IA para manufactura: dónde entra en la planta, del pedido al despacho

Lo que está cambiando en planta: la máquina ya genera datos, la decisión sigue llegando tarde

Hace quince años el problema de una planta mediana era que no tenía datos. Hoy casi cualquier línea tiene un PLC que registra estados, un tablero que cuenta piezas y un ERP que sabe qué se pidió y qué se compró.

El problema cambió de lugar. El dato existe, pero vive en capas que no conversan. La señal de que un rodamiento se está calentando está en el nivel de control. La orden de compra del repuesto está en el ERP. La decisión de parar la línea está en la cabeza del jefe de turno. Y entre esas tres capas hay una persona copiando a mano o, peor, nadie.

Por eso la pregunta útil no es qué IA comprar. Es dónde llega tarde una decisión que ya tenía el dato para llegar a tiempo. Ahí está el valor, y casi nunca está en el mismo lugar en dos plantas distintas.

Lo segundo que cambió es el tipo de IA disponible. Hasta hace poco, IA en planta significaba modelos predictivos y visión: proyectos de ciencia de datos, largos y caros. La IA generativa abrió otro frente, más barato y menos visible: el trabajo con documentos. Reportes de turno, procedimientos, fichas técnicas, no conformidades. Es menos espectacular que un robot y suele pagarse antes.

Lo que no significa: la fábrica oscura sin personas

La imagen que vende la prensa es la planta con las luces apagadas, sin operarios, donde las máquinas se programan solas. Esa imagen le hace daño a la conversación en una planta real de setenta o quinientas personas, porque convierte un proyecto de mejora en una amenaza.

El flujo real de una planta: del pedido al despacho

Antes de hablar de IA hay que dibujar el trabajo. Una planta que fabrica contra pedido o contra pronóstico recorre más o menos estas etapas. Los nombres cambian por empresa, la secuencia no.

En lo que he visto en plantas medianas de la región, el punto donde más se pierde no es una etapa, es el traspaso entre dos. El MRP calcula, pero el programa real se arma en Excel porque el maestro de materiales del ERP está desactualizado. Mantenimiento detecta un equipo en riesgo, pero producción no lo sabe hasta que el equipo para. Es una hipótesis de trabajo, no una estadística, pero conviene revisarla antes de elegir dónde meter IA.

Qué es rutina de turno, qué sigue un estándar, qué es documento y qué es criterio del jefe de planta

Cada tarea de planta cae en uno de cuatro grupos. El grupo decide el tipo de herramienta, no al revés.

• Rutina de turno. Mucho volumen, poca variación: contar piezas, registrar paradas, transcribir lecturas, reportar consumos, cerrar órdenes. Aquí casi siempre gana la automatización tradicional: capturar directo del PLC o del MES en vez de que alguien lo anote.
• Lo que sigue un estándar. Hay una regla escrita o una tolerancia: la pieza mide dentro de especificación o no, el lote cumple o no, el stock está bajo el punto de reorden o no. Las reglas fijas se automatizan; cuando la regla depende de muchas variables a la vez o de una imagen, entra un modelo.
• Lo que es documento. Procedimientos operativos, instructivos, fichas técnicas, certificados de proveedores, informes de no conformidad, reportes de turno, matrices de peligros. Es el terreno natural de la IA generativa: leer, resumir, extraer y redactar borradores.
• Lo que es criterio. Parar o no una línea, liberar un lote en el límite, aceptar un insumo fuera de especificación por urgencia, cambiar la secuencia porque entró un pedido grande. Aquí la IA puede ordenar la información, pero la decisión tiene nombre y apellido.

Esta clasificación evita el error más caro: poner un modelo sofisticado sobre una rutina que se resolvía capturando bien el dato, o automatizar una decisión de criterio como si fuera una regla.

Dónde entra cada tipo de IA: predictivo para mantenimiento, visión para defectos, copiloto para el operador, generativa para procedimientos y reportes, planificación asistida

Todo se vende como "IA", pero en planta hay al menos seis cosas distintas. Mezclarlas es la forma más rápida de comprar lo que no se necesita.

