. Os agentes precisam de machine learning, de simulação e de modelos do domínio, governados como qualquer outro ativo de produção.
Agente no processo, e não só pessoa no processo. Quem manda é o processo governado. Os agentes são chamados para etapas específicas, como verificar um limite de crédito, preparar a análise de um sinistro, propor uma mudança na rede ou abrir uma ordem de serviço de campo, e a decisão volta para uma pessoa, com todo o contexto para aprovar. Horas de trabalho manual viram minutos, e cada decisão continua rastreável.
Todo número tem origem. Em qualquer atividade regulada, seja em bancos, seguros, energia, telecom ou engenharia, uma resposta só serve se puder ser defendida diante de um comitê, de um auditor ou de um regulador: cada valor ligado à sua fonte, ao método e ao cálculo que o sustenta. A indústria dá a medida, porque é onde o erro é menos tolerado. Como resumiu um dos palestrantes, engenheiro de propulsão de foguetes:
“A IA carrega a prova; os engenheiros carregam a decisão.”
A pergunta da plateia: os parceiros devem usar IA para implementar o ICX?
Um dos momentos mais reveladores veio da plateia. A resposta da Siemens: a IA já está se tornando central na forma como essas soluções são construídas, e isso serve para construir ontologias, desenhar modelos e gerar aplicações e workflows agênticos. Não de uma só vez: especialistas continuam revisando a ontologia, testando os modelos, orientando os agentes e confirmando o resultado de negócio. Na nossa experiência, tirando a complexidade das mãos do cliente, a lição até aqui é que não é preciso um exército de pessoas, e sim as pessoas certas, apoiadas por IA. A Siemens disse esperar que esse se torne o padrão de produção em todo o seu ecossistema de parceiros.
Para nós, isso não foi uma previsão. É como já entregamos. As nossas equipes cognitivas combinam pessoas e agentes de IA. Os agentes leem os sistemas legados como um todo, extraem as regras de negócio e o modelo de dados, mapeiam as fontes de dados, propõem a ontologia e o grafo no Graph Studio, preparam dados e modelos no AI Studio e geram aplicações e agentes em Mendix, com testes que provam que nada se perdeu. As nossas pessoas decidem, validam e respondem pelo resultado. O cliente não precisa montar uma equipe de especialistas em grafos, machine learning e Mendix antes de começar. A demo abaixo mostra isso do começo ao fim.
Assista: o Mason trabalhando no Siemens ICX10 minO que isso significa para quem decide
| Pergunta a fazer | Por que importa |
|---|---|
| Os nossos agentes trabalham com o contexto da nossa empresa? | Sem contexto, os agentes respondem com segurança e erram com a mesma segurança. |
| Conseguimos ver e auditar o que a IA fez, e quem aprovou? | Confiança e conformidade dependem da rastreabilidade, não do modelo. |
| Os agentes estão dentro de processos governados? | Agente no processo mantém as decisões repetíveis e com responsável. |
| Isso aguenta a escala de produção? | Uma pequena prova de conceito diz pouco sobre bilhões de relações. |
O conselho da Siemens aos parceiros foi liderar pelo resultado de negócio, e não pela tecnologia. Concordamos. Comece por um problema que importa no nível do conselho, como risco de crédito e fraude, sinistros, cancelamento de clientes, manutenção de rede e de ativos, confiabilidade da rede elétrica, serviço de campo ou ruptura de suprimentos, e prove valor em semanas, na mesma plataforma que vai escalar a solução.
Saímos da Flórida com confirmação, e não com surpresa. A plataforma está pronta, foi feita com o padrão de setores em que o erro não é uma opção, a Siemens está abrindo-a à IA, e os parceiros que combinarem conhecimento do domínio com entrega conduzida por IA vão ditar o ritmo, em todos os setores. É aí que escolhemos estar.
Se você está avaliando por onde começar, fale conosco ou veja como entregamos o Siemens ICX na nossa página do Siemens ICX.
