Ingeniero IndustrialUPC · ETSEIBHead of AI en BTECH
Ingeniería industrial e inteligencia artificial. En la práctica, casi todo lo que hago empieza con alguien describiendo un síntoma.
Estamos al principio de una nueva revolución industrial, la de la IA. Mi sitio en ella es claro: integrarla en todo lo que ya existe y funciona, y abrir procesos que antes no eran posibles —digerir y cruzar mucha más información de la que cabe en una cabeza—. Bien usada, nos vuelve ultracapaces; mal usada, resta más de lo que aporta. La diferencia está en el criterio. Construir el futuro, no esperarlo.
Ingenieros en la empresa donde creé el departamento de IA
3 meses
De trabajo anual de una persona, reducidos a horas en un solo proceso
CEO
Dependencia directa del CEO
GB10
Cómputo propio, en local y on-edge: los datos nunca salen de la empresa.
De un vistazo
IA soberana, segura por diseño
Modelos que corren en local: ni un dato sale del edificio. Sobre RKE2, el Kubernetes certificado DISA STIG para defensa e inteligencia (FIPS 140-2), y sistemas agénticos demostrados en directo.
Stack NVIDIA de extremo a extremo
De CUDA y GB10 a NeMo, NIM y Dynamo. Inferencia distribuida sobre Kubernetes, contribución a OpenShell y parte de la comunidad open source de Hugging Face.
Physical AI y simulación
Gemelos digitales, elementos finitos y modelos que razonan sobre sistemas físicos. Del cálculo al mundo real —hasta la robótica de código abierto (Pollen Robotics · Hugging Face) que monto por afición.
IA para la biología y el fármaco
Biología computacional con AlphaFold (hasta sus últimas versiones), un TFG de energía por glucosa para dispositivos implantables con patente iniciada, y experiencia en entorno farmacéutico regulado.
Hacia un gemelo digital del cerebro
El norte de todo lo anterior: gemelos digitales y física informada por IA sobre cómputo GPU para simular la biología en vez de ensayarla, y probar fármacos in silico. Con raíz real en bioingeniería —el ciclo del ácido cítrico y la energía de la glucosa para dispositivos implantables— y, desde 2026, en el estudio del cerebro: cómo aprende, decide y falla.
La grandeza no es inteligencia. La grandeza viene del carácter. Y el carácter no se forja en gente inteligente: se forja en gente que ha sufrido.
Jensen Huang, NVIDIA · Caltech, 2024
Me considero, ante todo, un aprendiz permanente: aprendo sobre todo de quienes me rodean, mantengo la curiosidad como método de trabajo y tengo presente que aún me queda mucho camino por recorrer.
¿Qué te trae por aquí?
Entonces lo que te importa es el método, no mi currículum. Baja y mira, caso por caso, por dónde empiezo yo.
Elige una y te llevo directamente a lo que buscas. Al final, mi trabajo es resolver problemas; el tuyo también.
Diagnóstico
Casi siempre empieza con una frase así.
Las he oído todas más de una vez, en comités y en planta. Ninguna describe el problema: describen el síntoma.
Tenemos datos por todas partes y las decisiones se siguen tomando por intuición.
Lo que suele ser
No falta el dato: falta reunirlo. Cada área mide lo suyo con su propio criterio, así que en la reunión donde hay que decidir no hay una cifra, hay cinco versiones de la misma y ninguna se puede defender.
Por dónde se aborda
Antes de automatizar nada, acordar qué se mide y quién responde de cada número. Después, un solo sitio donde la métrica se calcula sola y se puede auditar. El sistema no decide: reúne la métrica para que decida quien tiene que hacerlo.
Tenemos el plan, el presupuesto y la tecnología. Y el proyecto no avanza.
Lo que suele ser
El plan casi nunca falla. Lo que falla es que nadie ha explicado a quien debe ejecutarlo por qué le conviene, así que el proyecto compite contra el trabajo de siempre y pierde todas las semanas.
Por dónde se aborda
Empezar por el área que más gana con el cambio y por el proceso que más duele, no por el más fácil de tocar. Un caso que funciona convence más que cualquier presentación, y a partir de ahí el resto pide entrar. La parte difícil no es la arquitectura: es que la organización quiera usarla.