Automatización tradicional (reglas)

No es IA y no hace falta que lo sea. Si el inventario baja del mínimo, se genera la solicitud. Si una variable sale del rango fijado, suena la alarma. Si la orden se cierra, se descuenta el material. Buena parte de lo que se presenta como proyecto de IA en planta es esto, y está bien: es barato, es auditable y no se equivoca de formas raras. La diferencia con un agente la explica la comparativa de agente de IA vs RPA.

Estadística clásica: SPC

El control estadístico de procesos compara lo que pasa hoy con lo que pasó antes: con datos históricos se fijan límites de control y cada punto nuevo se evalúa contra ellos. Cartas Shewhart, CUSUM, EWMA. Tampoco es IA. Lo menciono porque muchas plantas buscan un modelo de IA para un problema que una carta de control bien llevada ya resuelve.

Modelos predictivos

Trabajan con números y series de tiempo. En planta tienen tres usos claros. Mantenimiento predictivo: leer vibración, temperatura, corriente o presión y estimar cuánto le queda a un equipo antes de fallar. Pronóstico de demanda para el S&OP y el MRP. Y control de proceso multivariable, cuando la calidad depende de diez variables a la vez y ninguna carta individual lo detecta. Es la IA predictiva en su forma más pura: necesita historial y se degrada cuando el proceso cambia.

Visión por computadora

Cámaras en la línea que clasifican piezas: grieta o no, rebaba o no, etiqueta bien puesta o no. También se usa en seguridad, para detectar si alguien entra a una zona restringida o no lleva el equipo de protección. La visión por computadora es predictiva en el fondo, pero con un problema propio: necesita fotos de defectos reales, y los defectos son pocos. La investigación sobre inspección visual lo documenta como desbalance de clases: con pocas fotos de piezas malas, el modelo aprende a decir que todo está bien.

IA generativa

Trabaja con lenguaje, no con señales. En planta resuelve documentos: convertir las notas del turno en un reporte ordenado, redactar el borrador de un informe de no conformidad, extraer datos de certificados de calidad de proveedores, responder preguntas sobre un manual de mantenimiento de trescientas páginas, mantener actualizados los procedimientos. No predice fallas ni ve defectos. Usada para eso, inventa.

Copiloto

Es IA generativa puesta al lado de una persona concreta, en su momento de trabajo. El técnico frente a un equipo parado pregunta qué hizo la última vez que salió ese código de falla y el copiloto responde con el historial de órdenes de trabajo y el manual. El planificador pregunta qué pedidos se atrasan si mueve una orden. La persona decide; el copiloto le ahorra la búsqueda.

Agentes

Un agente ejecuta pasos con herramientas: consulta el CMMS, revisa el stock del repuesto, arma la solicitud de compra y la deja lista para aprobar. En planta tienen sentido en procesos administrativos alrededor de la producción (compras, seguimiento de proveedores, coordinación de despachos, armado de órdenes de trabajo) y casi nunca dentro del lazo de control de una máquina. Para entender qué los hace distintos de un flujo fijo, está la guía de agentes de IA empresariales.

Humano en el bucle

No es un tipo de IA, es un diseño. Cualquiera de las anteriores puede recomendar; una persona con autoridad confirma. En planta es obligatorio en todo lo que toca seguridad, liberación de producto y paradas de línea. El concepto completo está en human in the loop.

Y la planificación asistida, que mezcla varias

La programación de producción es donde más se promete y menos se entrega. Un buen programador de producción combina reglas (restricciones de máquina, setups), optimización matemática y, en algunos casos, pronóstico. La IA generativa sirve aquí para explicar el programa y simular escenarios en lenguaje simple, no para calcularlo. Cuando alguien promete que un chatbot arma el programa semanal, conviene pedir la demostración con los datos propios.

Lo que no se delega: parar una línea, liberar un lote y cualquier decisión de seguridad

Hay tres decisiones que en una planta tienen dueño por norma, por contrato o por sentido común. La IA puede preparar la información; no puede tomarlas.

