Cómo implementar IA en la manufactura: plan paso a paso para directivos

El jefe de turno de una planta metalúrgica dedica 40 minutos cada mañana a rellenar el informe de turno. Transfiere manualmente los indicadores de los equipos a una plantilla de Word, describe los incidentes con sus propias palabras, los coteja con el registro de seguridad. Este trabajo existe desde los años 70 y no ha cambiado ni un minuto. La IA puede reducirlo a diez minutos. La parte difícil no es la tecnología. La parte difícil es por dónde empezar.

Por qué la IA en la manufactura no son robots ni IoT

Cuando los altos directivos de empresas industriales escuchan «IA en la manufactura», lo primero que piensan es en automatización de líneas, visión por computadora para control de calidad, mantenimiento predictivo de equipos. Todo eso existe y funciona, pero requiere de 6 a 24 meses de implementación, integración con PLCs, a veces sustitución de equipos y presupuestos considerables.

La IA generativa es una conversación fundamentalmente diferente. Trabaja con texto, y la manufactura está inundada de texto. Informes de turno. Reclamaciones a proveedores. Solicitudes de reparación. Fichas de defectos. Registros de seguridad. Actas de reuniones operativas. Ninguno de estos documentos controla la línea de producción directamente – pero cada uno requiere tiempo del ingeniero o del responsable, que lo dedica a estructurar información en vez de resolver problemas técnicos.

Y hay algo más que a menudo se pasa por alto: los modelos actuales no se limitan al texto tecleado. Leen fotografías y notas manuscritas – una foto de un registro de seguridad en papel, una ficha de defectos rellenada a mano, las lecturas de un viejo instrumento analógico. A diferencia de los programas OCR clásicos, que necesitan plantillas y zonas de reconocimiento definidas, un modelo multimodal descifra incluso la caligrafía descuidada y transfiere los datos directamente a la estructura necesaria. Para la manufactura, donde montañas de papel siguen rellenándose a bolígrafo, esto elimina otra barrera – y merece la pena probarlo con un par de hojas reales.

Esto vale la pena subrayarlo aparte: el punto de entrada real en la mayoría de las fábricas no es una pulcra nota de voz del teléfono, sino un desgastado libro de turnos rellenado a lápiz al final de una guardia de 12 horas. Si quiere comprobar la idea en su propia planta en una tarde, haga exactamente esto: fotografíe con el teléfono una hoja del registro real y pásele la foto a ChatGPT pidiéndole que la convierta en un informe estructurado. Esa es la prueba honesta de viabilidad – no un escenario inventado con una nota dictada.

Y he aquí lo que conviene entender sobre la naturaleza de esta tecnología. Según estimaciones de McKinsey, alrededor de tres cuartas partes de todo el valor económico de la IA generativa corresponde al trabajo con texto y conocimiento – atención al cliente, marketing y ventas, desarrollo de software, I+D. La manufactura como sector no está en los primeros puestos de esa lista – precisamente porque la IA no controla la máquina. Pero cualquier fábrica tiene su propia capa de trabajo textual, y esa es justo la puerta de entrada.

En la red de «faros» (Global Lighthouse Network – fábricas de vanguardia seleccionadas por el Foro Económico Mundial y McKinsey) se observa un patrón revelador: cada nuevo participante de la red ya tiene un piloto de IA generativa en marcha – y casi todos están donde los datos están menos estructurados. Son asesores para técnicos, asistentes de operador, ayudantes de ingeniería, autogeneración de PFMEA, predicción de riesgos con proveedores. La mayoría de estos pilotos se lanzan en días o semanas, no meses. Es decir, las fábricas más avanzadas del mundo entran en la IA generativa exactamente a través de esa capa de papel – no a través de la máquina.

La idea es simple: la IA se encarga de la capa de papel que rodea las operaciones productivas. No controla la máquina – pero ayuda a describir lo que le ha pasado.

Esto significa que el umbral de entrada es considerablemente más bajo de lo que se suele pensar.