Para probar un cambio hay que pararlo todo, así que no lo probamos.
Lo que suele ser
El coste de la prueba no es el cambio: es la parada. Así que se decide sin ensayar, y lo que acaba en producción es la primera versión que nadie ha podido cuestionar.
Por dónde se aborda
Levantar una réplica del sistema donde el cambio se ensaye sin tocar el original: física simulada cuando al otro lado hay una máquina, réplica del proceso cuando es una organización, y en ambos casos modelos entrenados con los datos del propio sistema. La cadena es la misma tanto si se trata de una línea de producción, un edificio técnico, un sistema vivo o el flujo de trabajo de una empresa entera.
Cuando alguien se va, se lleva media documentación en la cabeza.
Lo que suele ser
No está sin escribir por dejadez: está escrita en quince sitios y nadie sabe cuál es la versión vigente. Buscar cuesta más que preguntar, y por eso se pregunta, y por eso el conocimiento sigue viviendo en personas.
Por dónde se aborda
Un único sitio con versión vigente y permisos, y encima una capa que responda citando el documento del que ha sacado la respuesta. En cuanto buscar cuesta menos que preguntar, la gente busca sola.
Queremos usar IA, pero de aquí no sale un dato.
Lo que suele ser
Por eso la mayoría de pruebas se quedan en prueba: el piloto se monta fuera, funciona, y después no hay manera de traerlo dentro.
Por dónde se aborda
Montarlo dentro desde el primer día: modelos abiertos, infraestructura propia y cómputo GPU en casa. Un piloto que nace fuera y luego hay que repatriar casi nunca se repatría, porque para entonces ya depende de cosas que no se pueden mover.
Queremos avanzar con la IA, pero nadie nos sabe decir qué nos deja hacer la ley.
Lo que suele ser
El reglamento europeo apenas prohíbe: clasifica. Lo que paraliza no es la norma, es que nadie ha dicho en qué nivel de riesgo cae cada caso de uso, así que por prudencia se tratan todos como si fueran el peor y no se hace ninguno.
Por dónde se aborda
Clasificar caso por caso antes de construir nada: riesgo inaceptable, alto, limitado o mínimo, que es lo que decide qué obligaciones aplican de verdad. La mayoría de usos internos cae en los dos niveles bajos, y saberlo desbloquea el proyecto sin bajar la guardia en el que sí es de alto riesgo.
Con nuestros datos no podemos usar una IA en la nube.
Lo que suele ser
En sectores regulados —defensa, salud, banca— el problema no es la IA, es la cadena de custodia del dato: cada consulta a un servicio externo es una copia que sale, y eso no pasa una auditoría ni un pliego.
Por dónde se aborda
Todo en local y auditable: modelos abiertos sobre Kubernetes endurecido (RKE2, FIPS 140-2/STIG), GPU propia y agentes seguros por diseño, con traza de cada acción. La IA entra sin que el dato salga.
La distancia entre la primera columna y la segunda es donde se va el presupuesto, y casi todo mi trabajo consiste en acortarla antes de tocar nada. Lo que entrego al final no es una herramienta: es un dato con el que se puede decidir, fabricado en horas en vez de a mano durante meses.
Experiencia con
Barcelona Technical CenterFI GroupFnacGrifolsFòrum ETSEIB
Áreas de especialización
Siete frentes, el mismo método.
Las disciplinas cambian; lo que no cambia es por dónde se empieza. Del cálculo estructural a la arquitectura de sistemas de inteligencia artificial, el orden es siempre el mismo: entender, medir y solo entonces tocar.
01
Consultoría
Proceso
Trabajar dentro del problema de otro: entenderlo, documentarlo y defenderlo ante quien tiene que aprobarlo. En FI Group, con el cliente delante y sin intermediarios.
Ayudas públicasDeduccionesGestión de clientes
02
I+D+i
Proceso
Casi toda empresa industrial hace desarrollo que la ley reconoce como I+D+i, y casi ninguna lo cobra: falta el informe que lo demuestre. Ese informe es trabajo de ingeniería, no de gestoría — hay que entender qué se construyó para poder defender por qué cuenta.
