Tres pruebas para saber si una IA industrial sirve antes de comprarla

El 25 de julio de 2026, el debate sobre IA en fábrica suele agrupar bajo una misma etiqueta tres tareas muy distintas: anticipar averías, detectar defectos y reducir el consumo energético. La promesa puede sonar igual —más eficiencia—, pero cada caso usa datos diferentes, cambia una decisión distinta y debe probarse con una métrica propia. Si se mezclan, una prueba que funciona en visión artificial termina vendiéndose como si demostrara mantenimiento predictivo.

La decisión de 60 segundos

Antes de contratar una solución, complete esta frase: «queremos que el sistema recomiende o ejecute ___ para mejorar ___, medido como ___». Si la respuesta es «usar IA para optimizar la fábrica», todavía no hay un problema evaluable.

La hoja de ruta de NIST para fabricación inteligente, publicada el 3 de julio de 2026, sitúa estas aplicaciones junto a retos menos vistosos: calidad del dato industrial, integración de sensores y sistemas heterogéneos, y operación explicable y fiable. La lección no es que falte un modelo más grande; es que la planta debe poder comprobar qué detecta, qué acción provoca y qué cambia después.

Mantenimiento: predecir no es reparar

El mantenimiento predictivo parte de señales de condición: vibración, temperatura, presión, ciclos, alarmas y registros de intervenciones. El marco de gestión de condición de activos de NIST describe el objetivo como conocer el estado actual, diagnosticarlo y estimar su salud futura para planificar mantenimiento.

La métrica no es la precisión del modelo aislada. Es, por ejemplo, horas de parada no planificada, coste de mantenimiento por activo o fallos evitados sin aumentar sustituciones innecesarias. Un aviso correcto que llega demasiado tarde no evita una avería; uno muy sensible puede llenar la agenda de falsas revisiones. El operador debe poder ver la señal, el umbral y la decisión: inspeccionar, reducir carga o continuar.

Calidad: encontrar un defecto no basta

La inspección usa imágenes, mediciones o datos de proceso para señalar anomalías en una pieza o lote. La guía de NIST MEP distingue la detección de defectos de la predicción de fallos y de la gestión de recursos. Aquí conviene medir tasa de defectos que llega al cliente, falsos rechazos, desperdicio y tiempo de inspección.

La pregunta crítica es qué ocurre con el resultado. Un sistema puede marcar una soldadura, pero alguien debe decidir si se repara, se desecha o se toma una muestra adicional. Conservar imágenes y decisiones revisadas permite detectar si el modelo empeora al cambiar iluminación, material, proveedor o cámara. Sin ese circuito, una cifra de precisión de laboratorio dice poco sobre la línea real.

Energía: optimizar una variable sin desplazar el problema

En energía, el sistema puede prever demanda, proponer horarios, ajustar consignas o detectar consumos anómalos. La métrica útil suele ser energía por unidad buena producida, no solo kilovatios hora totales: parar una línea reduce el consumo, pero no hace más eficiente la producción. También hay que vigilar calidad, seguridad, cumplimiento de pedidos y picos de demanda.

NIST enumera como obstáculos la disponibilidad de datos, los costes iniciales, las competencias, la privacidad y la integración con sistemas heredados. Son condiciones de implantación, no detalles administrativos. Si el contador energético no se puede vincular a producto, turno y estado de máquina, el modelo puede optimizar un número que no representa el coste operativo.

Un piloto que se puede auditar

Empiece con un activo, una familia de piezas o una célula de producción. Registre una línea base durante un periodo definido. Establezca quién recibe la recomendación, qué acciones están permitidas y cuándo se revierte el sistema. Compare el resultado con una operación equivalente y guarde tanto aciertos como errores.

No prometa un porcentaje de ahorro antes de medirlo. La evidencia documentada dice que estas técnicas pueden apoyar mantenimiento, inspección y gestión de recursos; no demuestra que cualquier planta vaya a obtener el mismo efecto. La capacidad duradera es pedir el mecanismo completo: dato de entrada, decisión, métrica de planta y revisión humana. Cuando esos cuatro elementos están claros, la IA deja de ser una etiqueta industrial y se convierte en una hipótesis que una fábrica puede comprobar.