La IA llega a la fábrica, pero las costumbres siguen ahí

La IA industrial se implanta más rápido de lo que se aprende a utilizar
A los fabricantes nunca les hicieron falta cálculos complejos para entender el coste del mantenimiento correctivo. Las paradas imprevistas, las horas extra, los envíos urgentes de piezas, los calendarios desbaratados y la pérdida de confianza de los clientes llevan años drenando dinero. Lo que ha cambiado es otra cosa: la inteligencia artificial (IA) aplicada al mantenimiento de equipos ha pasado de la idea a la herramienta de trabajo con bastante rapidez, y la justificación económica de la inversión resulta casi evidente.

Sin embargo, la implantación no da resultados al ritmo esperado. Según el estudio de los autores, alrededor del 78 % de todos los obstáculos mencionados están relacionados con el personal. El acceso a la IA se ha ampliado más rápido que la capacidad de los empleados para aplicarla de forma constante en su trabajo. Esa brecha es ahora el principal límite a su impacto.

Los fabricantes invierten en IA para aumentar la productividad, pero muchos siguen aferrados a hábitos que el mantenimiento predictivo —la reparación basada en datos sobre el estado de los equipos— debía haber dejado atrás.

La implantación del mantenimiento predictivo se ha más que duplicado en un año. Aun así, la proporción del mantenimiento correctivo no ha cambiado, y el mantenimiento proactivo, es decir, actuar antes de que aparezca una avería, ha perdido terreno. La conclusión es incómodamente sencilla: los métodos nuevos llegan a la fábrica, pero los antiguos no se van. Al final, la planta funciona en dos modos a la vez.

Eso no significa necesariamente que el proyecto haya fracasado. Los proyectos piloto suelen funcionar de verdad con equipos conocidos y un pequeño grupo bien preparado. La dificultad llega cuando el modelo tiene que ayudar a tomar decisiones en distintos turnos y plantas, entre empleados con niveles de experiencia dispares.

La tecnología entra rápido en el presupuesto. Los hábitos de trabajo, la confianza en las recomendaciones, el reparto de responsabilidades y la seguridad de los empleados de la línea de producción tardan más en cambiar. Por eso los directivos no renuncian a la IA, sino que afinan sus prioridades: la inversión se desplaza de los proyectos experimentales a la ciberseguridad, la gestión de datos, la IA generativa y la IA industrial.

Este enfoque refleja una visión más realista de la madurez digital. Las empresas dirigen la IA allí donde los retrasos, las paradas y los datos deficientes se convierten antes en pérdidas reales.

También está cambiando la perspectiva sobre la Industria 5.0, un concepto de industria en el que la automatización se complementa con la participación continua de las personas. Ahora, el 40 % de los directivos prevé que esta transición llevará entre uno y cuatro años.

Es fácil interpretar erróneamente ese 78 % como un relato sobre la falta de personal. El problema es más amplio: escasean la experiencia, los conocimientos y los especialistas cualificados, y falta capacidad general para que la plantilla trabaje de otra manera. Los investigadores Cohen y Levinthal llaman a esa capacidad «absorptive capacity» —capacidad de absorción—: la habilidad para reconocer conocimientos útiles, incorporarlos a la organización y convertirlos en resultados prácticos.

En el mantenimiento de equipos, el resultado es una decisión tomada en condiciones reales. Por ejemplo, el jefe del turno de noche tiene que determinar si una anomalía detectada requiere intervenir de inmediato, si la reparación puede esperar a una parada programada o si el riesgo ya es inaceptable. El modelo detecta la desviación, pero la decisión corresponde a una persona.

Para eso no basta con aprender a pulsar botones. Un informe del Gobierno británico sobre las competencias en IA de los trabajadores señala que es necesario comprender los resultados de la IA, reorganizar los procesos en torno a los nuevos datos y explicar los cambios a los equipos de producción. Son precisamente esas competencias las que determinan si una alerta se convierte en acción o cae en el olvido.

La preparación del personal no puede ser un proyecto aislado de Recursos Humanos. Forma parte del sistema del que depende el rendimiento de la tecnología. Si aumenta el mantenimiento predictivo, crece la inversión de capital y el nivel de averías no cambia, persiste una brecha entre el gasto y los resultados.

El estudio Siemens True Cost of Downtime de 2024 calcula que las paradas imprevistas cuestan cada año 1,4 billones de dólares a las 500 mayores empresas del mundo, alrededor del 11 % de sus ingresos conjuntos. Ese es el precio de una transición incompleta de la reacción ante averías a la predicción: el dinero en tecnología ya se ha gastado, pero el trabajo diario aún no se ha reorganizado.

Los directivos deberían comprobar no solo si hay IA, sino también si la planta puede actuar a partir de sus señales. ¿Qué equipos siguen dependiendo de uno o dos especialistas con experiencia? ¿Dónde están demasiado incompletos los historiales de reparación? ¿Qué alertas provocan una respuesta segura y cuáles esperan a que llegue la persona adecuada al turno?

Los pasos prácticos están claros: documentar los conocimientos que aún solo guardan en la cabeza los empleados, completar los historiales de trabajo, enseñar a los operarios y al personal de mantenimiento a interpretar las alertas, definir los criterios de intervención y el procedimiento de escalado. Hay que organizar los procesos para que actuar basándose en los datos sea la vía habitual, no una hazaña de un entusiasta aislado.

La «fiabilidad conectada» (connected reliability), que reúne datos de los equipos, historiales de mantenimiento y decisiones de los empleados, puede servir de puente entre la tecnología y su aplicación. Casi la mitad de los participantes en el estudio planea desarrollar iniciativas de este tipo en los próximos 12 meses.

La principal conclusión para la industria es que hay que evaluar las capacidades del personal con el mismo rigor que el gasto tecnológico. La pregunta no es solo qué IA se ha implantado, sino quién sabe actuar siguiendo sus indicaciones, dónde se atascan las decisiones, qué conocimientos no se han documentado y qué procesos vuelven a arrastrar a los trabajadores al modo de emergencia.