IA en la empresa industrial: mantenimiento predictivo, calidad y logística

Una fábrica con tres líneas de producción. Turno de noche, viernes. Un motor empieza a vibrar de forma anómala a las 2:17. A las 4:05 falla. La línea para. El equipo de mantenimiento no llega hasta las 7:30. Cuatro horas de producción perdidas a un coste que, según el sector, puede ir de 8.000 a 40.000 euros. El técnico que llega por la mañana mira los datos del sensor y dice: «esto llevaba dos semanas avisando». Para analizar datos y preparar informes de cliente, el patrón es parecido al de IA en consultoría.

Ese escenario se repite en plantas industriales de toda España con una frecuencia que ningún director de operaciones debería aceptar. No porque no haya tecnología para evitarlo — la hay, y en muchos casos los datos ya existen. Sino porque los datos están ahí y nadie los está leyendo con suficiente atención y a suficiente velocidad.

Los agentes de IA pueden cubrir ese hueco. Pero antes de que alguien venda esto como una solución mágica de tres semanas, conviene ser honesto sobre algo: el sector industrial es el más complejo de los entornos donde he visto implementar IA, y no por las razones que se suelen citar.

Por qué la industria es un caso especial

Cuando implementas un agente en una empresa de servicios o en un departamento de marketing, el reto principal es definir bien los procesos y conectar las herramientas adecuadas. Las herramientas son software moderno, las APIs están documentadas, los datos son texto estructurado en una base de datos.

En una planta industrial, el primer problema que aparece siempre es la brecha OT/IT. Las tecnologías operacionales — los sistemas que controlan las máquinas, los PLCs, los SCADA, los sistemas MES — viven en una red separada, construida para fiabilidad y seguridad física, no para conectividad con el mundo exterior. El técnico de IT que entra en una planta por primera vez y pregunta «¿puedo acceder a los datos del sensor?» suele recibir una mirada que mezcla confusión con hostilidad.

Eso no significa que no se pueda hacer. Significa que hay un trabajo de integración previo que en entornos de oficina no existe. Y ese trabajo requiere personas que entiendan tanto de OT como de IT, que no abundan.

Lo digo explícitamente porque en implementaciones industriales he visto proyectos arrancar con entusiasmo y morir en la fase de integración. No por falta de capacidad del agente. Por subestimar el trabajo de fontanería que hay antes de que el agente tenga datos con los que trabajar.

Mantenimiento predictivo: dónde el ROI es más claro

Si hay un caso de uso donde la IA en industria tiene un retorno evidente y medible, es el mantenimiento predictivo. La lógica es directa: las máquinas fallan de formas predecibles. Antes de que un rodamiento ceda, vibra diferente. Antes de que un motor se recaliente, la temperatura sube de forma anómala. Antes de que una bomba pierda eficiencia, el consumo eléctrico cambia.

Un agente de mantenimiento predictivo hace esto: lee continuamente los datos de los sensores conectados — vibración, temperatura, presión, consumo, ruido — e identifica patrones que preceden a fallos. No los patrones que un técnico define de antemano, sino los que aparecen en los datos históricos cuando el agente los cruza con los registros de intervenciones anteriores.

Cuando detecta una anomalía que históricamente ha precedido a un fallo, genera una alerta al equipo de mantenimiento con el activo afectado, el tipo de anomalía y el tiempo estimado antes del fallo probable. El equipo decide si interviene, cuándo y cómo.

El resultado no es la eliminación de todas las paradas — eso no existe. Es la reducción de paradas no planificadas, que son las que cuestan más: materiales urgentes a precio de emergencia, horas extra, retrasos en pedidos, penalizaciones a clientes.

El requisito imprescindible: los datos de sensores deben existir y ser accesibles. Si la planta no tiene sensores instalados, el primer paso no es un agente de IA — es un proyecto de instrumentación. Sin datos, no hay predicción. Esto parece obvio pero se ignora con sorprendente frecuencia en las primeras conversaciones con clientes industriales.

