Inteligencia artificial en la industria: ¿Por qué su adopción avanza a un ritmo mayor que la velocidad con la que se obtienen resultados?

La mayoría de los fabricantes no necesitaban un estudio de viabilidad para comprender el coste del mantenimiento correctivo. Lo habían estado sufriendo durante años: paradas no planificadas, tiempo de recuperación adicional, piezas entregadas con prisas y la lenta pérdida de confianza en la planificación y en el cliente. Lo que cambió fue la disponibilidad de la solución. La IA en el mantenimiento pasó de ser un concepto teórico a una solución viable con la suficiente rapidez como para que la inversión en ella resultara evidente.

El compromiso de la industria es real, pero los resultados no se materializan al ritmo esperado. Nuestra investigación reciente revela que aproximadamente el 78 % de las barreras al progreso están relacionadas con la fuerza laboral. El acceso a la inteligencia artificial se ha desarrollado más rápido que la capacidad de usarla con regularidad. Esta brecha es ahora el principal obstáculo y requiere un cambio de mentalidad tan importante como el desarrollo tecnológico.

La primera oleada demostró la eficacia de las herramientas, no del modelo.

Los fabricantes están invirtiendo en inteligencia artificial para mejorar la productividad, pero muchos siguen incurriendo en comportamientos que se suponía que el mantenimiento predictivo debía reducir.

Las investigaciones demuestran que la adopción del mantenimiento predictivo se ha duplicado con creces año tras año, mientras que el mantenimiento reactivo se ha mantenido estable. Por otro lado, el mantenimiento proactivo ha disminuido año tras año. Esta combinación es la clave del problema: se están introduciendo nuevos métodos en las fábricas, pero no están reemplazando por completo a los antiguos.

Esto no debe interpretarse como un fracaso. Las fábricas se trasladaron por razones prácticas, y las pruebas iniciales proporcionaron información valiosa a los equipos. El modelo puede funcionar bien en un activo conocido con un equipo dedicado. Pero la verdadera prueba llega cuando este modelo debe respaldar decisiones en distintos turnos, ubicaciones y con diferentes niveles de experiencia.

Aquí, la primera oleada reveló el siguiente problema. La tecnología puede incorporarse rápidamente al presupuesto. Pero los hábitos laborales, la confianza, los derechos de toma de decisiones y la seguridad de los trabajadores de primera línea tardan mucho más en cambiar.

Las inversiones en IA alcanzan su madurez.

Los datos presupuestarios confirman que los líderes no están abandonando la inteligencia artificial; más bien, se están volviendo más selectivos en cuanto a las áreas donde debería demostrar su valía. Las inversiones se están desplazando de la IA exploratoria hacia prioridades operativas, como la ciberseguridad, la gestión de datos, la IA generativa y la IA industrial.

Este cambio refleja una visión más realista de la madurez digital. Los líderes están intentando que la IA funcione en áreas donde el coste de los retrasos, las interrupciones y los datos deficientes se hace evidente rápidamente.

Este cambio también está transformando las expectativas en torno a la Industria 5.0. A medida que la tecnología industrial transita de un modelo de Industria 4.0 basado en la automatización hacia un enfoque con mayor intervención humana, los líderes parecen estar reajustando los plazos, y el 40 % ahora prevé un proceso de entre uno y cuatro años.

¿Dónde termina el modelo y comienza el papel del supervisor?

Es fácil interpretar la cifra del 78 % relacionada con las limitaciones de personal como una simple escasez de mano de obra, es decir, problemas con los niveles de personal, la contratación o las cadenas de suministro. Pero la realidad es que las empresas se enfrentan a una falta de experiencia, un déficit de conocimiento, carencias de mano de obra cualificada y deficiencias más amplias en la capacidad de su plantilla. En conjunto, estas cuatro categorías describen un problema mucho más complejo que una simple cuestión de personal. Describen la capacidad de una organización para adaptarse a una forma de trabajar diferente.

Este es un patrón que escucho constantemente de mis clientes: las herramientas están ahí, pero los equipos no se han adaptado. Los investigadores Cohen y Leventhal han denominado a esto "capacidad de absorción".

En pocas palabras, se trata de la rapidez con la que una empresa puede identificar nuevos conocimientos útiles, integrarlos en la organización y convertirlos en resultados concretos. En el contexto del mantenimiento, estos resultados son decisiones tomadas en condiciones operativas reales: por ejemplo, cuando un supervisor de turno de noche evalúa si una avería actual requiere intervención inmediata, puede esperar hasta el próximo periodo de inactividad programado o si ya ha superado un umbral crítico. Un modelo puede identificar una avería, pero no puede tomar esa decisión.

El mantenimiento predictivo y la inteligencia artificial (IA) requieren, en realidad, una fuerza laboral más difícil de capacitar que la simple adquisición de habilidades para el manejo de las herramientas. El informe del gobierno británico «Habilidades de la fuerza laboral en IA para el Reino Unido» identifica esta brecha de manera concreta en el sector de la fabricación avanzada.

