Caso de estudio · Automoción (fabricante de vehículos autónomos, eléctricos, híbridos y de combustión)

KnightMotives Automotive

Fabricante de coches con TI mayoritariamente on-premises (mainframe y ERP obsoletos), datos en silos y antecedentes de brechas de seguridad, que quiere pasar de «fabricar coches» a ofrecer una «experiencia de automoción» con IA en todos los modelos, conducción autónoma, monetización de datos, mejores herramientas para concesionarios y cumplimiento del RGPD.

Leer el caso oficial (PDF, en inglés) ↗

El caso en pocas palabras

KnightMotives fabrica coches autónomos: eléctricos de batería (BEV), híbridos y de combustión (ICE). Los BEV ya tienen una experiencia a bordo moderna; los híbridos e ICE no, y eso está hundiendo ventas y satisfacción. La empresa quiere modernizar la experiencia en todos los modelos en cinco años, usar IA a bordo y en la compra y el mantenimiento, monetizar sus datos para financiar la inversión y arreglar un sistema de pedidos online poco fiable que tensa la relación con los concesionarios.

Es el caso más estratégico y de transformación: mezcla modernización de TI heredada (mainframe, ERP), estrategia híbrida, datos e IA a escala, seguridad tras brechas pasadas, RGPD y un fuerte componente de procesos de negocio (formación, talento, comunicación negocio-TI).

Entorno técnico actual

Requisitos

Requisitos de negocio (business requirements)

1. Relación personalizada con el conductor y experiencia coherente en todos los modelos.
2. Mejor modelo build-to-order (fabricación bajo pedido): menos tiempo en el concesionario y transparencia para concesionarios y clientes.
3. Monetizar los datos corporativos para financiar nueva tecnología (la IA actual está obsoleta y los datos, en silos).
4. Seguridad como preocupación prioritaria por brechas pasadas.
5. Cumplir la normativa de protección de datos de la UE (RGPD), sobre todo en plataformas autónomas emergentes.
6. Inversión en conducción autónoma, empezando por regiones con regulación favorable.
7. Formación del personal (upskilling), atraer talento y mejor comunicación entre negocio y técnicos.

Requisitos técnicos (technical requirements)

1. Experiencia a bordo modernizada: UX coherente con IA en todos los modelos, actualizar hardware y software de los modelos antiguos y conectividad fiable en zonas rurales para funciones de IA en tiempo real y transmisión de datos.
2. Mejoras de red para más tráfico y mejor conexión entre plantas y sede central.
3. Modernización de TI con estrategia de nube híbrida y sustitución gradual de sistemas heredados.
4. Desarrollo y pruebas de conducción autónoma: IA/ML puntera, entorno de simulación robusto y cumplimiento de la regulación cambiante.
5. Monetización de datos: plataforma de gestión de datos robusta, seguridad y privacidad estrictas e infraestructura de IA/ML escalable.
6. Seguridad y gestión de riesgos: marco de seguridad integral, plan de respuesta a incidentes y formación en concienciación de seguridad.
7. Mejor experiencia para concesionarios y clientes: mejorar el build-to-order online, herramientas modernas para concesionarios (ventas, taller, inventario) y un CRM integral.

Análisis del arquitecto

Problemas a resolver

• Sistemas centrales obsoletos (mainframe, ERP) que frenan el negocio: cambios lentos en precios y promociones.
• Pedidos online poco fiables que dañan la relación con los concesionarios.
• Datos en silos que impiden tanto la IA como la monetización.
• Flota heterogénea: coches con hardware y software distintos, conectividad intermitente.
• Riesgo de seguridad alto y regulación estricta (RGPD, normativa de vehículos autónomos).
• Capacidades del equipo: hace falta formación y un cambio cultural.

Arquitectura propuesta

flowchart TB
  subgraph EDGE["Vehículos y plantas"]
    CAR["Vehículo (IA en el dispositivo + buffer local)"]
    PLANT["Plantas (Google Distributed Cloud connected)"]
  end
  subgraph ONP["Sede on-premises"]
    MF["Mainframe (cadena de suministro)"]
    ERP["ERP heredado"]
  end
  subgraph GC["Google Cloud"]
    PS["Pub/Sub (telemetría)"]
    DF["Dataflow (streaming)"]
    GCS["Cloud Storage (datos brutos de sensores)"]
    BQ["BigQuery (plataforma de datos)"]
    KC["Knowledge Catalog (gobierno y linaje)"]
    AH["BigQuery sharing (Analytics Hub) / data clean rooms"]
    AI["Agent Platform + AI Hypercomputer (GPU/TPU)"]
    SIM["Simulación en GKE (GPU, Spot)"]
    WEB["Build-to-order y portal de concesionarios (Cloud Run / GKE)"]
    APIG["Apigee (APIs para concesionarios y socios)"]
    SEC["Security Command Center + Google SecOps"]
  end
  CAR -->|"cuando hay cobertura"| PS
  PS --> DF --> BQ
  CAR --> GCS --> BQ
  PLANT -->|"Interconnect"| BQ
  MF -->|"réplica / Mainframe Connector"| BQ
  ERP --> APIG
  BQ --> KC
  BQ --> AH
  BQ --> AI
  GCS --> SIM
  AI --> SIM
  WEB --> APIG
  SEC -.-> GC

Justificación servicio a servicio

Plataforma de datos y monetización

• BigQuery como plataforma unificada de datos (telemetría, ventas, taller, CRM): rompe los silos y da SQL, ML e IA sobre los mismos datos.
• Pub/Sub + Dataflow para ingerir telemetría de millones de vehículos en streaming; Cloud Storage para datos brutos de sensores (vídeo, lidar) usados en entrenamiento y simulación.
• Knowledge Catalog (antes Dataplex Universal Catalog) para catálogo, calidad y linaje de datos: imprescindible para gobernar y demostrar el uso legítimo de datos personales.
• Monetización segura: BigQuery sharing (antes Analytics Hub) para publicar conjuntos de datos a terceros sin copiarlos y data clean rooms para análisis conjuntos sin exponer datos en bruto; Sensitive Data Protection para anonimizar o seudonimizar antes de compartir. Encaja con «data monetization… strict data security and privacy».

