La fábrica de Siemens en Erlangen: cómo atribuir resultados cuando la IA es solo una pieza

El 7 de octubre de 2024, el World Economic Forum incorporó la fábrica de Siemens en Erlangen a su Global Lighthouse Network. El perfil del centro atribuye a su estrategia Green Lean Digital una mejora del 69 % en productividad laboral, un 40 % menos de tiempo de llegada al mercado y una reducción del 42 % en el uso de energía. Son resultados industriales, no una puntuación de laboratorio. También son el producto conjunto de inteligencia artificial, gemelos digitales, robótica, analítica, integración de sistemas y rediseño de procesos.

Ese último punto es la lección. En una transformación compleja, el indicador de toda la fábrica no demuestra por sí solo cuánto aportó cada algoritmo. La capacidad transferible consiste en trazar una cadena de atribución: partir de una decisión concreta, fijar la métrica local que puede cambiar, comprobar el mecanismo y solo después conectarla con productividad, calidad, energía o plazo global. Sin esa cadena, “la IA elevó la productividad un 69 %” sería una conclusión más fuerte que las fuentes.

Qué es Erlangen y qué se midió

La planta fabrica productos de accionamiento SINAMICS en un entorno de variedad alta y volumen medio. Según la ficha del World Economic Forum, desplegó más de cien algoritmos de IA y un uso amplio de gemelos digitales sobre una arquitectura informática flexible y modular. El periodo de mejora fue de cuatro años. El WEF no presenta las tres cifras principales como el resultado de un único modelo, sino de la estrategia del centro.

Siemens publicó su anuncio el 8 de octubre de 2024 y utilizó una formulación igualmente agregada: IA, gemelos digitales y robótica aumentaron la productividad y redujeron energía. La empresa dijo que había aplicado IA en más de cien casos de uso. “Algoritmos” y “casos de uso” no son necesariamente la misma unidad: una aplicación puede combinar varios modelos y un modelo puede servir a más de una tarea. Para auditar una cartera conviene no intercambiar ambos términos.

El reconocimiento Lighthouse tampoco es una certificación de que cualquier comprador obtendrá el mismo resultado. Es una selección de centros que muestran transformaciones digitales a escala. Erlangen es además “cliente cero”: la página de la propia fábrica explica que prueba soluciones de Siemens en producción real antes de llevarlas al mercado. Eso aporta un entorno valioso de validación, pero también recursos, conocimiento del proveedor y un incentivo comercial que deben permanecer visibles.

Descomponer una cifra agregada

El informe de 2025 de la Global Lighthouse Network permite bajar un nivel. Entre los casos destacados figuran pruebas eléctricas de circuito cerrado habilitadas por IA, con una reducción del 51 % en falsos positivos; una plataforma analítica integral para la nueva producción de semiconductores, asociada a una mejora del 19 % en rendimiento de producción; gemelos digitales de producto para entrenar modelos de inspección visual y robótica perceptiva, vinculados a un 50 % menos de fallos en campo; logística de salida automatizada, con cinco veces más productividad laboral en el área afectada; y una red de fabricación aditiva para repuestos, con un 80 % menos de plazo.

Estas métricas son más auditables porque tienen una intervención y un ámbito. Reducir falsos positivos en una prueba eléctrica puede evitar reinspecciones y retenciones de unidades buenas. Mejorar el rendimiento significa obtener más producto conforme a partir de los insumos del proceso. Acortar el plazo de un repuesto reduce espera en mantenimiento. Ninguna medida equivale automáticamente al 69 % de productividad de toda la planta, pero cada una describe un mecanismo por el que el programa puede contribuir.

La palabra “productividad” necesita siempre denominador. Puede significar unidades por hora trabajada, valor añadido por empleado, rendimiento de una célula o tiempo directo ahorrado. El WEF identifica productividad laboral para la cifra global y delimita la multiplicación por cinco al área logística afectada. Fundir ambas medidas produciría un relato falso: una mejora localizada de cinco veces no ocurrió necesariamente en toda la fábrica.

Lo mismo vale para energía. Siemens informa de un 42 % menos de consumo en cuatro años y, dentro del proyecto de producción de semiconductores, de un sistema especial que redujo el consumo en más de un 50 %. Son perímetros diferentes. Antes de comparar conviene preguntar si el dato es absoluto o por unidad fabricada, qué edificios y procesos incluye, cuál fue el año base y si el volumen o la mezcla de producto cambiaron.