Además de las habilidades técnicas, como el entrenamiento de modelos de IA o la integración de análisis en tiempo real, el informe destaca la capacidad de interpretar los resultados de la IA, adaptar los flujos de trabajo en función de nuevos conocimientos y comunicar los cambios a los equipos de primera línea. Estas son las competencias clave que determinan si una alerta provocará un cambio de comportamiento o será ignorada.

Por este motivo, el desarrollo del personal no puede considerarse una función de RR. HH. independiente del programa tecnológico. Forma parte del sistema que determina si la inversión se traducirá en una mejor implementación. La inteligencia artificial: dominarla requiere un cambio de mentalidad, no solo tecnología. El cronograma para la Industria 5.0 estará determinado por las capacidades disponibles en la planta de producción.

Invertir en predicción, pagar por respuesta.

Las implicaciones para el negocio se hacen evidentes en la brecha entre el gasto y el retorno. Si bien las soluciones predictivas se adoptan cada vez más y se les asigna capital, el enfoque fundamental para la resolución reactiva de problemas permanece inalterado. Muchas organizaciones operan de dos maneras paralelas: invierten en la implementación basada en datos, pero siguen perdiendo tiempo abordando problemas prevenibles.

Esta desconexión tiene un alto costo. Según el estudio de Siemens de 2024 sobre el "Costo real del tiempo de inactividad", las 500 empresas más grandes del mundo pierden 1.4 billones de dólares anuales debido a tiempos de inactividad no planificados, lo que representa el 11 % de sus ingresos totales. Esta cifra refleja lo que sucede cuando la transición de un enfoque reactivo a uno predictivo es incompleta; la inversión existe, pero la ejecución diaria no ha avanzado al mismo ritmo. Cerrar esta brecha de responsabilidad es fundamental para garantizar la rentabilidad.

Cuando esta brecha persiste, el retorno de la inversión en gasto tecnológico se retrasa y es desigual. Los plazos se alargan y la confianza en lograr los resultados deseados disminuye.

La clave para lograr rendimientos reales

La disciplina que actualmente se aplica a las herramientas y plataformas debe extenderse a las personas y los procesos que las rodean. Para muchas organizaciones, es aquí donde se desperdicia el verdadero valor.

Los líderes deben comenzar por aquellas partes de las operaciones donde las capacidades son más vulnerables. ¿Qué recursos aún dependen de uno o dos técnicos experimentados para interpretar lo que sucede? ¿Qué registros de trabajo carecen de suficiente detalle para respaldar diagnósticos futuros? ¿Qué alertas activan una acción decisiva y cuáles permanecen archivadas hasta que la persona adecuada esté de servicio?

Estas preguntas revelan si el mantenimiento predictivo se ha convertido en una parte integral de la implementación, o si sigue siendo simplemente una capa adicional sobre los viejos hábitos reactivos.

Las experiencias y los conocimientos que permanecen latentes en la mente de los empleados deben documentarse antes de que abandonen la organización. Asegúrese de que los registros laborales sean lo suficientemente completos para servir de apoyo a los futuros técnicos. Capacite a los operadores y a los equipos de mantenimiento para que comprendan las implicaciones de las alertas predictivas, identifiquen las evidencias que justifican la acción y sepan cuándo escalar los problemas. Diseñe flujos de trabajo de manera que actuar en función de la información obtenida se convierta en la norma, no en un esfuerzo excepcional; dominar la IA requiere un cambio de mentalidad. Comprender qué puestos de trabajo tienen más probabilidades de ser reemplazados por la IA también ayuda a orientar los esfuerzos de capacitación.

La fiabilidad conectada respalda esta implementación cuando se mantiene arraigada en el núcleo del negocio, al vincular los datos de los activos, el historial de mantenimiento y la experiencia directa de los empleados, para permitir que los equipos tomen decisiones consistentes y repetibles en diferentes turnos y ubicaciones.

Nuestra investigación confirma esta tendencia: casi la mitad de los encuestados planea desarrollar iniciativas de confiabilidad conectada en los próximos doce meses, considerando la confiabilidad como un puente práctico que conecta las necesidades operativas a corto plazo con las ambiciones estratégicas a largo plazo.

El mensaje para los líderes de la industria manufacturera es claro y directo: las capacidades humanas y operativas deben analizarse con la misma seriedad que la inversión en tecnología. No se limiten a preguntar qué tipos de IA se han implementado; pregunten: ¿Quién puede actuar en consecuencia? ¿Dónde se están quedando atrás los procesos de toma de decisiones? ¿Qué conocimientos permanecen sin documentar? ¿Y qué flujos de trabajo siguen impulsando a los equipos hacia la resolución proactiva de problemas?