Quién ya lo está haciendo: casos en la industria

No es ningún secreto que grandes fabricantes ya están desplegando IA generativa en sus operaciones. En Alemania, el combinado lácteo Sachsenmilch – que procesa 4,6 millones de litros de leche diarios – ha integrado IA en su mantenimiento predictivo. En EE.UU., empresas como Siemens y GE aplican asistentes generativos para diagnóstico de equipos y documentación técnica. Y según BCG, los asistentes GenAI en planta reducen la preparación de reparaciones de horas a minutos – el técnico describe el fallo y el sistema le propone hipótesis de avería, pasos de reparación y disponibilidad de repuestos en almacén.

Pero los proyectos más ilustrativos no son los grandes despliegues. Son los que empezaron con una sola tarea: un jefe de turno que dejó de rellenar informes a mano, un ingeniero de mantenimiento que empezó a buscar análogos de piezas con IA. A partir de un piloto con una persona se construyó un proceso.

Las organizaciones que empezaron la implementación de forma sistemática, no caótica, ven resultados fundamentalmente diferentes. Como muestra la investigación del MIT sobre la brecha entre organizaciones en GenAI, la brecha entre líderes y rezagados no la determinan el presupuesto ni la tecnología – la determina la existencia de una estructura.

¿Paradójico, no? Las fábricas con reglamentos estrictos y normas de seguridad a menudo implementan la IA de forma menos sistemática que startups sin un solo proceso definido.

Paso 0. Obtenga autorización antes de abrir el navegador

Este paso no aparece en casi ningún artículo sobre IA – y es precisamente el que con más frecuencia mata un piloto antes de que empiece. En la manufactura no puede simplemente abrir ChatGPT y pegar un informe de turno: la red interna está monitorizada, la planta tiene servicio de seguridad, la empresa tiene régimen de secreto comercial, y parte de los pedidos tienen acuerdos de confidencialidad (NDA) con el cliente.

Lo que hay que cerrar antes del Paso 1, normalmente con una carta de media página dirigida al responsable de seguridad informática y al director de planta:

• Qué herramienta se va a usar (por ejemplo, ChatGPT con la política de datos empresariales, o una solución on-premise).
• Qué datos entrarán – y cuáles definitivamente no (nombres de clientes, números de pedidos con NDA, know-how de procesos).
• Quién exactamente trabaja con la herramienta (un jefe de turno, nombre y apellido) y por cuánto tiempo (piloto de 4 semanas).
• Quién responde si algo «se filtra» de la herramienta.
• Cumplimiento normativo: verificar que la herramienta cumple con el RGPD y las políticas internas de protección de datos.

En la mayoría de las fábricas esta aprobación tarda de tres días a dos semanas. Si se salta este paso, el escenario típico es: en la tercera semana el SOC o el servicio de seguridad detecta el piloto, bloquean la herramienta en el perímetro y al responsable del piloto lo llaman a «una conversación». Después de eso, normalmente ya no hay segunda oportunidad ese año.

Aparte, conviene comprobar otra limitación práctica en la que rara vez se piensa desde la oficina: ¿están permitidos los teléfonos móviles personales en la zona de producción? En muchas plantas, no. Esto significa que el bonito escenario de «dicto una nota en el teléfono de camino al vestuario» no funciona, y el punto de entrada pasa a ser o bien un terminal compartido en la oficina del supervisor, o bien una foto del registro ya fuera de la planta.

Paso 1. Elija una tarea de la «capa de papel»

La regla del primer paso es estricta: una tarea, no cinco. Los responsables de producción suelen pensar en grande – quieren automatizar de golpe la documentación de seguridad, las solicitudes de compra y la reportería para la corporación. Ese es el camino para que nada funcione.

