Cómo aplicar la inteligencia artificial en una fábrica

Aplicar inteligencia artificial en una fábrica no empieza por elegir un modelo ni por contratar una plataforma. Empieza por los datos que ya genera la planta y por un problema concreto que cueste dinero cada semana. Esta guía propone un camino ordenado para una pyme industrial: qué requisitos de datos hacen falta, qué casos de uso abordar primero según su madurez y cómo saber, con números, si el proyecto está funcionando.

Por dónde no empezar: comprar IA sin datos

El error más caro en IA industrial se comete antes de escribir una sola línea de código: contratar una herramienta de predicción, o un piloto de IA generativa, cuando la planta todavía apunta las paradas en una pizarra y los consumos viven en el PDF de la factura eléctrica. Un modelo aprende de historia. Si la historia no está registrada, o está registrada a mano con huecos y criterios distintos según el turno, no hay algoritmo que la compense.

La secuencia razonable es la inversa a la que suele vender el mercado. Primero se conectan las fuentes de datos (máquinas, ERP, sensores) y se acumula histórico fiable. Después se explota ese histórico con medios simples: visualización y reglas. Solo cuando esas dos capas funcionan y se usan a diario tiene sentido invertir en predicción. Saltarse pasos no ahorra tiempo: lo traslada al proyecto de IA, donde cada hueco de datos cuesta mucho más de tapar.

Hay una prueba rápida para saber si una fábrica está lista. Si nadie puede responder en cinco minutos, con datos y no de memoria, a la pregunta «¿cuántas horas paró la línea 2 el mes pasado y por qué causas?», el proyecto que toca no es de IA. Es de captura de datos. Y es un proyecto mucho más barato.

Qué datos necesitas antes de hablar de modelos

No hace falta un lago de datos corporativo ni años de histórico perfecto. Sí hacen falta unos mínimos que conviene verificar caso de uso por caso de uso:

• Captura automática en las variables críticas. Los datos apuntados a mano sirven para arrancar, pero introducen retardo y sesgo. Para predicción, las señales clave (estados de máquina, contadores, temperaturas, consumos) deben salir del PLC, del sensor o del ERP sin intervención humana.
• Histórico suficiente del fenómeno que quieres predecir. No basta con meses de datos: hacen falta ejemplos del evento en cuestión. Para anticipar un tipo de avería, el histórico tiene que contener varias averías de ese tipo con su contexto. Un fallo que ha ocurrido dos veces en tres años es mal candidato.
• Contexto etiquetado. Una serie de vibración sin saber qué referencia se fabricaba, ni si la parada fue por avería o por cambio de formato, vale poco. Los registros de máquina necesitan cruzarse con órdenes de fabricación, causas de paro y resultados de calidad.
• Series continuas y con marca de tiempo coherente. Relojes desincronizados entre sistemas y huecos largos sin registrar son los dos defectos que más trabajo de limpieza generan después.

Si parte de esto falta, la buena noticia es que corregirlo es un proyecto de conectividad y organización, no de ciencia de datos, y produce valor por sí mismo: una planta que mide bien ya toma mejores decisiones aunque nunca entrene un modelo.

Casos de uso ordenados por madurez

Conviene pensar la IA en fábrica como una escalera de cuatro peldaños. Cada peldaño aprovecha el anterior y tiene valor propio: no es obligatorio llegar al último para que la inversión compense.

Los niveles 1 y 2 no son «la parte aburrida antes de la IA»: en muchas pymes son donde está la mayor parte del retorno, porque convierten en visibles pérdidas que nadie cuantificaba. El nivel 3 es donde entran los modelos propiamente dichos; en nuestra experiencia funciona mejor empezar por un caso acotado, del estilo de los que describimos en predicción y alertas, que por una plataforma generalista. El nivel 4, los agentes, es reciente y prometedor, pero exige que los tres anteriores existan: un agente que consulta datos incompletos responde con seguridad cosas que no son verdad.

Errores típicos en proyectos de IA industrial

1. Empezar por la tecnología y buscarle problema después. El síntoma es una demo espectacular que nadie en planta usa a los tres meses. El orden sano es problema, dato, modelo.
2. Pilotos sin dueño en planta. Si el proyecto pertenece solo a sistemas o a una consultora externa, muere cuando esa persona cambia de prioridad. Necesita un responsable de operaciones que sufra el problema que se quiere resolver.
3. Ignorar el coste de las falsas alarmas. Un modelo que avisa mucho y acierta poco entrena a la planta a ignorarlo. A las pocas semanas nadie mira las alertas y el proyecto está muerto aunque el dashboard siga encendido.
4. Medir el modelo y no la decisión. Una precisión del 92 % no dice nada por sí sola. La pregunta es qué hace la planta distinto cuando llega el aviso y cuánto vale esa diferencia. Cerrar esa distancia entre el modelo y la decisión es justo el trabajo del módulo de recomendaciones operativas, que propone la acción con su justificación y deja registrada la decisión humana.
5. Olvidar el mantenimiento del modelo. Los procesos cambian: materias primas, recetas, sensores recalibrados. Un modelo entrenado una vez y abandonado se degrada en silencio. Cómo vigilar esa degradación lo tratamos en detalle en MLOps industrial.

Cómo medir si funciona

Un proyecto de IA en fábrica se evalúa en tres capas, y las tres tienen que estar definidas antes de arrancar, no al final:

• Métrica técnica. La del modelo: tasa de acierto, falsas alarmas, error de predicción. Es necesaria pero es la menos importante de las tres.
• Métrica operativa. El indicador de planta que el proyecto debe mover: horas de parada no planificada, porcentaje de rechazo, consumo por unidad producida. Se mide antes del proyecto para tener línea base y se sigue después.
• Métrica de adopción. Cuántas alertas se atienden, cuántas veces se consulta el sistema, si el hábito sobrevive a las vacaciones del impulsor. Un sistema que nadie usa tiene retorno cero con independencia de su calidad técnica.

Una regla práctica: si a los tres meses del despliegue no puedes enseñar una tabla con línea base, valor actual y al menos una decisión concreta que cambió gracias al sistema, el proyecto necesita revisión. No hace falta que el número sea grande; hace falta que exista.

Si fabricas en la Comunitat Valenciana y quieres contrastar por dónde empezar en tu caso, en IA industrial en Valencia explicamos cómo planteamos este recorrido, desde la conectividad de datos hasta los modelos en producción.

Preguntas frecuentes