Por qué la IA todavía falla en la planta industrial

Velotic ha publicado un whitepaper con un título poco habitual viniendo de un fabricante de software: Why AI still falls short on the plant floor. No es un catálogo. Es un diagnóstico de por qué tantos proyectos de IA en planta industrial se quedan en el piloto y no llegan a producción.

Su tesis principal es incómoda y bastante realista. El problema no suele ser la falta de datos. El problema es que las herramientas no encajan con la forma en que se trabaja realmente en una planta.

Vale la pena detenerse ahí, porque cambia la conversación entera sobre por dónde empezar.

El cuello de botella no es el dato, es el momento de actuar

Casi cualquier planta con SCADA e historiador tiene más datos de los que consulta. El informe de Velotic lo resume así: la brecha no está en generar información, sino en poder actuar sobre ella en el momento en que hace falta.

Y ese momento tiene una forma muy concreta. Son las 10 de la mañana, la línea 5 va por debajo de objetivo y el responsable de producción no sabe si es rendimiento, microparadas o material que llegó tarde. El dato existe. Está repartido entre tres informes que nadie diseñó para esa pregunta.

El whitepaper señala varias causas que se repiten: herramientas pensadas para analistas y no para operarios, demasiadas variables para un análisis de causa raíz rápido, y equipos que no acaban de fiarse de lo que les sugiere el sistema.

Autónoma o aumentada: no es lo mismo

Aquí Velotic introduce una distinción útil, con una analogía tomada de la aviación. La IA autónoma es el piloto automático en crucero: actúa sola cuando las condiciones son estables y la confianza es alta. Ajuste de parámetros de proceso, programación de mantenimiento, corrección de anomalías de calidad.

La inteligencia aumentada es el rodaje, el despegue y el aterrizaje. Momentos en los que el contexto, la experiencia y el criterio de una persona siguen siendo determinantes, y donde el papel de la IA es dar mejores herramientas a quien decide.

La mayoría de plantas empieza mejor por la segunda. No porque la primera no funcione, sino porque la aumentada da valor antes, con menos riesgo y sin pedirle a nadie que confíe a ciegas en una recomendación que no entiende.

Tres cosas que sí resuelve hoy

El documento describe casos concretos, y los tres más reconocibles son estos.

Diagnóstico en caliente. En lugar de recorrer informes de OEE y registros de paradas, el responsable pregunta directamente: por qué la línea 5 va peor que ayer, cómo se reparten las paradas cortas entre las 9:00 y las 10:30, qué pasó la semana pasada a la misma hora. Es la diferencia entre un dashboard estático y una investigación.

Aplicaciones sin ciclo de desarrollo. Un ingeniero de proceso describe la pantalla que necesita y la obtiene en minutos, en vez de abrir una petición de desarrollo. Cambia la velocidad, pero sobre todo cambia quién participa: el que conoce el proceso puede construir la vista él mismo, algo que encaja con el enfoque sin código de Proficy Operations Hub.

Conocimiento técnico accesible. Un técnico de mantenimiento con una alarma recurrente pregunta por causas habituales, procedimiento de inspección y frecuencia histórica del fallo, y recibe una respuesta que combina documentación y eventos anteriores. Es el mismo problema que llevamos años viendo en planta: demasiado conocimiento crítico depende de tres personas que además se van a jubilar.

A eso se suma la parte de analítica avanzada, que no es generativa sino multivariante: detectar que una combinación concreta de temperatura y características de material precede sistemáticamente a un aumento de defectos. Esa es la línea de trabajo de Proficy CSense.

Lo que hace distinta a la IA industrial

Una recomendación equivocada en un entorno de oficina cuesta tiempo. En planta puede costar producción, calidad o seguridad. Por eso el whitepaper insiste en cuatro exigencias que no son negociables.

Contexto: las decisiones dependen de condiciones de proceso, comportamiento del equipo y variabilidad de material. Explicabilidad: si el usuario no entiende cómo se ha generado una recomendación, no va a actuar sobre ella. Gobernanza: control de accesos por rol, segmentación de datos y trazabilidad, especialmente en farmacia, alimentación y química. E integración: la IA no puede vivir en una capa aparte del SCADA, el MES y el historiador.

Este último punto es el que más filtra proveedores. Un buen indicador es si la capacidad se apoya en lo que ya tienes, como el dato que ya guarda Proficy Historian o el contexto de producción que aporta Proficy Plant Applications, o si te pide rehacer la arquitectura.

Cómo empezar sin abrir un proyecto de dos años

El consejo del whitepaper es empezar por el dolor operativo, no por la tecnología. Un caso medible, acotado y que el equipo ya reconozca como problema: tiempo medio de resolución de incidencias, scrap, paradas no planificadas, horas perdidas buscando documentación.

Para el retorno propone una cuenta sencilla: cuánto cuesta hoy ese problema, cuánto se tarda en resolverlo, cada cuánto ocurre, a cuánta gente afecta y si el enfoque se puede replicar en otras líneas o plantas.

Es una forma poco vistosa de plantearlo. También es la única que sobrevive a un comité de inversiones.

Dónde encaja esto en tu planta

Si ya trabajas con iFIX o CIMPLICITY y tienes historización montada, buena parte del trabajo previo está hecho: la IA industrial necesita dato limpio, contextualizado y accesible antes que modelos. Si todavía no lo tienes, ese es el primer paso, y lo explicamos en detalle en nuestro artículo sobre arquitectura SCADA, Historian y Operations Hub.

El objetivo, tal como lo plantea Velotic al cerrar el documento, no es sustituir la experiencia de quien lleva la planta. Es hacerla más rápida y más consistente en los momentos que importan.

¿Quieres saber por dónde empezar en tu caso concreto? Habla con el equipo de Opertek.