Fontes
- Gartner, Worldwide AI spending will total $2.5 trillion in 2026, jan/2026
- Fortune, MIT report: 95% of generative AI pilots at companies are failing, ago/2025
- Altair, RapidMiner for Banking, Financial Services & Insurance
- Siemens Americas Partner Conference 2027, ChampionsGate, Flórida, 17 a 19 de novembro de 2026: sessões sobre estratégia de produtos, IA corporativa e analytics com o Intelligence Center X, e palestra sobre IA na engenharia regulada (notas da S4 Digital Americas).
Three days at the Siemens Americas Partner Conference 2027 left one message clear: the enterprise AI race will not be decided by models, but by context, governance and the speed of delivery, in banking and insurance, telecom, utilities and energy, and manufacturing alike.
This week we were in ChampionsGate, Florida, for the Siemens Americas Partner Conference 2027, the annual meeting of the Siemens Digital Industries Software partner ecosystem. We followed a selection of sessions: Siemens’ product strategy, the deep dive on enterprise AI and analytics with Siemens Intelligence Center X, and a guest talk by an aerospace engineer who designs rocket engines with the Siemens toolchain. This is what we brought back, and why it matters to anyone deciding where AI goes next in their company.

The problem is not the budget
Gartner expects worldwide AI spending to reach $2.5 trillion in 2026 (Gartner, Jan 2026). Yet MIT research found that 95% of generative AI pilots show no measurable impact on the P&L (MIT NANDA, via Fortune, Aug 2025). Companies already have copilots, data platforms and agents. What they lack is the connection between AI and their real context: engineering and production data, business rules, past decisions, people, processes and governance.
Siemens framed its answer around five gaps that block the value of enterprise AI: agents without institutional context; models bolted on from outside; applications not designed for AI; human and agent work running in parallel without ever converging; and no single place to see, audit and control what AI is doing. These gaps look the same in a bank, an insurer, a telecom operator, a utility or a plant. It is a useful question for any leadership team: which of the five hurts most today?
One system for context, intelligence, action and governance
Siemens describes Intelligence Center X as its agentic enterprise system, and its logic is fully cross-sector. Its building blocks have a long track record well beyond manufacturing: the technologies behind AI Studio and Graph Studio, which came to Siemens with Altair (RapidMiner and Cambridge Semantics), are widely used by banks, insurers and financial services firms, particularly in the United States (Altair, RapidMiner for BFSI). Banking and insurance, telecom, utilities and energy, and manufacturing stand side by side. What industry adds is a standard: in a plant, an aircraft or a power grid, the tolerance for error is extremely low, and that is the lens through which everything Siemens does in AI should be read. The simplest way to read ICX is in four layers:
- Context · Graph Studio connects data from every system, from core banking, ERP and CRM to network, asset and engineering data, in a knowledge graph with domain ontologies.
- Intelligence · AI Studio builds, deploys and governs machine learning models on that context, alongside simulation where it applies.
- Action · Mendix applications and workflows put people and agents to work on the same process.
- Governance · every action traceable, every decision auditable, every handoff with a name on it.
Two points from the sessions deserve emphasis. First, ICX is designed to sit on top of what customers already have (core systems, ERP, CRM, data platforms, any cloud or on premises) rather than copy everything into yet another repository. Second, openness: Siemens products expose APIs and are opening up to external AI through MCP, so the AI tools a customer or partner chooses can drive operational and business systems, while the proven systems still do the real work.
Four ideas worth keeping
Ontology is where the real competition is. Generating an ontology is quickly becoming a commodity. The hard part is keeping it live, secure and fast at enterprise scale, with the security of the source systems preserved: a bank’s customers, products and risk exposures, an insurer’s policies and claims, a telecom operator’s network inventory and customer base, a utility’s grid and assets, a manufacturer’s bills of materials. A proof of concept on a small sample proves little; production scale is where projects succeed or fail.
A language model does not predict failure. Ask an LLM which customer is about to default or churn, which transaction is fraudulent, or when a network element, a transformer or a turbine will fail, and it does not know, even with the data in hand. Agents need machine learning, simulation and domain models, governed like any other production asset.
Agent in the loop, not just human in the loop. The governed process stays in charge. Agents are called for specific steps, such as checking a credit limit, preparing a claim assessment, proposing a network change or opening a field work order, and the decision returns to a person with all the context needed to sign off. Hours of manual work become minutes, and every decision remains traceable.