• Parar o no parar una línea. El modelo puede decir que un equipo tiene alta probabilidad de fallar en las próximas horas. Quién decide parar, y con qué criterio si hay un pedido urgente, se define antes de encender el modelo. Si no se define, la alerta queda en el aire y la responsabilidad también.
• Liberar un lote. La visión y el SPC filtran, pero la liberación la firma calidad. Es lo que exige cualquier sistema de gestión bajo ISO 9001 y lo que cualquier cliente industrial va a auditar.
• Seguridad de las personas. En Perú, la Ley 29783 de Seguridad y Salud en el Trabajo obliga al empleador a identificar peligros, evaluar riesgos y controlarlos. Un sistema que detecta una persona sin casco es un apoyo, no reemplaza la matriz de peligros ni el permiso de trabajo. En Europa, el Reglamento de máquinas (UE) 2023/1230 trata como de alto riesgo los componentes de seguridad que usan aprendizaje automático con comportamiento que evoluciona, y les exige evaluación por un tercero. Es una señal clara del criterio regulatorio: una IA que toca una función de seguridad no es un proyecto de productividad.
• Aceptar una desviación. Usar un insumo fuera de especificación o cambiar un parámetro de proceso validado es una decisión técnica con consecuencias en el producto. Se documenta y se firma.

Los datos que necesita: históricos de paradas con causa, registros de calidad por lote, datos de sensores con hora confiable

Ningún modelo compensa un dato mal registrado. Y en planta hay cuatro datos que deciden si un proyecto de IA tiene futuro.

• Paradas con causa. No basta con saber que la máquina paró veinte minutos. Hay que saber por qué. Hipótesis de trabajo que conviene revisar en cualquier planta: si la causa más frecuente del registro es "otros" o "falla general", ese histórico no sirve para mantenimiento predictivo ni para análisis de pérdidas.
• Calidad por lote y por orden. Resultados de inspección, rechazos, reprocesos y no conformidades amarrados al lote, a la máquina, al turno y al proveedor del insumo. Sin esa trazabilidad no hay causa raíz posible, con IA o sin ella.
• Señales de equipo con hora confiable. Si el reloj del PLC, el del MES y el del ERP no coinciden, cruzar una vibración con una falla se vuelve adivinanza. Sincronizar relojes es aburrido y es requisito.
• Maestros limpios. Lista de materiales, rutas de fabricación, tiempos estándar, puntos de reorden. El MRP y cualquier planificación asistida heredan los errores del maestro y los repiten más rápido.

Para visión hay un dato extra: fotos de defectos reales etiquetadas por alguien de calidad. Ese trabajo de anotación de datos suele ser la parte más lenta del proyecto y la que nadie presupuesta.

Cuando falta lo básico, el primer proyecto es ordenar el registro. No es un desvío: es el patrón de datos antes que IA, y en planta mueve indicadores antes de que exista cualquier modelo, porque solo registrar bien la causa de parada ya cambia la conversación de la reunión de producción.

Con qué se conecta: ERP, MES, SCADA o PLC, CMMS de mantenimiento y sistema de calidad

La norma ISA-95 (IEC 62264) ordena los sistemas de una planta en niveles, y sirve para entender por qué dos proyectos de IA que suenan parecidos tienen costos de integración muy distintos.

• Niveles 1 y 2: sensores, PLC, SCADA. Tiempo real, en segundos o menos. Aquí nacen las señales para mantenimiento predictivo y control de proceso. Leer de aquí suele requerir un historiador de datos o una pasarela industrial, no una API web.
• Nivel 3: MES y gestión de operaciones. Órdenes en curso, piezas, paradas, calidad en línea, programación de detalle. Horizonte de minutos a turnos. Muchas plantas medianas no tienen MES y lo reemplazan con hojas de cálculo y tableros manuales.
• Nivel 4: ERP. Pedidos, MRP, compras, inventario, costos. SAP, Oracle, Microsoft Dynamics, Odoo y ERP locales. Horizonte de días a meses.
• A los costados: CMMS y sistema de calidad. El software de mantenimiento guarda órdenes de trabajo, historial por equipo y repuestos. El de calidad guarda inspecciones, no conformidades y acciones correctivas. En plantas medianas, ambos suelen ser Excel.