Control de calidad: detectar la deriva antes del defecto

El control de calidad tradicional funciona por muestreo y umbrales fijos: mides una pieza cada X unidades, y si supera el límite de tolerancia, la rechazas. El problema es que ese modelo es reactivo. Cuando el rechazo ya ha ocurrido, el problema lleva tiempo instalado en la línea.

Un agente de calidad trabaja de forma diferente. Monitoriza continuamente los parámetros del proceso — dimensiones, pesos, temperaturas de proceso, tiempos de ciclo, parámetros de soldadura o de inyección, lo que sea relevante para tu línea — y detecta cuándo esos parámetros empiezan a derivar fuera del rango de control, aunque todavía estén dentro del límite de especificación.

La diferencia es importante: el límite de especificación es donde el producto ya está mal. El rango de control es donde el proceso está funcionando bien. Cuando los parámetros se alejan del centro del rango de control hacia los límites de especificación, algo está cambiando en el proceso. El agente lo detecta y alerta antes de que la tasa de defectos suba.

En la práctica esto significa: un cambio de turno que ajusta una máquina de forma incorrecta, una materia prima con propiedades ligeramente diferentes, un desgaste de útil que todavía no ha cruzado el umbral de rechazo pero que lo cruzará en dos horas. El agente lo ve porque está leyendo todos los datos a la vez, en tiempo real, con más atención que cualquier operario que además tiene quince otras cosas que vigilar.

Los datos que necesitas para esto suelen existir ya si tienes un sistema MES o si los PLCs de la línea están registrando parámetros. La pregunta es si esos datos están accesibles fuera del sistema que los genera — y aquí volvemos al problema OT/IT.

Logística y cadena de suministro: el agente que no deja que te quedes sin material

La gestión de materiales en una planta industrial tiene una combinatoria complicada: decenas de referencias de materia prima y componentes, plazos de entrega variables por proveedor, plan de producción que cambia semana a semana, stock mínimo que hay que mantener sin inmovilizar demasiado capital. Con catálogo y cadena de suministro, el paralelo está en IA para retail.

El departamento de compras de una planta mediana gestiona todo esto con hojas de cálculo que alguien actualiza cuando puede, y con un conocimiento tácito que vive en la cabeza de dos personas. Cuando esas personas no están, el sistema falla.

Un agente de logística y cadena de suministro monitoriza en paralelo tres flujos de información: el plan de producción, los niveles de stock actuales y los registros de entregas de cada proveedor. A partir de ahí, calcula permanentemente cuándo cada referencia va a llegar a su stock mínimo teniendo en cuenta el plazo de entrega del proveedor y la cadencia de consumo prevista.

Cuando detecta un riesgo de rotura — aunque sea con tres semanas de antelación — genera una alerta al equipo de compras con el material en riesgo, la fecha estimada de agotamiento, el proveedor habitual y una propuesta de pedido de reaprovisionamiento para que el comprador la revise y apruebe.

No toma la decisión de comprar. Prepara la información y la propuesta, y espera aprobación humana. Esto es importante: en cadena de suministro industrial, hay factores de contexto — negociaciones en curso, problemas de calidad con un proveedor, cambios de plan no registrados aún — que el agente no conoce. La supervisión humana no es una limitación del sistema. Es la forma correcta de diseñarlo.

Optimización energética: el ahorro que nadie ha cuantificado

El consumo energético en una planta industrial es uno de esos costes que todo el mundo sabe que es alto y nadie ha analizado en detalle. Las facturas llegan, se pagan, y el único análisis que se hace es comparar con el mes anterior.

Un agente de optimización energética analiza el consumo por activo, por línea y por turno, y lo cruza con los datos de producción para calcular el consumo por unidad producida. Con ese análisis identifica tres tipos de oportunidades:

Primero, equipos que consumen en momentos en que no están produciendo — máquinas en standby con consumo elevado, iluminación industrial en zonas sin actividad, sistemas de climatización o compresión que nadie apagó cuando el turno terminó.