Proyectos de investigaciónInnovación
03
Inteligencia artificial
Digital
Departamento creado desde cero en una empresa de 400 ingenieros: arquitecturas RAG, agentes autónomos y ajuste de modelos sobre infraestructura y cómputo GPU propios, sin que el dato salga de la empresa.
RAGLLM en localArquitectura de datos
04
Elementos finitos
Digital
Cadena de cálculo completa en componentes de automoción: ANSA para el preproceso, Pam-Crash para la dinámica, Abaqus para el análisis estático y Meta para el postproceso.
ANSAPam-CrashAbaqusMeta
05
Energía
Físico
Máster en Ingeniería de la Energía y posgrado en gestión energética de centros de datos: renovables, eficiencia, redes inteligentes, almacenamiento e hidrógeno.
Proyectos de planta de principio a fin: fotovoltaica de autoconsumo de 86 kW, sistema de gases de escape y arquitectura ERP.
PlantaERPISO 50001
07
Sistemas e IT
Digital
Gestión de accesos y redes, despliegue de ERP, control biométrico, cifrado y automatización de procesos internos.
RedesBiometríaCifradoAutomatización
Método
Del sistema real a la decisión.
El hilo que une todo lo que hago: convertir algo que ya funciona en un modelo fiable, para poder probar escenarios sin tener que tocarlo. Da igual que ese algo sea una planta o una empresa entera.
01 · Real
Sistema real
Una planta, una instalación, una cadena de suministro o el flujo de trabajo de una empresa entera. El punto de partida siempre es algo que existe y se comporta.
02 · Medición
Datos
Sensórica, curvas de carga, series históricas o los registros que los propios sistemas ya generan. Lo que dice cómo se comporta de verdad, no cómo debería.
03 · Modelo
Gemelo digital
Malla de cálculo, modelo entrenado o réplica del proceso: lo que reproduce ese comportamiento con un error acotado y medido.
04 · Uso
Decisión
Simular escenarios y decidir sobre el modelo, no sobre el sistema que está funcionando y del que depende alguien.
De ingeniero de cálculo a montar un departamento de IA.
Soy Guillem Navarro Vargas, ingeniero en Tecnologías Industriales por BarcelonaTech (UPC-ETSEIB). Empecé mallando componentes de automoción y hoy dirijo el departamento de inteligencia artificial de una empresa de 400 ingenieros.
Ese recorrido explica cómo trabajo: entender el sistema entero antes de optimizar ninguna de sus partes. Lo aprendí en el cálculo, donde un supuesto mal puesto invalida el resultado por muy fino que sea el mallado.
Y no he llegado hasta aquí solo ni lo tengo todo resuelto: aprendo rápido, pregunto sin complejos y me rodeo de gente que sabe más que yo en lo suyo. Casi siempre, el mérito es del equipo.
Cómo trabajo
Los siete pilares del recorrido.
Cada empresa del recorrido me dejó un pilar, y los fui a buscar a propósito. Se apoyan en la psicología de la resolución de problemas y en las soft skills que no se calculan, y sirven todos a la misma estrategia: entender el sistema entero —del mundo físico al modelo— antes de tocar una sola de sus partes.
兵法：一曰度，二曰量，三曰數，四曰稱，五曰勝。地生度，度生量，量生數，數生稱，稱生勝。
El método militar consta de cinco elementos: la medición, la estimación, el cálculo, el equilibrio y la victoria. El terreno da la medición; la medición, la estimación; la estimación, el cálculo; el cálculo, el equilibrio; y el equilibrio, la victoria.
Sun Tzu · El arte de la guerra, cap. IV (s. V a. C.)
Veinticinco siglos después, sigue siendo el mismo orden: medir, estimar, calcular, decidir. Mis pilares solo le ponen el nombre que hoy le da la psicología.