IA y conducción autónoma

• AI Hypercomputer (GPU y TPU, almacenamiento y red optimizados, modelos de consumo flexibles) para entrenar modelos de percepción a gran escala.
• Gemini Enterprise Agent Platform para el ciclo de vida del ML: Agent Platform Pipelines (antes Vertex AI Pipelines) para orquestar entrenamiento y evaluación, Model Registry para versionar modelos certificables, Feature Store y Model Monitoring.
• Entorno de simulación: cargas masivas y paralelas en GKE con GPU y Spot VMs (tolerantes a interrupción, mucho más baratas) o Batch; los resultados vuelven a BigQuery.
• IA a bordo: modelos compactos que se ejecutan en el vehículo (funcionan sin cobertura) y sincronizan datos cuando hay conexión. Gemini en la nube para funciones que admiten latencia (asistente conversacional, planificación).
• Herramientas para mecánicos y vendedores: agentes con Gemini fundamentados en manuales de taller e historial del vehículo (Agent Search, antes Vertex AI Search, sobre la documentación técnica) y Gemini Notebook (antes NotebookLM) / Gemini Enterprise (antes Agentspace) para el personal interno.

Modernización de TI (híbrida y gradual)

• Mainframe: evaluación con Mainframe Assessment Tool (MAT), herramienta de Google impulsada por Gemini; como primer paso de bajo riesgo, descargar datos del mainframe a BigQuery para analítica (mainframe connector) sin tocar la lógica. Reescritura o sustitución, en olas posteriores.
• ERP: repurchase hacia un ERP SaaS o replatform del ERP a Google Cloud; mientras tanto, Apigee expone APIs sobre el ERP para que la web de pedidos y los concesionarios no dependan de integraciones frágiles.
• Plantas: Google Distributed Cloud connected (hardware gestionado por Google en el sitio) para cargas de baja latencia en fábrica; Cloud Interconnect entre plantas, sede y Google Cloud (o Cross-Cloud Interconnect hacia las otras nubes que ya usan).
• Identidad y políticas comunes: jerarquía de recursos (carpetas por unidad de negocio y región), Organization Policy Service y IAM con mínimo privilegio.

Concesionarios y clientes

• Build-to-order y portal de concesionarios en Cloud Run o GKE detrás de un Global external Application Load Balancer con Cloud Armor; datos de pedidos en Spanner si necesitan consistencia fuerte y escala global, o Cloud SQL / AlloyDB si el alcance es regional. Solo web: los concesionarios no necesitan equipos nuevos.
• CRM: comprar (repurchase) un CRM SaaS e integrarlo con BigQuery para la visión 360°, en lugar de construir uno.
• Apigee como capa de API para concesionarios y socios (inventario, pedidos, citas de taller).

Seguridad y cumplimiento

• Security Command Center (postura, vulnerabilidades, amenazas) y Google Security Operations (SIEM/SOAR) para detección y respuesta a incidentes con playbooks.
• VPC Service Controls alrededor de los datos de conductores; CMEK y, si se exige control de claves fuera de Google, Cloud External Key Manager.
• RGPD: residencia en regiones de la UE con Resource Location Restriction, Sensitive Data Protection para minimización y seudonimización, registro de consentimiento, Access Transparency y Assured Workloads si hay requisitos de soberanía.
• Seguridad de la cadena de suministro de software del vehículo y de la nube: Artifact Registry con análisis de vulnerabilidades, Binary Authorization, firma de artefactos (SLSA).
• Seguridad de la IA: Model Armor para los asistentes, control de acceso a modelos y datos de entrenamiento.
• Formación en concienciación: requisito de negocio explícito; el arquitecto lo incluye en el plan, no solo tecnología.

Migración

1. Evaluar con Migration Center y MAT; clasificar cada carga con las «R» (el CRM y el ERP, repurchase; el mainframe, retain al principio; la web de pedidos, rebuild).
2. Base: landing zone, identidad, red híbrida, seguridad.
3. Datos primero: consolidar en BigQuery (valor rápido para la monetización y la IA sin tocar sistemas críticos).
4. Aplicaciones de cliente: rehacer build-to-order y portal de concesionarios en la nube.
5. Núcleo heredado: ERP y mainframe en olas posteriores, con pruebas en paralelo.

Costes y operaciones

• La inversión «requiere un cambio de prioridades financieras»: presentar TCO y ROI por fases, con la monetización de datos como fuente de financiación.
• Spot VMs para simulación, CUDs para la base estable, reservas de GPU/TPU para entrenamiento planificado.
• FinOps: etiquetas por programa (BEV, autónomo, concesionarios), exportación de facturación a BigQuery.
• Gestión del cambio: plan de formación (Google Skills), centro de excelencia cloud y comunicación negocio-TI.

Qué preguntaría el examen sobre este caso

Palabras clave del caso y a qué servicio apuntan