Every number walks back. In any regulated activity, whether banking, insurance, energy, telecom or engineering, an answer is only useful if it can be defended before a review board, an auditor or a regulator: every value tied to its source, its method and the calculation behind it. Industry sets the bar here, because that is where error is least tolerated. As one speaker, a rocket propulsion engineer, put it:
“AI carries the proof; engineers carry the decision.”
The question in the room: should partners use AI to implement ICX?
One of the most telling moments came from the audience. Siemens’ answer: AI is already becoming central to how these solutions are built, and that applies to building ontologies, designing models and generating applications and agentic workflows. Not in one shot: specialists still review the ontology, test the models, guide the agents and confirm the business outcome. In our experience, taking the complexity away from the customer, the lesson so far is that you do not need an army of people, you need the right people, supported by AI. Siemens said it hopes this becomes the production pattern across its partner ecosystem.
For us, that was not a forecast. It is how we already deliver. Our cognitive teams combine people and AI agents. The agents read legacy systems as a whole, extract business rules and the data model, map the data sources, propose the ontology and graph in Graph Studio, prepare data and models in AI Studio, and generate Mendix applications and agents, with tests that prove nothing was lost. Our people decide, validate and answer for the outcome. The customer does not need to build a team of graph, machine learning and Mendix specialists before getting started. The demo below shows it end to end.
Watch: Mason at work on Siemens ICX10 minWhat this means for decision makers
| Question to ask | Why it matters |
|---|---|
| Do our agents work with our institutional context? | Without context, agents answer with confidence and are wrong with the same confidence. |
| Can we see and audit what AI did, and who approved it? | Trust and compliance depend on traceability, not on the model. |
| Are agents placed inside governed processes? | Agent in the loop keeps decisions repeatable and accountable. |
| Will it hold at production scale? | A small proof of concept says little about billions of relationships. |
Siemens’ advice to partners was to lead with business outcomes, not technology. We agree. Start with one problem that matters at board level, such as credit and fraud risk, claims, customer churn, network and asset maintenance, grid reliability, field service or supply disruption, and prove value in weeks, on the same platform that will scale it.
We left Florida with confirmation rather than surprise. The platform is ready, it was built to the standard of industries where error is not an option, Siemens is opening it to AI, and the partners who combine domain knowledge with AI-driven delivery will set the pace, in every sector. That is where we have chosen to be.
If you are weighing where to start, talk to us or see how we deliver Siemens ICX on our Siemens ICX page.
Sources
- Gartner, Worldwide AI spending will total $2.5 trillion in 2026, Jan 2026
- Fortune, MIT report: 95% of generative AI pilots at companies are failing, Aug 2025
- Altair, RapidMiner for Banking, Financial Services & Insurance
- Siemens Americas Partner Conference 2027, ChampionsGate, Florida, Nov 17–19, 2026: sessions on product strategy, enterprise AI and analytics with Intelligence Center X, and a guest talk on AI in regulated engineering (notes by S4 Digital Americas).
Tres días en la Siemens Americas Partner Conference 2027 dejaron un mensaje claro: la carrera de la IA en las empresas no la decidirán los modelos, sino el contexto, la gobernanza y la velocidad de entrega, en banca y seguros, telecomunicaciones, utilities y energía, tanto como en la industria.
Esta semana estuvimos en ChampionsGate, Florida, en la Siemens Americas Partner Conference 2027, el encuentro anual del ecosistema de socios de Siemens Digital Industries Software. Seguimos una selección de sesiones: la estrategia de productos de Siemens, la sesión en profundidad sobre IA corporativa y analytics con Siemens Intelligence Center X y la charla de un ingeniero aeroespacial que diseña motores de cohete con las herramientas de Siemens. Esto es lo que trajimos, y por qué importa a quien decide hacia dónde va la IA en su empresa.