01Representación del problema
El sistema entero, antes que las partes
No toco una pieza hasta entender el sistema que la sostiene. El experto lee un problema por su estructura, no por su apariencia (Chi, Feltovich y Glaser, 1981); esa forma de mirar la aprendí llevando una planta industrial de arriba abajo —redes, ERP, IoT—, donde nada funciona por separado.
02Transferencia analógica · Physical AI
Del mundo físico al modelo
Resuelvo un problema nuevo trayendo la solución de otro dominio: es la transferencia analógica (Gick y Holyoak, 1983), el motor de la creatividad experta. Del cálculo por elementos finitos y los vehículos eléctricos que reparé con las manos en Robotic Dreams a los modelos que hoy razonan sobre sistemas físicos: eso es, para mí, la IA física.
03Metacognición
El supuesto decide el resultado
Vigilo mis supuestos con la misma dureza con la que calculo. La pericia es tanto metacognición como técnica (Flavell, 1979): en elementos finitos un supuesto mal puesto invalida el resultado por fino que sea el mallado —y eso vale igual para una malla que para una decisión de negocio.
04Práctica deliberada
Práctica deliberada, no horas
Elijo dónde trabajar por lo que voy a aprender, no por lo que ya sé. La pericia nace de practicar lo que aún no se domina (Ericsson, 1993); por eso cada empresa y cada título fueron una decisión, y por eso sigo en la frontera: primera promoción del AI Business Fellowship de Perplexity.
05Comunicación · soft skill
Traducir lo técnico en decisión
Un resultado que no se sabe defender no existe. El experto olvida lo que es no saber —la maldición del conocimiento (Camerer et al., 1989)—, así que traduzco a propósito: defendí memorias de I+D+i ante el cliente y la administración en FI Group, y demostré sistemas agénticos en directo ante un congreso no técnico en DETCON.
06Liderazgo · soft skill
Con y a través de las personas
Dirijo por modelo mental compartido, no por organigrama. Los mejores equipos piensan en el mismo marco (Cannon-Bowers y Salas, 1993); lo he construido dirigiendo la comunicación del Fòrum ETSEIB, retransmitiendo en directo para Ràdio Calella Televisió, echando una mano en la European Blockchain Convention y montando desde cero un departamento de IA.
07Racionalidad limitada
Rigor bajo restricción
Decido con rigor cuando el tiempo y los recursos son finitos —que es siempre—. Esa es la definición real de racionalidad (Simon, 1955), y la afilé en Grifols, gestionando accesos en un entorno farmacéutico regulado donde el error no es una opción.
Y sé lo que no sé: cada proyecto me recuerda cuánto queda por aprender, y que lo que sale bien casi nunca es mérito de una sola persona.
Trayectoria y empresasFormación
03/2016 — actualidad En activo
Empresa industrial · Ingeniería de IT y automatización
Redes, IoT, ERP y la columna digital de la planta. Compatibilizada con todo lo demás desde entonces.
09/2017 — 09/2018
Robotic Dreams S.L. · Reparación de vehículos eléctricos
Pineda de Mar. Diagnóstico y reparación de vehículos eléctricos: baterías, motores y electrónica de potencia aprendidos con las manos.
De la investigación al mercado global: transferencia tecnológica, financiación y escalado de deep tech.
En curso
Lo que estoy dirigiendo ahora.
Ecosistema corporativo con agentes
BTECH · Dirección del proyecto
No es una herramienta más conectada a las que ya había: es la capa donde todas ellas se encuentran. Gestión comercial, planificación de recursos, base de conocimiento, formación, ingeniería y simulación viven en un mismo ecosistema, hablan entre sí por caminos declarados y comparten una sola identidad. Encima, una capa de agentes con herramientas propias que puede consultar cualquiera de ellas, contrastar lo que dicen unas y otras, y operar sobre ellas cuando le corresponde. Toca todos los departamentos, sin excepción: dirección, finanzas, recursos humanos, comercial, calidad, legal, ingeniería y producción.
Todo bajo un mismo techo
Los sistemas de una empresa suelen hablar idiomas distintos y ninguno sabe lo que hacen los demás; cuando alguien necesita cruzar dos, lo hace a mano. Aquí cada programa se comunica con los otros —y con los externos que hagan falta— por un camino declarado, no por integraciones sueltas que nadie recuerda quién montó. Eso es lo que convierte una colección de aplicaciones en un sistema.
