Hoy en día se habla mucho de la inteligencia artificial en el sector manufacturero. Análisis avanzados, aprendizaje automático, aprendizaje profundo, modelos de lenguaje a gran escala, modelos fundamentales, agentes de IA… La lista no deja de crecer, al igual que el revuelo que suscita.
Sin embargo, a pesar de la aparente madurez tecnológica, muchos fabricantes siguen teniendo dificultades para ampliar el uso de la IA más allá de proyectos piloto aislados. Una prueba de concepto de mantenimiento predictivo por aquí, un modelo de calidad por allá, quizá un chatbot conectado a un sistema de registro de datos. Se trata de iniciativas interesantes, pero rara vez transformadoras a nivel empresarial.
Este artículo no trata sobre la creación de nuevos algoritmos de IA. Trata sobre lo que permite que la IA se amplíe y genere un impacto empresarial duradero en todas las plantas, líneas de producción y centros.
Y lo que vemos hoy en día es que los principales obstáculos no son los que la mayoría de la gente cree.
Cuando las iniciativas de IA no logran escalar, solemos escuchar siempre las mismas explicaciones:
Según nuestra experiencia, la mayoría de las veces, ninguno de estos es el problema principal.
Las competencias en IA ya no son tan escasas. Están creciendo rápidamente. Las universidades están formando a más titulados con una base sólida en ciencia de datos, aprendizaje automático e IA generativa. Es un tema de gran actualidad, y el talento seguirá fluyendo en esa dirección.
Los modelos de IA tampoco son el problema. Para la mayoría de los casos de uso industrial (detección de anomalías, previsión y optimización de procesos, supervisión de la calidad en tiempo real, apoyo a la toma de decisiones…), ya disponemos de algoritmos probados más que suficientes. Desde los modelos estadísticos clásicos hasta el aprendizaje profundo y los sistemas basados en modelos de lenguaje grande (LLM), el conjunto de herramientas es amplio y está consolidado.
La solución no consiste en«esperar al próximo modelo revolucionario». Los verdaderos problemas están en otra parte.
La mayoría de las empresas manufactureras han realizado inversiones masivas en la generación y el almacenamiento de datos durante la última década. Sistemas de registro de datos históricos, MES, LIMS, CMMS, ERP, lagos de datos, plataformas en la nube… los datos están por todas partes.
Pero que los datos estén disponibles no significa necesariamente que sean útiles.
El problema fundamental es que las empresas siguen centrándose demasiado en recopilar datos y no lo suficiente en contextualizarlos, estructurarlos y gestionarlos.
La IA no falla por falta de datos. Falla porque los datos no tienen un significado coherente entre los distintos sistemas, sitios y momentos.
Esto se refleja en varios problemas recurrentes:
Sí, la calidad de los datos es importante; el volumen es importante. Pero lo que importa aún más es la gobernanza:
Sin respuestas claras a estas preguntas, todos los proyectos de IA empiezan por repetir el mismo trabajo: comprender los datos, limpiarlos, estructurarlos y armonizar las definiciones. Esto no es escalable.
Muchas iniciativas de IA funcionan (y a menudo tienen éxito) basándose en modelos locales e implícitos: unas pocas etiquetas, una tabla de datos, un conjunto de datos preparado para un caso de uso específico. Lo que suele faltar es un modelo de datos compartido a nivel de toda la empresa que refleje con precisión el funcionamiento del negocio. Esto incluye:
Cuando este modelo empresarial existe y está bien gestionado, las soluciones de IA se vuelven reutilizables y escalables por defecto. Cuando no es así, cada solución queda limitada y no pasa de ser un bonito proyecto piloto.
En el sector manufacturero, las iniciativas de IA rara vez fracasan porque el primer caso de uso no funcione. Fracasan porque el segundo, el tercero o el décimo caso de uso resultan demasiado costosos, demasiado lentos o demasiado complejos de implementar. Si la escalabilidad no se tiene en cuenta desde el primer momento, cada nueva iniciativa de IA acumula deuda técnica, esfuerzo de integración y fricciones organizativas.
Hoy en día, muchas arquitecturas se diseñan con el único objetivo de «poner los datos a disposición». La escalabilidad se aborda más adelante, si es que se aborda.
Aquí es donde la elección de la tecnología cobra importancia.
Las pasarelas de conectividad industrial tradicionales son excelentes para conectar activos y protocolos. Son muy eficaces a la hora de transferir datos de un punto a otro. Sin embargo, no están diseñadas para constituir la columna vertebral del modelo de datos de una empresa.
Para ampliar el uso de la IA, las empresas necesitan una infraestructura y un software que:
Precisamente por eso están ganando terreno las plataformas de IoT industrial en el borde y los intermediarios de datos. No son meros conductos, sino facilitadores de arquitecturas escalables y, por lo tanto, elementos clave para la IA.
Hay una verdad incómoda en la digitalización de la industria manufacturera: cuanto mayor es la madurez digital de una planta, más difícil resulta integrar nuevas soluciones digitales.
Esto se debe a que, hoy en día, la madurez digital suele implicar la existencia de numerosos sistemas digitales. Y la existencia de numerosos sistemas digitales suele implicar numerosas integraciones punto a punto entre ellos.
Cada nueva aplicación o solución prometedora de IA requiere entonces:
Por eso, las empresas pioneras suelen tener dificultades para adaptarse rápidamente a las nuevas tecnologías, a pesar de estar muy digitalizadas.
En un futuro próximo, veremos cada vez más productos de inteligencia artificial etiquetados como «plug-and-play» para el sector manufacturero. Algunos de ellos serán muy potentes. Otros aportarán un valor real.
Pero «plug and play» no significa «conéctalo a un sistema y ya está».
En una planta típica, los datos relevantes se encuentran dispersos en múltiples compartimentos estancos. Por lo tanto, «plug-and-play» suele traducirse en:
Y, como hemos visto, cuanto más digitalizada está la planta, mayor es este coste de integración.
Precisamente por eso, contar con una única fuente de información y un modelo de datos compartido son requisitos imprescindibles, y no algo que simplemente «estaría bien tener».
Cuando las soluciones de IA pueden conectarse una vez a un espacio de nombres de datos bien estructurado y regulado, es cuando realmente se vuelven escalables. No porque los modelos de IA sean más inteligentes, sino porque lo es la base de datos que los sustenta.
La IA potencia lo que ya existe.
Si los datos son de baja calidad, la IA generará modelos de baja calidad.
Si tu entorno de datos está fragmentado, la IA acentuará esa fragmentación.
Si tu modelo de datos es incoherente, la IA acentuará esa incoherencia.
Si dispones de datos de alta calidad y tu arquitectura está diseñada para ser escalable, la IA cumplirá por fin lo que promete.
Las empresas que saldrán ganando con la IA en el sector manufacturero no son aquellas que persiguen el último modelo. Son aquellas que invierten hoy en el contexto, la estructura y la gobernanza, de modo que cualquier capacidad futura de IA pueda integrarse una sola vez y ampliarse a cualquier ámbito.
En nuestra opinión, ahí es donde reside el verdadero impacto en el negocio.
