Tres casos de uso de inteligencia artificial en manufactura que podemos aplicar hoy
La inteligencia artificial en planta no tiene que comenzar con robots autónomos ni grandes proyectos tecnológicos. Puede empezar resolviendo problemas cotidianos que hoy consumen tiempo, generan pérdidas o dependen demasiado de la experiencia de unas pocas personas.
Cuando hablamos de inteligencia artificial en manufactura es fácil imaginar una fábrica completamente autónoma: robots tomando decisiones, cámaras inspeccionando cada producto y algoritmos modificando continuamente los parámetros de producción. Esa visión existe, pero probablemente no sea el mejor punto de partida para la mayoría de las empresas.
En una planta real los problemas suelen ser mucho más cotidianos. Una máquina comienza a comportarse diferente y nadie lo nota hasta que falla. Una línea pierde velocidad durante varias horas sin que sea evidente la razón. Un defecto comienza a aparecer con mayor frecuencia, pero se descubre cuando calidad revisa los resultados al final del turno. Un supervisor dedica buena parte de su tiempo buscando información entre reportes, hojas de cálculo y sistemas diferentes para entender qué ocurrió.
Ahí es donde la inteligencia artificial puede comenzar a generar valor.
Pero existe una condición que a veces olvidamos: la IA necesita datos para poder aprender, comparar o encontrar patrones. Y esos datos no necesariamente requieren una nueva infraestructura sofisticada. Muchas veces ya están disponibles en las máquinas, PLC, sistemas de producción, mantenimiento, calidad o incluso en documentos que la empresa utiliza todos los días.
Antes de preguntarnos “¿dónde podemos implementar IA?”, probablemente sea más útil preguntarnos dos cosas: ¿qué decisión queremos mejorar y de dónde saldrían los datos para hacerlo?
Veamos tres casos bastante simples.
1. Detectar comportamientos anormales antes de que se conviertan en una falla
El mantenimiento predictivo es probablemente uno de los casos de uso más conocidos de inteligencia artificial en manufactura, pero no necesariamente tenemos que empezar intentando predecir exactamente cuándo fallará una máquina. Podemos comenzar por algo mucho más sencillo: detectar cuándo una máquina comienza a comportarse diferente de lo normal.
Un motor, un rodamiento, una bomba o un compresor normalmente produce señales mientras opera. Podemos medir vibración, temperatura, corriente eléctrica, presión, velocidad o consumo de energía. Durante una operación estable, esas variables presentan determinados patrones. La inteligencia artificial puede aprender ese comportamiento normal y comenzar a identificar desviaciones.
Supongamos que un motor normalmente opera con determinada combinación de corriente, temperatura y vibración. Ninguna variable ha superado todavía un límite de alarma, pero durante los últimos diez días la vibración viene aumentando mientras el consumo eléctrico también cambia ligeramente. Una alarma tradicional probablemente todavía no se active. Un modelo que analiza el comportamiento histórico puede identificar que algo comenzó a cambiar.
¿De dónde salen los datos?
En este caso la fuente principal es la propia máquina. Los datos pueden salir de sensores que ya existen, del PLC que controla el equipo o de sensores adicionales instalados específicamente para medir variables como vibración o temperatura. No necesitamos medir cien variables. Podemos empezar con tres o cuatro señales relevantes de un activo crítico y almacenar su comportamiento en el tiempo. Si además podemos relacionar esos datos con el historial de mantenimiento, por ejemplo, cuándo se cambió un rodamiento o cuándo ocurrió una falla, el modelo comienza a tener mucho más contexto.
En términos simples, necesitamos combinar cómo se está comportando la máquina con qué le ha ocurrido históricamente. Pasamos entonces de preguntar “¿la variable superó el límite?” a preguntar “¿la máquina se está comportando diferente de como normalmente lo hace?”
2. Encontrar defectos de calidad que el ojo humano puede pasar por alto
Otro caso bastante intuitivo es la inspección mediante visión artificial.
En muchas plantas todavía existen operaciones donde una persona observa el producto buscando rayones, manchas, deformaciones, diferencias de color, errores de ensamble, etiquetas incorrectas o componentes faltantes. El problema no es que una persona no pueda hacerlo bien. El problema es mantener exactamente el mismo criterio durante cientos o miles de unidades.
Una cámara combinada con inteligencia artificial puede aprender a diferenciar un producto normal de uno potencialmente defectuoso. Pero aquí también conviene evitar comenzar por el escenario más complejo. No tenemos que pretender que el algoritmo reemplace inmediatamente toda la inspección de calidad. Podemos utilizarlo inicialmente como una segunda mirada: el sistema identifica los productos sospechosos y una persona confirma si realmente existe un defecto.
¿De dónde salen los datos?
Aquí la fuente principal son las imágenes del producto.
Necesitamos una cámara ubicada en un punto relativamente controlado del proceso y ejemplos de lo que consideramos producto bueno y producto defectuoso. Cuanto más consistente sea la iluminación, la posición de la pieza y la distancia a la cámara, más sencillo será comenzar.