Infraestructura auditable
Todo corre sobre RKE2, la distribución de Kubernetes validada en FIPS 140-2 y conforme a los STIG de la DISA: la que se admite en entornos federales de Estados Unidos. No es un adorno de seguridad. Es lo que permite que alguien de fuera pueda entrar a comprobar qué cifra qué, quién accedió a qué y cuándo, sin que la respuesta sea «habría que mirarlo».
El agente no ve más que tú
Es el mismo agente para toda la plantilla, pero hereda los permisos de quien lo invoca: cuando lo usa una persona, alcanza exactamente lo que esa persona alcanza, ni un registro más. Parece un detalle de implementación y es la pieza que decide si el sistema puede existir: sin ella, un asistente corporativo es una fuga de información con buena interfaz, y basta una pregunta bien hecha para sacar la nómina de alguien.
Local o externo, según el caso
Un enrutador decide, consulta a consulta, si se resuelve con un modelo que corre dentro de casa o con uno de fuera. Lo sensible no sale nunca; lo que no lo es puede aprovechar el mejor modelo disponible en ese momento. La soberanía del dato deja de ser una postura que se defiende en reuniones y pasa a ser una regla que se cumple sola.
Un mundo donde probar
Dentro del mismo ecosistema vive un entorno de simulación donde la geometría de ingeniería, la física y los modelos que aprenden de ella comparten una sola escena. Ahí se entrena robótica humanoide contra un mundo simulado antes de que el robot exista: se generan situaciones que en planta costarían meses de recogida de datos, y modelos que entienden imagen y lenguaje a la vez aprenden a interpretarlas. Es un banco de pruebas de algo que todavía no está construido.
Cada flujo, a la vista
Todo lo que va de un programa a otro se ve, se mide y se puede cortar. Se abre una capacidad a un departamento y se cierra a otro; se concede una herramienta a un agente y se le retira; se sigue una petición desde quien la hizo hasta el último sistema que tocó. Sin esa trazabilidad no hay gobierno posible, solo confianza, y la confianza no se audita.
Un sistema así es, en la práctica, un gemelo digital de la empresa. No de una pieza ni de una planta: de cómo circula la información, de quién puede ver qué y de cómo se toman las decisiones. Y un gemelo sirve para lo mismo aquí que en ingeniería — probar el cambio antes de hacerlo, y saber qué se rompe si sale mal.
Hay datos de uso, pero no son públicos. Tampoco lo son el ERP, el sistema comercial, el entorno de simulación ni la arquitectura concreta.
Herramientas
Con qué trabajo.
Lo que uso para entregar, agrupado por dominio y ordenado por soltura. No está todo lo que he tocado: está lo que puedo defender.
Reglamento (UE) 2024/1689 · ISO/IEC 42001 · ISO/IEC 27001 · ISO 9001 · TISAX · Clasificación de riesgo de casos de uso · Evaluación de conformidad
Infraestructura y cómputo
NVIDIA DGX Spark (GB10) · Kubernetes · RKE2 · CUDA · Argo CD · GitLab · Coder · Docker · Istio · Python · Linux y Linux Server · Windows Server · Git · LaTeX · NVLink · NCCL · Servidores Dell
Sistemas y plataformas
Active Directory · authentik · SAP · Azure · Citrix · VPN · Control de accesos · n8n · Wiki.js · Drupal · Jira · Power Automate
Energía y planta
ISO 50001 · Fotovoltaica de autoconsumo · IoT industrial · ERP · Minitab
Gestión y personas
Dirección de equipos · Gestión de proyectos · Contratación y onboarding · Comunicación ejecutiva · Negociación · Mentoría · OKR y KPI · Trabajo transversal
Las marcas, logotipos y nombres de producto citados pertenecen a sus respectivos titulares. Se mencionan únicamente para describir experiencia profesional con ellos y no implican relación comercial, patrocinio ni respaldo por parte de sus propietarios.
Credenciales
Dónde me he formado.
