IA para manufactura

La planta no tiene un problema de tecnología, tiene un problema de reacción tardía

El mantenimiento en la mayoría de plantas funciona igual desde hace treinta años: la máquina trabaja hasta que falla, y ahí recién se llama al técnico. Para ese momento la línea ya está parada, el pedido ya se atrasó y el repuesto que se necesita con urgencia cuesta el triple porque no hubo tiempo de comprarlo con anticipación. El equipo de mantenimiento no está gestionando activos, está apagando incendios.

El control de calidad tiene el mismo defecto de fondo: depende del ojo humano en la hora doce de un turno de doce horas. Un inspector cansado deja pasar una rebaba, una grieta, una pieza fuera de tolerancia, y ese defecto viaja hasta el cliente o hasta la siguiente estación de ensamble, donde cuesta diez veces más corregirlo. El retrabajo y las devoluciones no aparecen como línea separada en el estado de resultados, pero están ahí, comiendo margen todos los meses.

Y la planificación de producción, en la mayoría de plantas medianas, todavía se arma a ojo: el jefe de planta cruza pedidos, capacidad e inventario en una hoja de cálculo, con la experiencia como único modelo predictivo. El resultado es previsible: sobreproducción de lo que ya sobra, faltante de lo que se necesita, turnos extra no planificados y una planta que trabaja reaccionando a la semana, no proyectando el trimestre.

Qué es IA para manufactura (y qué no)

IA para manufactura es un sistema de decisión construido sobre el dato que la planta ya genera: las lecturas de vibración y temperatura de un motor, los registros del MES, el historial de fallas de cada máquina, los resultados de calidad por lote. Ese sistema no reemplaza el piso de planta, lo informa antes de que el problema se vuelva línea parada o pieza rechazada.

El objetivo no es una planta más automatizada en el sentido clásico (más brazos robóticos, más líneas sin operario). El objetivo es una planta que decide con datos en vez de con intuición: cuándo intervenir un equipo, qué pieza revisar dos veces, cómo armar el plan de la semana que viene.

• No es comprar más robots o brazos automatizados para la línea de ensamble.
• No es un dashboard nuevo y bonito que nadie revisa durante el turno.
• No es reemplazar al técnico de mantenimiento o al inspector de calidad: es darles información que hoy no tienen a tiempo.
• No es un ERP con la palabra “IA” agregada al nombre del módulo.

Dónde ya funciona esto en planta

Estos son los casos de uso donde la IA en manufactura entrega resultado medible, sin depender de que la planta se transforme entera de un día para otro.

• Mantenimiento predictivo. Modelos que leen vibración, temperatura y consumo eléctrico de un motor o compresor y anticipan la falla con días o semanas de margen, antes de que la máquina pare la línea sin aviso.
• Detección de defectos con visión artificial. Cámaras en la línea que identifican grietas, rebabas o desalineaciones que un inspector humano deja pasar después de horas de turno repitiendo el mismo gesto visual.
• Planificación de producción asistida. Un sistema que cruza pedidos, inventario y capacidad real de máquina para proponer el plan de la semana, en vez de que salga solo de la memoria del jefe de planta.
• Control estadístico de procesos con alerta temprana. Detecta cuándo una variable del proceso empieza a desviarse de rango, antes de que esa desviación se convierta en piezas fuera de especificación.
• Gestión predictiva de repuestos críticos. Anticipa qué repuesto de alta rotación o alto costo va a faltar según el patrón histórico de fallas, en vez de comprar en modo urgencia.
• Trazabilidad de causa raíz. Cruza datos de línea, lote, turno y proveedor para encontrar en horas, no en semanas de auditoría manual, por qué un defecto se repite.

Qué necesita la planta para que esto funcione

Ninguno de los casos de uso anteriores funciona sobre una planta que no tiene su dato ordenado. Cuatro piezas hacen la diferencia entre un piloto que se apaga solo y un sistema que la planta termina usando todos los días.