Estas son tareas que funcionan bien como punto de partida:

• Informe de turno – nota de voz o apuntes en borrador -> documento estructurado con secciones de equipos, incidentes, calidad, cuestiones pendientes. Ideal para la primera experiencia: se repite diariamente, el resultado es visible de inmediato.
• Resumen semanal de OEE (eficiencia general de equipos) – exportación desde MES o SCADA -> análisis causal de las tres principales paradas con propuestas de solución.
• Reclamación a proveedor – descripción del defecto + ficha del producto -> borrador de reclamación oficial en el formato correcto.
• Búsqueda de piezas por especificación – descripción textual («rosca interna 1/4" NPT, válvula de retención de 3000 psi, presión de apertura 10 psi») -> lista de fabricantes, series y números de pieza para pedido posterior. Esta es quizás la tarea más infravalorada: los ingenieros de campo señalan que en cada búsqueda de este tipo se ahorran 8–10 minutos, y a escala de una planta se acumulan cientos de horas al año. Importante – más abajo, en la sección de riesgos.
• Ficha de defectos – descripción verbal del inspector de calidad + fotografía -> registro estructurado para PFMEA.
• Reunión operativa del lunes – datos de producción de la semana pasada -> agenda de la reunión con cifras clave y preguntas.
• Acta de investigación de incidentes – hechos recopilados en orden arbitrario -> informe estructurado según formulario.

Un test útil para elegir: la tarea debe repetirse al menos una vez por semana y ocupar más de 20 minutos de trabajo mecánico. Eso significa que la mejora será perceptible en pocos días.

Paso 2. Elija la herramienta teniendo en cuenta los requisitos de seguridad

La manufactura no es una oficina. Aquí rigen requisitos de almacenamiento de datos, cumplimiento del RGPD y, a menudo, régimen de secreto comercial. Por eso la elección de la herramienta empieza no por la funcionalidad, sino por la pregunta sobre los datos.

Para la mayoría de las empresas manufactureras, la elección más práctica es ChatGPT Enterprise o la API de Claude. ChatGPT ofrece acceso gratuito para pruebas iniciales (chatgpt.com), millones de usuarios empresariales incluyendo grandes fabricantes industriales. Si es necesario – despliegue on-premise a través de Azure, los datos no salen del perímetro.

Y otro argumento práctico a favor de una herramienta lista: no construya la suya propia. Según datos del MIT, una solución sectorial lista se amortiza aproximadamente el doble de veces que un desarrollo propio – 67% de implementaciones exitosas frente al 33%, – y el mayor retorno no viene de proyectos espectaculares, sino de la aburrida automatización de back-office. Es decir, exactamente de esa capa de papel.

Una mención aparte merece DeepSeek. Un modelo de código abierto que puede ejecutarse mediante Ollama en cualquier servidor de la empresa, incluso sin internet. Adecuado para instalaciones con red completamente aislada. Nuestro análisis detallado de DeepSeek le ayudará a evaluar las capacidades del modelo en tareas de gestión.

Para una comparativa de herramientas GenAI, consulte nuestro artículo de comparación. Para el primer paso basta con la versión gratuita de ChatGPT. No necesita al departamento de IT.

Paso 3. Escriba la primera petición – ejemplo con un informe de turno

Esta es la sección más importante del artículo. Todo lo demás es contexto. Aquí está lo que puede hacer hoy.

Imagínese: fin de turno en una sección de mecanizado. El jefe de turno Alejandro ha grabado una nota de voz y ha garabateado varias líneas en su libreta. Esto es lo que tiene:

«Turno 2, 22 de mayo. Torno CNC DMG CTX420 – de 09:30 a 11:00 parada por cambio de herramienta T3, se desgastó antes de tiempo. Pérdida de 12 piezas del plan. Centro de fresado Haas VF-2 funcionó con normalidad todo el día. Se detectaron rayaduras en un lote de 40 ejes (números de serie 2241–2280) – enviados a control de calidad, esperamos resolución. Producción – 87% del plan. El capataz Rodríguez se queja de vibración en el husillo del torno CNC Mazak QT-350, hay que revisarlo mañana. Todo normal, sin incidentes de seguridad.»

Ahora el prompt para ChatGPT. Un buen prompt para una tarea de manufactura consta de cinco elementos: rol del ejecutor, contexto (especificidad de la producción), tarea, formato de salida, restricciones. Y para que el resultado sea consistente de una petición a otra, se añade un sexto – un breve ejemplo de cómo a partir de los borradores debe obtenerse el informe final. Este recurso se llama few-shot, «aprendizaje con ejemplos»: el modelo ve la muestra y mantiene el formato.