Titulaciones, certificaciones y lo que está en marcha. Lo que marca hacia dónde voy es el posgrado con Schneider Electric y las certificaciones de NVIDIA.
Formación
Posgrado en Gestión Energética de Centros de Datos · especialidad SchneiderUPC School · Schneider Electric
Máster en Ingeniería de la EnergíaUPC · ETSEIB09/2022 — 05/2025
Máster en Ingeniería IndustrialUPC · ETSEIB09/2022 — 05/2025
Grado en Ingeniería en Tecnologías IndustrialesUPC · ETSEIB09/2018 — 07/2022
Large Language Model Agents (MOOC)UC Berkeley01/2025 — actualidad
Curso en Deep Tech to Market Pendiente de inicioUPC School · Fractus-UPC Deep Tech HubA partir de 11/2026 · 1 ECTSDe la investigación al mercado global: convertir ciencia disruptiva en empresas de alto impacto. Transferencia tecnológica, financiación y escalado de deep tech.
Grado en Psicología Pendiente de inicioUNEDA partir de 10/2026Las redes neuronales que uso a diario son una abstracción de algo que existe de verdad. Entender el original —cómo aprende un cerebro, cómo decide y sobre todo cómo falla— no es un desvío respecto a lo que hago: es la otra mitad del mismo problema. Y hay una segunda razón, aprendida dirigiendo: el cuello de botella de un proyecto casi nunca es técnico, es que hay personas a las que hay que entender antes de poder dirigirlas.
Certificaciones
NVIDIA-Certified Associate · Generative AI LLMsNVIDIA2025
Deploying RAG Pipelines for Production at ScaleNVIDIA Deep Learning Institute2025
Desarrollo de aplicaciones móvilesUniversidad Complutense de Madrid2020
Piloto de dronAESA2023
Ponencias
Sistemas agénticos aplicados a la investigación privada
DETCON 2026 · Congreso de detectives privados, Barcelona · 2026
Ponente invitado como especialista en inteligencia artificial. Agentes ejecutándose en local y aislados, desde un portátil corriente hasta un NVIDIA Jetson Orin, sin que ningún dato salga del equipo. Demostración en directo del flujo entero: entrada por mensajería, redacción automática del informe y consulta posterior sobre él. Expuesto como tecnología en fase beta, no de producción, y como dirección hacia la que va el mercado.
Comunidad técnica
AutoCFD · Automotive CFD Prediction Workshop
Grupo de trabajo internacional · Reuniones mensuales · 5ª edición
Participo en las reuniones mensuales del grupo de trabajo de AutoCFD, el taller internacional que mide la capacidad real de predicción del CFD sobre geometrías de automoción. Mi foco ahí es la vía que viene: la simulación mediante modelos de aprendizaje automático, entrenados con datos abiertos de CFD de alta fidelidad, que predicen en segundos lo que a un solver le cuesta horas. Es el punto exacto donde la simulación clásica y la IA física se encuentran —el mismo cruce en el que trabajo a diario.
Perplexity · AI Business Fellowship
Comunidad del programa · Primera promoción
Parte de la comunidad técnica del AI Business Fellowship de Perplexity: una red reducida centrada en llevar la IA a decisiones reales de empresa.
Hugging Face
Comunidad open source · Modelos, datasets y robótica
Parte de la comunidad open source de Hugging Face: modelos y conjuntos de datos abiertos, y la robótica de Pollen Robotics con la que trasteo.
Carnets y habilitaciones Permisos de conducir A1, A y B · Patrón de embarcaciones de recreo · Piloto de dron (AESA) · Open Water Diver (SSI, hasta 18 m)
Currículum
La trayectoria, en un folio.
Un resumen de toda la trayectoria, condensado en un folio listo para imprimir o llevarse en PDF.