• Datos. Sensores IoT o PLC, MES, historial de mantenimiento y registros de calidad, todos capturados de forma consistente. Si el dato vive en papel, en pizarra o en Excel dispersos por turno, no hay modelo que compense eso.
• Memoria. El histórico de fallas por máquina, los patrones estacionales de demanda y las causas raíz que ya se repitieron antes. Sin memoria entre turnos, cada supervisor vuelve a diagnosticar el mismo problema desde cero.
• Herramientas. Acceso real al MES, al SCADA y al ERP, no solo un dashboard de lectura. El sistema tiene que poder generar una orden de mantenimiento o ajustar un plan, no únicamente mostrar un número en una pantalla.
• Reglas de negocio. Qué puede decidir el sistema solo (alertar, priorizar, sugerir) y qué necesita validación humana (parar una línea, rechazar un lote completo). Esa línea la traza el gerente de planta y el de calidad, no el proveedor de software.

El orden correcto para implementarlo en una planta

• 1. Diagnóstico de dónde se pierde más plata. Qué línea para más tiempo, dónde hay más retrabajo, qué producto tiene más devolución por calidad. No se empieza poniendo sensores en toda la planta.
• 2. Auditoría del dato que ya existe. Qué está capturando hoy el PLC, el MES o el ERP, y qué falta, antes de comprar una plataforma nueva de mantenimiento predictivo o visión artificial.
• 3. Piloto acotado. Mantenimiento predictivo en las máquinas críticas de una sola línea, o visión artificial en un único punto de inspección. No en toda la planta a la vez.
• 4. Protocolo humano-máquina. Quién recibe la alerta, qué hace con ella, en cuánto tiempo, y qué pasa si el sistema se equivoca o no tiene suficiente dato todavía.
• 5. Escalar solo si el número se movió. Extender a más líneas o a otra planta una vez que el piloto movió el KPI que se definió al inicio, no antes.

Los errores que más veo en planta

• Comprar sensores antes de tener claro qué falla específica se quiere anticipar. Termina siendo un proyecto de IoT sin destino, con datos que nadie interpreta.
• Tratar la visión artificial como una “cámara mágica”. Sin suficientes defectos reales etiquetados para entrenarla, el modelo no distingue una rebaba de una sombra en la pieza.
• Automatizar la planificación de producción sobre datos de inventario que no coinciden con lo que hay realmente en el almacén. El sistema hereda el desorden y lo repite más rápido.
• Dejar todo el proyecto en manos de TI, sin el criterio del jefe de planta o del gerente de calidad sobre qué de verdad vale la pena parar o revisar dos veces.

Cómo se sabe si esto está sirviendo

• OEE (eficiencia general del equipo): disponibilidad, rendimiento y calidad combinados.
• Tiempo de parada no planificada por máquina o por línea, medido en horas al mes.
• Tasa de defectos por lote y piezas rechazadas antes de salir de la línea.
• Costo de retrabajo y devoluciones asociadas a no calidad.
• Precisión del plan de producción: plan versus producción real de la semana.
• Costo del repuesto comprado en modo urgencia frente al repuesto comprado de forma planificada.

Si después de un trimestre de piloto ninguno de estos números se movió, el problema no es el modelo de IA. Es que se automatizó el proceso equivocado, o el dato de entrada seguía sucio cuando se encendió el sistema.

Cuándo NO meter IA en la planta todavía

• Cuando la producción todavía se reporta en papel o en pizarra y no existe ni el dato básico digitalizado. Ahí el proyecto es de datos, no de IA.
• Cuando el volumen de producción es demasiado bajo o intermitente para justificar el costo de instrumentar la línea.
• Cuando el problema real es que no hay ni un plan de mantenimiento preventivo básico. Ahí primero se ordena el proceso; ponerle IA encima solo acelera el caos.
• Cuando no hay nadie en planta que vaya a actuar sobre la alerta que el sistema genere. Una alerta que nadie atiende no es un sistema de IA, es ruido adicional.