Segundo, ineficiencias de planificación — turnos donde el arranque y parada de líneas no está coordinado con la tarifa eléctrica, producción concentrada en franjas horarias de precio alto cuando podría desplazarse a franjas valle sin impacto en la entrega.

Tercero, activos con degradación energética — un motor que consume un 15% más que hace seis meses para la misma tarea probablemente tiene un problema mecánico que el departamento de mantenimiento no ha detectado todavía.

El agente no ejecuta cambios. Genera recomendaciones concretas con el ahorro estimado para que operaciones decida si implementarlas y cómo.

Qué puedes hacer sin sensores ni IoT

Una objeción frecuente cuando presento estos casos en empresas industriales es: «nosotros no tenemos una planta inteligente, tenemos maquinaria de hace veinte años sin conectividad». Es una objeción legítima. Pero no es un bloqueante para empezar.

Hay un conjunto relevante de aplicaciones donde los agentes de IA añaden valor en entornos industriales sin necesidad de ningún sensor ni conectividad OT:

• Planificación de mantenimiento preventivo: el agente gestiona el calendario de revisiones, registra las intervenciones realizadas, calcula cuándo toca la próxima revisión según el fabricante y las horas de uso registradas manualmente, y genera órdenes de trabajo.
• Gestión de compras y stock: si los datos de consumo y pedidos están en un ERP o en hojas de cálculo accesibles, el agente puede trabajar con ellos aunque no haya sensores en planta.
• Reporting operacional: consolidación de datos de producción de diferentes fuentes, generación de informes para dirección, alertas sobre desviaciones de plan vs real.
• Gestión documental técnica: fichas de mantenimiento, manuales de máquinas, registros de calibración, gestión de no conformidades — todo esto es papel o PDFs dispersos en la mayoría de plantas y es un candidato directo para automatización.

Mi recomendación para una empresa industrial que quiere empezar con IA sin meterse en un proyecto OT/IT complejo: empieza por el primer departamento agéntico en el área donde tengas los datos más limpios y accesibles. Que funcione bien, que el equipo se acostumbre, que entiendas dónde están los límites reales. Después escala.

El reto real: la integración, no la IA

Después de varios proyectos en entornos industriales, la conclusión que más me cuesta vender — porque va contra el discurso habitual del sector — es esta: el problema raramente es la capacidad del modelo de IA. Los modelos actuales son suficientemente capaces para todos los casos de uso que he descrito. El problema es la capa de integración.

Para que un agente de mantenimiento predictivo funcione necesitas que los datos del sensor lleguen al agente en tiempo real, con el formato correcto, sin lagunas, con las unidades correctas y con el etiquetado correcto del activo. Eso requiere un trabajo de ingeniería de datos que puede llevar semanas o meses dependiendo de la arquitectura existente.

Para que un agente de calidad funcione necesitas que los datos del proceso estén registrados de forma consistente, que los límites de control estén definidos por alguien que conozca el proceso, y que haya suficiente histórico etiquetado con el resultado de calidad real para que el agente aprenda qué patrones predicen defectos.

Nada de esto es imposible. Pero tampoco es trivial. Y el proyecto que prometía resultados en seis semanas y no los tenía porque lleva cuatro meses intentando resolver la integración es el proyecto que acaba matando la confianza interna en la IA.

Si estás evaluando un proyecto de este tipo, te recomiendo leer antes sobre los errores más comunes al implementar IA en empresa. El primero de la lista — subestimar la preparación de datos — es especialmente relevante en entornos industriales.

La buena noticia: cuando la integración está bien hecha, el ROI en industria es de los más altos que he visto. Una sola parada no planificada evitada puede pagar el coste de varios meses de proyecto. No es cuestión de si vale la pena. Es cuestión de hacerlo bien.

Preguntas frecuentes sobre IA en industria y manufactura