La regla práctica: un caso de IA generativa sobre documentos se conecta en semanas porque vive en el nivel 4 y en carpetas. Un caso predictivo sobre equipos necesita llegar al nivel 2, y ahí el proyecto real es de integración industrial. Conviene saber cuál de los dos se está comprando antes de firmar.

Riesgos: falsas alarmas que paran la línea, modelos que se degradan cuando cambia la materia prima, y quién tiene autoridad para seguir la recomendación

• Falsas alarmas. Un modelo de mantenimiento que alerta de más termina ignorado en dos semanas. Uno de visión que rechaza piezas buenas genera reproceso y presión para apagarlo. El umbral se calibra con el costo real de cada error, no con la precisión del modelo en una presentación.
• Degradación. El modelo aprendió con un proveedor de materia prima, una receta y un estado del equipo. Cuando cambia cualquiera de los tres, sus predicciones empeoran sin avisar. Hace falta alguien que mire si el sistema sigue funcionando, con indicadores definidos desde el inicio. Cómo se hace está en cómo saber si tu sistema de IA funciona.
• Autoridad difusa. El riesgo más común no es técnico. Es que el modelo recomienda y nadie tiene instrucción clara de qué hacer. Se resuelve escribiendo el protocolo antes del piloto.
• Trazabilidad. Si una recomendación terminó en una decisión de calidad o de seguridad, hay que poder reconstruir qué dato vio el modelo y quién confirmó. Sin registro, la auditoría del cliente o del regulador se vuelve un problema.
• Documentos generados con errores. Un procedimiento redactado por IA generativa que nadie revisó puede contener un paso inventado. En planta eso es un riesgo de seguridad, no de redacción. Todo procedimiento generado pasa por el dueño del proceso antes de publicarse.
• Regulación en camino. En Perú, el reglamento de la Ley 31814 (DS 115-2025-PCM) exige supervisión humana en sistemas de riesgo alto y fija plazos de adecuación por sector para empresas privadas; según la revisión de este Playbook, el sector producción entra en el tramo que vence en septiembre de 2028. Para ordenar el riesgo sin esperar a la norma, el marco de gestión de riesgos de IA del NIST es una buena referencia.

La matriz de planta: tarea, tipo de IA, complejidad, riesgo e impacto

Esta matriz es una herramienta de conversación, no un ranking universal. Complejidad, riesgo e impacto cambian por planta; lo que no cambia es que cada tarea pide un tipo de solución distinto.

Cómo se ve en una planta mediana de 70 personas y en una de 500

Los dos escenarios que siguen son ilustrativos. No son casos de clientes: son la forma en que suelen verse las mismas preguntas en plantas de tamaño distinto.

Ejemplo ilustrativo: planta de 70 personas

Una línea principal, un ERP básico, sin MES. Las paradas se anotan en una hoja al final del turno. El jefe de planta arma el programa los lunes en Excel. Mantenimiento es un técnico y un ayudante, casi todo correctivo.

Aquí el primer paso no es un modelo predictivo. Es registrar bien: paradas con causa, piezas por orden, rechazos por lote, aunque sea con una tablet en la línea. Con eso, la IA generativa puede armar el reporte de turno y el resumen semanal de pérdidas sin que nadie lo transcriba. El predictivo llega después, si el registro muestra que un equipo concreto concentra las paradas.

Ejemplo ilustrativo: planta de 500 personas

Varias líneas, ERP corporativo, un MES parcial, PLC con datos que nadie explota, un área de calidad con SPC en papel o en hojas de cálculo, un CMMS que se llena a medias. Hay datos, pero repartidos en cuatro sistemas.

Aquí el primer caso suele ser un equipo crítico con historial de fallas suficiente para mantenimiento predictivo, o un punto de inspección visual con defectos frecuentes y costosos. El trabajo pesado no es el modelo: es unir la señal del PLC con la orden de trabajo del CMMS y con la hora real de la falla. Y en paralelo, un copiloto para los técnicos sobre manuales e historial suele dar resultado rápido mientras el predictivo madura.