Pulse «Ejecutar» en el bloque de arriba – el prompt se ejecutará aquí mismo en ChatGPT y DeepSeek, y podrá comparar las respuestas. El resultado es un informe estructurado en un par de minutos en lugar de 30–40. El ejemplo dentro del prompt (ese few-shot) mantiene el formato: ambos modelos producen la misma estructura, conservan las cifras y extraen automáticamente las cuestiones pendientes a la sección correspondiente. Pero hay una regla que sigue siendo de hierro: el resultado hay que leerlo. La IA estructura el texto, pero de los hechos y las cifras sigue respondiendo usted.

Esto es lo que conviene verificar en el primer resultado:

• ¿Coinciden todos los códigos de equipo con lo que hay en las notas?
• ¿Ha añadido la IA «detalles inexistentes» en la sección de calidad?
• ¿Se ajusta el formato a lo que se usa en la empresa?

El principio del prompt es el mismo que funciona en tareas de gestión en IT: rol claro, contexto concreto, formato explícito. La diferencia está solo en el contenido – en vez de sprint y Jira, aquí hay turno y parque de máquinas.

La estructura de un prompt eficaz la analizamos con más detalle en los fundamentos de construcción de peticiones.

Paso 4. Supere la resistencia en la planta

Aquí es donde la manufactura se diferencia fundamentalmente de una empresa de IT. La resistencia es diferente en su naturaleza y requiere respuestas diferentes.

«La IA reemplazará a los trabajadores» – la preocupación más extendida. Es importante entender de dónde viene: en los últimos 30 años, la automatización en muchas empresas ha significado efectivamente recortes de personal. No hay mucha confianza en las nuevas tecnologías.

Aquí ayuda un marco más preciso. Como muestra el análisis de Benedict Evans sobre la diferencia entre tarea y profesión, la IA casi nunca «devora» una profesión entera – se lleva tareas individuales. Los ascensoristas desaparecieron, pero la cantidad de contables se multiplicó durante el último siglo, aunque los cálculos se automatizaron hace tiempo. En la manufactura aplica la misma lógica: la IA se lleva la tarea de redactar texto, no el trabajo del jefe de turno.

La respuesta aquí no es la persuasión, sino la demostración. Pida al jefe de turno que pruebe la herramienta con un informe – no le cuente lo que va a pasar. Cuando ve que 40 minutos se convierten en 10, y que «pensar» ha tenido que hacerlo él de todos modos – la reacción cambia. La IA se encarga de teclear el texto, no del juicio productivo.

«Nuestros datos son confidenciales» – una preocupación legítima, y se resuelve con la elección de la herramienta. ChatGPT Enterprise con configuración para la UE cumple con el RGPD. DeepSeek vía Ollama no envía datos a ningún sitio – el servidor está en la empresa, no necesita internet.

«No tenemos departamento de IT para esto» – buena noticia: para el primer paso no hace falta IT. Un navegador web, una cuenta en ChatGPT, un prompt. Nada más. IT será necesario después – cuando el resultado demuestre su valor y llegue el momento de integrar con el ERP o SAP.

«Nuestra gente no lo aprenderá» – curiosamente, los datos no confirman ese temor. BCG en 2025 registró que el uso de GenAI entre empleados de base se estancó en el 51% frente al 78% de los directivos. La causa principal no es la falta de capacidad, sino la insuficiente calidad de la formación. A quienes se les enseña bien, aprenden a usar la herramienta.

Es más, al menos en el trabajo de oficina la IA ayuda más precisamente a los que peor rinden: en un estudio de Harvard y BCG, los consultores de la mitad inferior en rendimiento mejoraron un 43% con IA, mientras que los mejores solo un 17%. Este es un experimento con consultores de BCG, no con jefes de turno, así que la cifra no se puede trasladar literalmente. Pero la dirección del efecto merece recordarse: la tecnología iguala no porque los fuertes se debiliten, sino porque el empleado promedio deja de ser el «eslabón débil» en el trabajo de papelería.