GNV LP-24
S/N 50001
READY
PAGE 1/1 A4 300 DPI
Guillem Navarro Vargas
Ingeniero Industrial · Head of AI en BTECH
info@gnvengineering.com
gnvengineering.com
in/guillemnavarro
Barcelona, España
Perfil
Ingeniero en Tecnologías Industriales por la UPC-ETSEIB, con los másteres en Ingeniería de la Energía y en Ingeniería Industrial y posgrado en gestión energética de centros de datos por la UPC School con Schneider Electric. Head of AI en BTECH, donde creé el departamento de inteligencia artificial de una empresa de 400 ingenieros, con dependencia directa del CEO. Trabajo donde se cruzan la infraestructura crítica, la energía y la inteligencia artificial aplicada a sistemas físicos, con un criterio fijo: la máquina reúne la métrica, la decisión sigue siendo de una persona.
Experiencia
Head of AI
Creación del departamento de IA en una empresa de 400 ingenieros: propuse el caso de negocio, lo defendí ante dirección y monté el área desde cero, con dependencia directa del CEO. Dirección del equipo y trabajo transversal con el resto de departamentos, empezando por finanzas: automatización de procesos y sistemas de KPI e indicadores, con casos en los que tres meses de trabajo anual de una persona pasaron a resolverse en horas. Papel relevante en la integración del Reglamento (UE) 2024/1689 y en el marco de gestión conforme a la ISO/IEC 42001, además de la formación interna sobre ambos. Ecosistema de IA integrado en los flujos de simulación y CAD, con LLM ajustados por LoRA, RAG, agentes autónomos y sistemas de memoria sobre Kubernetes y cómputo GPU propio.
Ingeniero CAE y responsable de integración de IA
Cálculo por elementos finitos en componentes de automoción con ANSA, Pam-Crash, Abaqus y Meta, e integración de motores LLM y arquitecturas RAG en el flujo de simulación.
Ingeniero de IT y automatización de procesos
Compatibilizada con el resto de la trayectoria. Optimización de distribución, transferencia de datos, copias de seguridad, actualizaciones e integración IoT. Parte clave del desarrollo de una planta fotovoltaica de 86 kW y de la implantación de ERP en entorno industrial y logístico.
Consultor de I+D+i
Memorias técnicas y relación directa con el cliente. Coordinación de ayudas, deducciones fiscales y bonificaciones, autoliquidadas y certificadas.
Gestión de control de accesos IT · prácticas
Entrada como técnico de soporte de nivel 2 y promoción a gestión de control de accesos: administración de sistemas, Active Directory y SAP.
Director de comunicación corporativa
Dirección del área de comunicación corporativa y del equipo a cargo: negociación y relación con empresas para el foro de empleo de la escuela. Primer equipo que dirigí.
Formación
Posgrado en Gestión Energética de Centros de Datos · especialidad Schneider
Infraestructura crítica de principio a fin: gestión energética avanzada de centros de datos, innovación en sistemas de refrigeración y de control, y diseño y operación de microrredes AC/DC híbridas y sistemas de alimentación ininterrumpida.
Máster en Ingeniería de la Energía
Máster en Ingeniería Industrial
Grado en Ingeniería en Tecnologías Industriales
Large Language Model Agents (MOOC)
Curso en Deep Tech to Market
Grado en Psicología
Certificaciones
NVIDIA-Certified Associate · Generative AI LLMs
Deploying RAG Pipelines for Production at Scale
Certified SolidWorks Associate
Ponencias
Sistemas agénticos aplicados a la investigación privada
Comunidad
AutoCFD · Automotive CFD Prediction Workshop
Perplexity · AI Business Fellowship
Hugging Face · comunidad open source
Competencias
ConsultoríaProceso
I+D+iProceso
Inteligencia artificialDigital
Elementos finitosDigital
EnergíaFísico
IndustrialFísico
Sistemas e ITDigital
Otros datos
Software
Python · ANSA · Abaqus · Pam-Crash · Meta · SolidWorks · MATLAB · Kubernetes · Linux
Carnets
A1, A y B · Patrón de embarcaciones de recreo · Piloto de dron · Open Water Diver (SSI, hasta 18 m)
Idiomas
Catalán y castellano nativos · Inglés C1 certificado · Francés A2 certificado
Contacto
Cuéntame el problema. Te contesto con el método.
Viabilidad, enfoque y estimación de horas. En 48 h laborables, escrito por mí y sin compromiso.