El primer caso de uso que conviene en planta

El primer caso no se elige por lo que se ve bien en una presentación al directorio. Se elige por tres filtros, en este orden.

• La pérdida ya se mide en plata. Cuánto cuesta una hora de la línea parada, cuánto cuesta el reproceso del producto con más rechazo, cuánto se paga de más por un repuesto comprado de urgencia. Si no hay número, no hay forma de saber si el proyecto funcionó.
• El dato existe o se puede registrar en semanas. Si el caso necesita un año de historial que no existe, no es el primero.
• Hay un dueño en planta. Alguien del piso, no de TI, que va a usar el resultado todos los días y responder por él.

Con esos filtros, en la mayoría de plantas medianas el primer caso cae en uno de tres lugares: el registro y reporte de producción con IA generativa, un copiloto de mantenimiento sobre manuales e historial, o un predictivo acotado a uno o dos equipos críticos. La visión por computadora casi nunca es el primero, porque el etiquetado de defectos toma más de lo que se cree. El método completo para decidir está en cómo elegir el primer caso de uso de IA, y la forma de probarlo sin comprometer la planta, en cómo hacer una POC de IA en dos semanas.

Y hay un caso en que lo correcto es no meter IA todavía: cuando no existe ni un plan de mantenimiento preventivo básico o la producción se reporta en pizarra. Ahí el proyecto es de proceso. Ponerle IA encima solo acelera el desorden.

Cómo medir: OEE, paradas no programadas, scrap y reproceso, horas de reporte

Un proyecto de IA en planta se mide con los mismos indicadores con que ya se mide la planta. Si el proyecto necesita indicadores nuevos para justificarse, algo está mal.

• OEE. Disponibilidad por rendimiento por calidad. La norma ISO 22400-2 define este y otros indicadores de gestión de operaciones con fórmula y definición de tiempos, lo que permite comparar líneas y plantas sin discutir cómo se calculó.
• Paradas no programadas. Horas al mes por equipo o por línea, y el tiempo medio entre fallas y de reparación en los equipos que cubre el modelo.
• Scrap y reproceso. Porcentaje y costo, separados por causa. Para visión, además: defectos que llegaron al cliente y piezas buenas rechazadas.
• Cumplimiento del programa. Producción real contra programada por semana. Es el indicador de la planificación asistida.
• Inventario. Quiebres de insumos críticos, cobertura en días, compras de urgencia de repuestos.
• Horas de reporte. Tiempo de supervisores y jefes de turno armando reportes, buscando información o transcribiendo. Es el indicador de la IA generativa, y suele ser el que primero se mueve.

La línea base se toma antes del piloto, no después. El cálculo de cuánto vale cada mejora y cuánto cuesta operarla está en cómo calcular el ROI de un proyecto de IA.

La arquitectura mínima: dato de planta ordenado, capa de integración con MES y ERP, modelo, tablero y responsable por turno

No hace falta una plataforma de industria 4.0 para empezar. Hacen falta cinco piezas, y la última es la que más se olvida.

Si quieres entender cómo se implementa esto por fases, del diagnóstico al piloto y a la operación, está la guía de implementación de IA. Si quieres entender la arquitectura que hay detrás, por qué el dato, la memoria, las reglas y las integraciones pesan más que el modelo, está Arquitectura IA. Y cuando el piloto ya movió el indicador, el paso siguiente es escalar el piloto a toda la empresa sin que cada línea se vuelva un proyecto nuevo.

Así se ve en un proyecto real de manufactura

Todo lo anterior es mapa. Un caso documentado de la comunidad Arquitectura IA, contado por quien lo construyó, está en el caso de IA en manufactura: ahí se ve qué problema de la operación se atacó, cómo se diseñó antes de escribir código y cómo se validó con datos reales del cliente.

Si estás mirando la IA en otras áreas de la empresa además de la planta, el mapa completo está en IA aplicada en empresas, y la base conceptual en inteligencia artificial para empresas.

Si quieres aprender a diseñar e implementar este tipo de soluciones dentro de empresas, del diagnóstico de planta a la arquitectura y al piloto medido, el camino es Arquitectura IA.