Pero existe una segunda fuente de información muy importante: los resultados de calidad. Si podemos relacionar una imagen con el tipo de defecto encontrado, la referencia producida, la máquina o el lote, empezamos a construir un historial mucho más útil. Es decir, la IA no necesita únicamente “ver”. Necesita también conocer qué estaba viendo y cuál fue el resultado de esa inspección. Con el tiempo podemos pasar de detectar un defecto a preguntarnos algo mucho más interesante: ¿en qué referencias aparece más?, ¿después de qué operación?, ¿en qué máquina?, ¿bajo qué condiciones?
La cámara detecta el defecto. El contexto operacional puede ayudarnos a entender por qué aparece.
3. Encontrar las causas detrás de las pérdidas de productividad
Probablemente este sea uno de los usos de IA con mayor potencial porque buena parte de la información necesaria ya existe en muchas plantas. Cuando una línea pierde productividad, el supervisor comienza una investigación casi artesanal. ¿Hubo más paros? ¿Cambió la referencia? ¿La máquina estuvo trabajando más despacio? ¿Faltó material? ¿Ocurrió después de mantenimiento? ¿Cambió alguna variable del proceso?
Cada una de esas preguntas normalmente se responde consultando una fuente de información diferente. La inteligencia artificial puede ayudar precisamente porque puede analizar simultáneamente muchas variables y buscar combinaciones que se repiten. Supongamos que descubrimos que una línea pierde consistentemente velocidad cuando produce determinada referencia, después de cierto número de horas de operación y cuando aumenta la frecuencia de microparadas en una estación específica. Ninguna variable explica individualmente el problema. La combinación sí puede hacerlo.
¿De dónde salen los datos?
Aquí necesitamos combinar tres tipos de información. Primero están los datos de la máquina: cuándo produce, cuándo se detiene, a qué velocidad opera y cuántas unidades fabrica. Normalmente estos datos pueden salir de PLC, sensores, contadores o sistemas de monitoreo.
Después están los datos de operación: qué producto se estaba fabricando, qué orden estaba activa, qué turno estaba trabajando, cuáles eran los tiempos objetivo y qué causas de paro fueron registradas. Esta información normalmente proviene del sistema de producción, del MES, del ERP o incluso de registros que hoy pueden estar en hojas de cálculo.
Finalmente aparece el contexto: mantenimiento reciente, resultados de calidad, lote de materia prima, cambio de formato o cualquier otra condición que pueda explicar diferencias en el desempeño.
Y aquí está precisamente el valor. No se trata de crear más datos. Se trata de conectar datos que normalmente analizamos por separado.
Un dashboard nos dice que la productividad cayó. La IA puede ayudarnos a buscar qué variables suelen aparecer juntas cuando esa caída ocurre.
Los datos para IA ya están más cerca de lo que pensamos
Cuando observamos los tres casos aparece un patrón.
Para detectar anomalías necesitamos datos de las máquinas.
Para inspeccionar calidad necesitamos imágenes y resultados de inspección.
Para encontrar causas de pérdidas necesitamos datos de máquina combinados con información de producción y contexto.
Esto ayuda también a desmitificar la inteligencia artificial. No todas las aplicaciones requieren miles de sensores ni gigantescos proyectos de integración. En muchos casos podemos comenzar con información que la empresa ya genera.
La pregunta es si está disponible, si tiene suficiente calidad y, sobre todo, si podemos relacionarla.
¿Por dónde comenzar?
Probablemente el error más común sea comenzar buscando una tecnología y después intentar encontrar dónde utilizarla. “Queremos hacer algo con inteligencia artificial” no es todavía un caso de negocio. Un mejor punto de partida puede ser escoger una pérdida operacional concreta y hacer cinco preguntas:
¿Qué problema queremos resolver?
¿Qué decisión queremos mejorar?
¿Qué datos necesitaríamos para tomar mejor esa decisión?
¿Dónde existen hoy esos datos?
¿Qué haríamos diferente si la IA encontrara algo?
La última pregunta sigue siendo fundamental.
Si un algoritmo detecta una anomalía pero nadie sabe qué hacer con ella, simplemente habremos creado una alarma más. Si identifica una oportunidad pero esa información no llega a quien puede actuar, tampoco habremos cambiado la operación. La IA comienza a generar valor cuando logra cerrar el ciclo entre dato, análisis, decisión y acción.
Antes de hablar de IA, hablemos de datos
Los tres ejemplos tienen algo en común. Ninguno comienza realmente con inteligencia artificial. Todos comienzan con una fuente de datos concreta. Una señal del PLC. Una fotografía. Un registro de producción. La planta probablemente ya genera buena parte de esa información. El reto está en capturarla correctamente, conectarla y darle contexto. Por eso antes de preguntarnos cuánta inteligencia artificial necesita nuestra fábrica, vale la pena comenzar con una pregunta mucho más sencilla:
¿Qué decisión de nuestra operación queremos mejorar y qué datos tenemos hoy para poder hacerlo?