Para la manufactura esto significa algo simple: la herramienta aportará más no a la «estrella» de la sección, sino al jefe de turno promedio que no se considera una persona técnica. Y el mismo BCG estima que el éxito de la implementación de IA en fábrica depende en un 70% de las personas y los procesos, en un 20% de los datos y la infraestructura, y solo en un 10% de los propios algoritmos. La tecnología es la parte menor de la ecuación.

Recomendación práctica: empiece con un jefe de turno en quien confíe y que tenga algo de curiosidad por la tecnología. No anuncie un proyecto corporativo, no organice una formación obligatoria para todos. Deje que una persona lo pruebe durante un mes – y luego muestre sus resultados a los compañeros. La difusión horizontal funciona mejor que la directiva.

Y otra particularidad que no existe en la oficina: con un régimen de tres turnos, «una demostración» no se propaga sola. Los turnos no coinciden físicamente – el turno de noche no ve lo que mostró el de día. Por eso, en cuanto el piloto demuestre su valor con una persona, la demostración hay que repetirla al menos tres veces – una por cada turno, preferiblemente en persona, no por chat. De lo contrario, el turno de noche seguirá escribiendo el informe a mano, y usted se preguntará por qué «la herramienta está ahí pero nadie la usa».

Esta misma observación la confirma el análisis de por qué las transformaciones con IA no dan resultados: las barreras organizativas y culturales suelen ser más importantes que las técnicas.

Qué se puede hacer en una semana y qué en seis meses

Una de las fuentes de decepción en los primeros meses es la sensación de que «todo es igual de fácil». No lo es. Es útil tener a la vista una escala honesta de esfuerzos:

El error principal es prometer a la dirección una «automatización completa de la reportería en un trimestre» después de una primera semana exitosa con la versión web. Entre «una persona teclea en el navegador» y «los informes se envían solos al ERP» hay dos niveles de complejidad y es, en la práctica, otro proyecto.

Paso 5. Mida y escale

Sin mediciones, la implementación sigue siendo un experimento. Con mediciones, se convierte en argumento para el siguiente paso.

Métricas que tienen sentido en la manufactura:

• Tiempo de preparación del informe de turno (antes / después) – fácil de medir, resultado evidente
• Cantidad de reclamaciones a proveedores al mes (tramitamos más rápido = enviamos más = resolvemos el problema más rápido)
• Tiempo desde el incidente hasta el acta formalizada (registra la velocidad del proceso documental)
• Valoración subjetiva del jefe de turno en escala del 1 al 5 – más simple de lo que parece y suficientemente informativa

Después de 3–4 semanas, cuando una tarea funcione de forma estable, tome la segunda. Una buena secuencia para la manufactura:

1. Informe de turno (semana 1–2 para perfeccionar el prompt)
2. Reclamación a proveedor o ficha de defecto (semana 3–4)
3. Resumen semanal de OEE (mes 2)

En esta etapa conviene pensar si se necesita una justificación de negocio para el presupuesto de IT – por ejemplo, para la integración con el ERP vía API. Tres casos funcionando con ahorro de tiempo medible son argumento suficiente para esa conversación.

Y aquí empieza lo más interesante. El efecto oculto no es solo el tiempo. Cuando el jefe de turno deja de dedicar 40 minutos a teclear texto, dedica esos 40 minutos a recorrer la planta o hablar con el capataz. Es un cambio cualitativo que no siempre se refleja en las cifras, pero se nota en la planta.

Qué puede salir mal

La IA en la capa de papel es un logro rápido, pero no es magia. Hay que decirlo con honestidad: según diversas estimaciones, entre el 40 y el 90% de las inversiones corporativas en IA en 2025 no produjeron mejoras perceptibles de productividad. El dinero se fue, el efecto no llegó. Casi siempre la causa no es la tecnología, sino tres trampas que conviene tener presentes desde el primer día.