Cómo viaja una decisión desde el modelo hasta el proceso

Tomemos la prueba eléctrica. Un sistema clasifica señales y marca una unidad como potencialmente defectuosa. El primer indicador es la matriz de errores: fallos reales detectados, fallos que escapan, unidades buenas retenidas y unidades buenas liberadas. Reducir falsos positivos ahorra revisiones, pero solo es seguro si no aumenta los falsos negativos. El siguiente nivel mide tiempo de ciclo, acumulación de inventario y trabajo de diagnóstico. Después puede estudiarse la contribución a productividad o plazo.

En el bin picking, Siemens simula un robot, el contenedor y las piezas mediante gemelos digitales para entrenar percepción y movimiento antes de intervenir sobre hardware real. La simulación reduce el coste de generar escenarios y probar configuraciones, pero aparece una pregunta clásica: la distancia entre mundo simulado y planta. Cambian reflejos, desgaste, posición de piezas, iluminación y tolerancias. El despliegue necesita pruebas con componentes reales, límites de confianza y una salida segura cuando el sistema no reconoce la escena.

La integración entre tecnologías de información y operación hace posible cerrar ese circuito. Los datos de pruebas, órdenes, equipos y calidad deben compartir identidades, tiempos y significado. Si una señal no puede asociarse de forma fiable a la unidad, versión de producto y operación correctas, el modelo aprende correlaciones ambiguas. La arquitectura y la gobernanza de datos no son preparación administrativa: son parte del sistema de producción.

Un gemelo digital tampoco es una copia mágica. Puede representar geometría, comportamiento físico, secuencia de proceso o una combinación. Su utilidad depende de qué variables contiene, cómo se calibra y cuándo se actualiza. Para una decisión concreta hay que documentar qué parte de la realidad queda fuera. Un modelo suficiente para evitar una colisión quizá no prediga desgaste; uno útil para planificar espacio quizá no valide una trayectoria robótica.

El operario no es un “control” genérico

Decir que hay una persona en el circuito no basta. Hay que especificar quién recibe la alerta, qué información ve, cuánto tiempo tiene, qué puede modificar y quién responde por la decisión. En una inspección, el especialista puede revisar casos inciertos; en mantenimiento, confirmar una causa antes de detener equipo; en planificación, probar una alternativa en el gemelo. Cada función requiere autoridad y formación distintas.

La automatización puede liberar trabajo repetitivo, como sostiene Siemens, pero también desplazar carga hacia supervisión, etiquetado, resolución de excepciones y mantenimiento de modelos. Una evaluación honesta cuenta esas horas. Si el indicador solo registra el tiempo manual eliminado y omite el trabajo nuevo, sobreestima el beneficio y deja invisible una dependencia operativa.

La adopción segura necesita además reversibilidad. Debe ser posible volver a una regla o proceso conocido cuando faltan datos, cambia el producto o el modelo sale de su rango. Registrar versión, entrada, recomendación, decisión humana y resultado permite reconstruir incidentes. En industria, trazabilidad no es un informe posterior: es la condición para mejorar sin perder control.

Un método para trasladar el caso a otra fábrica

El primer paso es elegir una decisión, no una tecnología: por ejemplo, liberar una prueba, priorizar mantenimiento o seleccionar una pieza. El segundo es fijar una línea base local con volumen, calidad, energía, tiempo y coste de excepción. El tercero es definir métricas de modelo y proceso por separado. El cuarto es pilotar con un grupo comparable y criterios de parada. El quinto es medir la operación completa, incluida la supervisión humana, y documentar qué otros cambios coincidieron con el despliegue.

Después se puede escalar por módulos. Cien casos de uso no deben ser el objetivo inicial; son el resultado de disponer de datos, arquitectura y disciplina para repetir el ciclo. La cartera debe retirar aplicaciones que no generan valor, no acumularlas para mejorar una cifra de innovación. También conviene publicar intervalos, periodos y denominadores, no solo porcentajes.

Erlangen demuestra que una transformación digital puede sostener resultados medidos en una planta real. No demuestra que la IA, aislada, produjera cada punto del 69 %, 40 % o 42 %. Esa reserva no debilita el caso: enseña a encontrar el valor donde realmente se genera. Una fábrica aprende cuando puede conectar una predicción con una acción, esa acción con un cambio de proceso y ese cambio con una métrica cuya línea base conserva.