El problema no es el presupuesto
Gartner prevé que el gasto mundial en IA alcanzará US$ 2,5 billones en 2026 (Gartner, ene/2026). Aun así, una investigación del MIT concluyó que el 95% de los pilotos de IA generativa no tiene un impacto medible en los resultados (MIT NANDA, vía Fortune, ago/2025). Las empresas ya tienen copilotos, plataformas de datos y agentes. Lo que les falta es conectar la IA con su contexto real: datos de ingeniería y de producción, reglas de negocio, decisiones pasadas, personas, procesos y gobernanza.
Siemens organizó su respuesta en torno a cinco brechas que frenan el valor de la IA corporativa: agentes sin el contexto de la organización; modelos acoplados desde fuera; aplicaciones que no fueron pensadas para la IA; trabajo de personas y de agentes en paralelo, sin converger nunca; y ningún lugar único para ver, auditar y controlar lo que hace la IA. Estas brechas son las mismas en un banco, una aseguradora, un operador de telecomunicaciones, una empresa eléctrica o una planta. Es una buena pregunta para cualquier comité de dirección: ¿cuál de las cinco duele más hoy?
Un solo sistema para contexto, inteligencia, acción y gobernanza
Siemens describe Intelligence Center X como su sistema empresarial agéntico, y su lógica es totalmente transversal. Sus piezas tienen una larga trayectoria mucho más allá de la industria: las tecnologías detrás de AI Studio y Graph Studio, que llegaron a Siemens con Altair (RapidMiner y Cambridge Semantics), son ampliamente usadas por bancos, aseguradoras y empresas de servicios financieros, sobre todo en Estados Unidos (Altair, RapidMiner para BFSI). Banca y seguros, telecomunicaciones, utilities y energía y la industria están lado a lado. Lo que aporta la industria es un estándar: en una planta, una aeronave o una red eléctrica, la tolerancia al error es mínima, y es bajo ese prisma que debe verse todo lo que Siemens hace en IA. La forma más simple de entender ICX es en cuatro capas:
- Contexto · Graph Studio conecta los datos de todos los sistemas, del core bancario, el ERP y el CRM a los datos de red, de activos y de ingeniería, en un grafo de conocimiento con ontologías del dominio.
- Inteligencia · AI Studio construye, despliega y gobierna modelos de machine learning sobre ese contexto, junto con la simulación, donde aplica.
- Acción · aplicaciones y workflows Mendix ponen a personas y agentes a trabajar en el mismo proceso.
- Gobernanza · cada acción trazable, cada decisión auditable, cada traspaso con un nombre responsable.
Dos puntos de las sesiones merecen destacarse. Primero, ICX está pensado para funcionar sobre lo que el cliente ya tiene (sistemas centrales, ERP, CRM, plataformas de datos, cualquier nube o entorno local), en lugar de copiarlo todo a otro repositorio. Segundo, la apertura: los productos de Siemens exponen APIs y se están abriendo a la IA externa mediante MCP, para que las herramientas de IA que elija el cliente o el socio puedan operar los sistemas operativos y de negocio, mientras los sistemas ya probados siguen haciendo el trabajo de verdad.
Cuatro ideas para guardar
La verdadera competencia está en la ontología. Generar una ontología se está volviendo commodity. Lo difícil es mantenerla viva, segura y rápida a escala corporativa, preservando la seguridad de los sistemas de origen: los clientes, productos y exposiciones de riesgo de un banco, las pólizas y siniestros de una aseguradora, el inventario de red y la base de clientes de un operador, la red y los activos de una distribuidora eléctrica, las estructuras de producto de un fabricante. Una prueba de concepto con una muestra pequeña prueba poco; es en la escala de producción donde los proyectos triunfan o fracasan.
Un modelo de lenguaje no predice fallas. Pregunte a un LLM qué cliente está a punto de entrar en mora o darse de baja, qué transacción es fraude, o cuándo va a fallar un elemento de red, un transformador o una turbina, y no lo sabe, aun con los datos en la mano. Los agentes necesitan machine learning, simulación y modelos del dominio, gobernados como cualquier otro activo de producción.
Agente en el proceso, y no solo persona en el proceso. Quien manda es el proceso gobernado. Los agentes intervienen en pasos concretos, como verificar un límite de crédito, preparar el análisis de un siniestro, proponer un cambio en la red o abrir una orden de trabajo de campo, y la decisión vuelve a una persona, con todo el contexto para aprobar. Horas de trabajo manual se convierten en minutos, y cada decisión sigue siendo trazable.