La IA se equivoca con seguridad. Incluso los buenos modelos producen un dato incorrecto en el 2–3% de los casos – y lo hacen con el mismo tono tranquilo que cuando dan la respuesta correcta. En un chat esto es tolerable. En un informe de turno, un número de lote equivocado o una producción inflada ya es un problema. De ahí la regla de hierro del paso 3: el resultado siempre lo lee una persona. La IA se encarga de estructurar el texto, pero de las cifras sigue respondiendo el jefe de turno.

Esto es especialmente crítico en la búsqueda de piezas. En foros de producción se describe un caso ilustrativo: siguiendo la sugerencia de la IA se pidió un fusible no original, y el secador se sobrecalentó más de cien grados por encima del límite de seguridad – solo lo salvó la protección de serie. La regla es simple: la IA encuentra la información, pero la persona debe abrir el enlace y verificar las especificaciones en la ficha del producto. Si en el enlace no se puede ver la especificación, no se puede confiar en la respuesta. Para todo lo relacionado con la seguridad, esto no se discute.

«Piloto eterno». La causa más frecuente por la que una implementación no da resultados no es el fracaso de la tecnología, sino las pruebas interminables sin pasar a producción. La fábrica lleva un año «probando IA», pero ninguna tarea se ha convertido en parte de la rutina diaria. La protección contra esto es exactamente la estructura descrita arriba: una tarea, resultado medible en un mes, plantilla registrada por escrito. El piloto debe tener una fecha después de la cual o se convierte en proceso o se cierra.

Y otra reflexión honesta que conviene asumir de antemano: la IA no arregla un proceso roto – lo ilumina. Donde no hay orden en los datos, en los reglamentos ni en el trabajo estandarizado, la IA no tapa esos agujeros, los hace más visibles. Exactamente por eso la misma investigación del MIT vincula el fracaso masivo de pilotos corporativos de GenAI no con la tecnología, sino con los cimientos sobre los que se instala. La conclusión para la manufactura es simple: empiece con una tarea donde ya haya orden – por ejemplo, con el informe de turno, no con el caos de las compras.

Tres escenarios típicos de fracaso para tener como referencia. No son historias de terror, sino casos recopilados que se encuentran regularmente en las plantas:

• «Lo cerraron a las dos semanas». Un jefe de turno empezó a usar ChatGPT sin autorización. En la tercera semana el SOC detectó tráfico saliente hacia la nube y pidió explicaciones. Bloquearon la herramienta en el perímetro y al responsable del piloto lo llamaron al despacho del director de seguridad. Remedio: Paso 0.
• «Tardaron tres meses en hacer la plantilla». La fábrica decidió «hacerlo como toca»: especificaciones técnicas, licitación, desarrollo a medida para el ERP, selección de contratista. Para cuando el contratista presentó el prototipo, el interés del cliente se había enfriado, recortaron el presupuesto y el proyecto se cerró en silencio. Remedio: empezar con una herramienta web y una persona, no con un proyecto.
• «El conocimiento se fue con la persona». Un supervisor entusiasta creó excelentes prompts, ahorraba horas a la semana – y a los seis meses se fue a otra empresa. Las plantillas no estaban documentadas en ningún sitio, la persona nueva empieza de cero. Remedio: al final del primer mes, registrar obligatoriamente los prompts en un documento compartido con responsable y fecha de revisión.

Cuantos más permisos tenga la IA, mayor es el coste del error. Mientras se trate de texto, el riesgo es mínimo: lo peor que puede pasar es un borrador deficiente que usted corregirá. Pero en cuanto llegue a escenarios autónomos (la IA envía sola la reclamación, crea el pedido en el ERP, modifica datos), trátela como a un becario aplicado pero inexperto: limite los permisos, no le deje borrar ni confirmar sin una persona, verifique en los pasos críticos.