Cada número tiene origen. En cualquier actividad regulada, ya sea banca, seguros, energía, telecomunicaciones o ingeniería, una respuesta solo sirve si puede defenderse ante un comité, un auditor o un regulador: cada valor ligado a su fuente, a su método y al cálculo que lo sustenta. La industria marca la vara, porque es donde menos se tolera el error. Como resumió uno de los ponentes, ingeniero de propulsión de cohetes:
“La IA carga con la prueba; los ingenieros, con la decisión.”
La pregunta del público: ¿deben los socios usar IA para implementar ICX?
Uno de los momentos más reveladores vino del público. La respuesta de Siemens: la IA ya se está volviendo central en la forma de construir estas soluciones, y eso sirve para construir ontologías, diseñar modelos y generar aplicaciones y workflows agénticos. No de una sola vez: los especialistas siguen revisando la ontología, probando los modelos, guiando a los agentes y confirmando el resultado de negocio. En nuestra experiencia, quitando la complejidad de las manos del cliente, la lección hasta ahora es que no hace falta un ejército de personas, sino las personas adecuadas, apoyadas por IA. Siemens dijo que espera que este sea el patrón de producción en todo su ecosistema de socios.
Para nosotros no fue una previsión. Es como ya entregamos. Nuestros equipos cognitivos combinan personas y agentes de IA. Los agentes leen los sistemas heredados como un todo, extraen las reglas de negocio y el modelo de datos, mapean las fuentes de datos, proponen la ontología y el grafo en Graph Studio, preparan datos y modelos en AI Studio y generan aplicaciones y agentes en Mendix, con pruebas que demuestran que no se perdió nada. Nuestras personas deciden, validan y responden por el resultado. El cliente no necesita formar un equipo de especialistas en grafos, machine learning y Mendix antes de empezar. La demo de abajo lo muestra de principio a fin.
Vea: Mason trabajando en Siemens ICX10 minQué significa para quienes deciden
| Pregunta que hacer | Por qué importa |
|---|---|
| ¿Nuestros agentes trabajan con el contexto de nuestra empresa? | Sin contexto, los agentes responden con seguridad y se equivocan con la misma seguridad. |
| ¿Podemos ver y auditar lo que hizo la IA, y quién lo aprobó? | La confianza y el cumplimiento dependen de la trazabilidad, no del modelo. |
| ¿Los agentes están dentro de procesos gobernados? | Agente en el proceso mantiene las decisiones repetibles y con responsable. |
| ¿Resistirá la escala de producción? | Una pequeña prueba de concepto dice poco sobre miles de millones de relaciones. |
El consejo de Siemens a los socios fue liderar por el resultado de negocio, no por la tecnología. Estamos de acuerdo. Empiece por un problema que importe al nivel del directorio, como riesgo de crédito y fraude, siniestros, bajas de clientes, mantenimiento de red y de activos, confiabilidad de la red eléctrica, servicio de campo o ruptura de suministros, y demuestre valor en semanas, en la misma plataforma que lo escalará.
Salimos de Florida con una confirmación, no con una sorpresa. La plataforma está lista, fue hecha con el estándar de sectores donde el error no es una opción, Siemens la está abriendo a la IA, y los socios que combinen conocimiento del dominio con entrega impulsada por IA marcarán el ritmo, en todos los sectores. Ahí es donde elegimos estar.
Si está evaluando por dónde empezar, hable con nosotros o vea cómo entregamos Siemens ICX en nuestra página de Siemens ICX.
Fuentes
- Gartner, Worldwide AI spending will total $2.5 trillion in 2026, ene/2026
- Fortune, MIT report: 95% of generative AI pilots at companies are failing, ago/2025
- Altair, RapidMiner for Banking, Financial Services & Insurance
- Siemens Americas Partner Conference 2027, ChampionsGate, Florida, 17 al 19 de noviembre de 2026: sesiones sobre estrategia de productos, IA corporativa y analytics con Intelligence Center X, y charla sobre IA en la ingeniería regulada (notas de S4 Digital Americas).