Checklist: los primeros 30 días en manufactura

Semana 0 – autorización (a menudo se salta, y mal hecho):

• Escribir una carta de una página a seguridad informática: qué herramienta, qué datos, quién trabaja, por cuánto tiempo
• Obtener un «no hay objeciones» por escrito del director de planta
• Averiguar si se permiten teléfonos móviles en la zona de producción – de eso depende el escenario de entrada de datos

Semana 1 – reconocimiento:

• Elegir una tarea de la «capa de papel» (ideal: informe de turno)
• Abrir chatgpt.com, crear una cuenta
• Escribir el primer prompt siguiendo la plantilla del paso 3
• Probarlo con datos reales de un turno

Semana 2 – ajuste:

• Refinar el prompt con los resultados del primer intento (normalmente hacen falta una o dos correcciones)
• Medir el tiempo: cuánto tardaba antes, cuánto ahora
• Registrar observaciones: qué hace bien la IA, dónde se necesita corrección manual

Semana 3 – expansión:

• Mostrar la herramienta a dos o tres compañeros (sin obligación)
• Recopilar sus prompts y comparar enfoques
• Si la tarea funciona – documentar la plantilla del prompt por escrito

Semana 4 – decisión sobre el siguiente paso:

• Evaluar el resultado: ¿hay un ahorro de tiempo medible?
• Elegir la segunda tarea de la lista
• Decidir: ¿se necesita una conversación con el departamento de IT sobre la integración?

Según estimaciones, el «impuesto» oculto de la ineficiencia se come hasta un 40% del ahorro potencial de la IA allí donde la implementación es caótica. La estructura de los primeros 30 días es precisamente la protección contra ese efecto.

Los prompts para tareas de manufactura siguen la misma lógica que la comparación de herramientas en general: lo importante no es el modelo, sino la calidad de la formulación de la tarea.

El siguiente horizonte: del papel al equipo

Al principio del artículo dejamos a un lado la IA «pesada» – visión por computadora, mantenimiento predictivo, automatización de líneas. Ese es el siguiente horizonte, cuando la capa de papel ya está dominada. Un buen referente de cómo se ve en su forma madura es el combinado lácteo Sachsenmilch en Alemania: 4,6 millones de litros de leche al día, producción 24/7. Abandonaron el mantenimiento por calendario fijo y pasaron al predictivo: el sistema analiza la vibración y el estado de los componentes y avisa con antelación de fallos inminentes. Una sola bomba sustituida a tiempo ahorró cientos de miles de euros. «Nos guiamos no por el plan de mantenimiento, sino por el estado real del equipo», dice el director técnico de la planta.

Y la IA generativa ya trabaja junto a la «pesada». Según datos de BCG, el asistente GenAI en planta sugiere al técnico de reparaciones la estrategia de resolución de la avería – incluyendo las piezas necesarias y su disponibilidad en almacén – y reduce la preparación de la reparación de horas a minutos. Es la misma capa de papel, solo que pegada a la máquina: la IA no aprieta tuercas, pero recopila y estructura al instante el conocimiento sobre qué y cómo reparar.

Este es otro tipo de tarea: requiere sensores, integración, presupuesto y tiempo. Pero la lógica de entrada es la misma – empezar por una tarea donde hay muchos datos y se entiende el coste de la parada. La diferencia está en que el camino hacia ese nivel es más corto para quienes ya han acostumbrado al equipo a trabajar con IA en tareas textuales simples. La capa de papel no es solo un logro rápido, sino también el entrenamiento previo a implementaciones más serias.

La manufactura se diferencia de la oficina en el ritmo, las condiciones y la cultura – pero no en la naturaleza de la «capa de papel» alrededor de las operaciones. El jefe de turno dedica tanto tiempo a la reportería como el director de proyecto a los estados de situación. La IA funciona igual de bien en ambos casos, si la tarea está formulada con claridad.

Lo más inesperado que escucho de los responsables de producción que ya lo han probado: el valor principal no son los minutos ahorrados. El valor principal es que el documento sale con la misma calidad, independientemente de si la persona está agotada al final del turno o no.

Artículos relacionados

Los managers y la IA: los que más la usan – pero no para dirigir

5 capas del agente IA: lo que un manager necesita saber

Por qué los pilotos de IA mueren entre la demo y la planta

40 casos de GigaChat: contrastamos las cifras de Sber con un benchmark