Inteligencia Artificial en la Industria 4.0: aplicaciones reales en planta

La inteligencia artificial en la industria 4.0 dejó de ser un tema de congreso y se volvió un asunto de piso de planta. En los últimos años he trabajado con empresas de manufactura, energía y consumo en México, y el patrón se repite: la conversación empieza en la dirección general, pero se gana o se pierde en producción, en mantenimiento y en calidad.

Este artículo es lo que le respondo a un director de operaciones cuando me pregunta, sin rodeos, qué puede hacer hoy la IA en su planta.

Qué significa realmente industria 4.0

Industria 4.0 es el nombre que se le puso a la cuarta revolución industrial: la que conecta máquinas, sensores y sistemas para que la planta genere datos y esos datos regresen convertidos en decisiones. Los pilares son conocidos, internet de las cosas, robótica, gemelos digitales, computación en la nube.

La inteligencia artificial es la capa que le da sentido a todo lo demás. Sin ella tienes una planta que mide mucho y decide poco. Una fábrica llena de sensores que nadie lee no es industria 4.0, es industria 3.0 con recibos de internet más caros.

Las cuatro aplicaciones que sí están funcionando

Mantenimiento predictivo

Es la aplicación con el retorno más claro y por eso casi siempre es por donde recomiendo empezar. En lugar de cambiar una pieza por calendario o esperar a que truene, un modelo aprende la firma de vibración, temperatura y consumo de un equipo sano y avisa cuando esa firma empieza a degradarse.

Lo que cambia no es solo el costo del refaccionamiento. Cambia la planeación: dejas de tener paros no programados, que son los que de verdad cuestan, porque arrastran turno, línea y compromiso de entrega.

Inspección de calidad por visión

Una cámara y un modelo entrenado revisan el cien por ciento de las piezas, no una muestra. Detectan defectos que el ojo humano no alcanza a ver al ritmo de la línea, y lo hacen igual a las tres de la mañana que a las nueve.

Aquí hay una trampa que conviene decir en voz alta: el modelo solo es tan bueno como las fotos de defectos con las que lo entrenaste. Si tu planta nunca documentó los rechazos, el primer proyecto no es de IA, es de recolección de datos.

Planeación y cadena de suministro

Pronosticar demanda, optimizar rutas, decidir cuánto inventario tener y dónde. Es el terreno donde la IA lleva más tiempo trabajando y donde muchas empresas mexicanas ya tienen sistemas que no saben que usan modelos.

El salto reciente está en poder hacerle preguntas al sistema en lenguaje natural. Un gerente de planta que no sabe consultar una base de datos ahora puede preguntar por qué se cayó el nivel de servicio en una región y recibir una respuesta con el desglose.

Energía y consumo

Con el costo de la energía como está en México, optimizar el consumo dejó de ser un tema ambiental y se volvió un tema financiero. Los modelos que ajustan operación de equipos según demanda y tarifa horaria pagan la inversión rápido y son de los proyectos menos conflictivos políticamente, porque nadie siente que le están quitando el trabajo.

Por qué fracasan los proyectos de IA en planta

He visto más pilotos morir por razones organizacionales que técnicas. Tres causas se repiten.

La primera es que el proyecto nace en sistemas y nunca baja a operación. Si el jefe de mantenimiento no participó en definir qué se iba a predecir, no va a confiar en la alerta y va a seguir con su rutina.

La segunda es el dato. Casi todas las plantas tienen datos, pero fragmentados entre el sistema de control, la hoja de cálculo del supervisor y la libreta del técnico. Ese trabajo aburrido de unificar el dato es el 70 por ciento del proyecto y es el que nadie quiere presupuestar.

La tercera es que se compra una plataforma antes de tener un problema definido. El orden correcto es al revés: qué duele, cuánto cuesta que duela, y solo entonces con qué se resuelve.

De piloto a producción

Un piloto que funciona en una máquina no es un proyecto exitoso, es una prueba de concepto. El salto a producción exige tres cosas que casi nunca están en la propuesta original: quién atiende la alerta cuando suena, cómo se reentrena el modelo cuando cambia el producto o el proveedor de materia prima, y qué pasa el día que el modelo se equivoca.

En mis conferencias insisto mucho en el último punto, porque es el que separa a las empresas que escalan de las que se quedan coleccionando pilotos. Un modelo se va a equivocar. La pregunta no es si, es qué tan caro sale y quién se da cuenta.

Agentes que supervisan agentes

Lo más interesante que está pasando ahora mismo en manufactura no es un modelo más preciso, es la orquestación: encadenar varios sistemas para que uno recoja el dato, otro lo analice, otro genere la orden de trabajo y otro revise que la orden tenga sentido antes de que llegue a un humano.

Ese último paso, un agente que valida el trabajo de otros agentes y le busca fallas, es control de calidad aplicado al software mismo. Es la diferencia entre un flujo que puedes dejar corriendo y un experimento que necesita niñera.

Cómo empezar sin gastar de más

El consejo que doy siempre es el mismo. Escoge una línea, no la planta entera. Escoge un problema que ya estés midiendo en dinero, para que no haya discusión sobre si mejoró. Ponle fecha de corte de tres meses. Y mete desde el día uno a la persona que va a vivir con el resultado.

Si en tres meses no puedes mostrar un número que a tu director financiero le importe, el problema estaba mal elegido, y eso también es información valiosa.

Preguntas frecuentes

¿Qué es la inteligencia artificial en la industria 4.0?

Es el uso de modelos que aprenden de los datos de planta para tomar o sugerir decisiones operativas: predecir fallas de equipo, detectar defectos de calidad, planear producción y optimizar consumo de energía. Es la capa que convierte los datos que generan los sensores en decisiones.

¿Por dónde conviene empezar en una planta?

Por mantenimiento predictivo o por inspección de calidad, porque son los casos con retorno más medible y menos resistencia interna. Siempre en una sola línea o un solo equipo, con un problema que ya se esté midiendo en dinero.

¿Cuánto tarda en verse un resultado?

Un piloto bien acotado debería dar señales en tres meses. Si a los tres meses no hay un número que le importe a finanzas, normalmente el problema estaba mal elegido, no la tecnología.

¿Se necesita cambiar la maquinaria?

Casi nunca de entrada. La mayoría de los proyectos arrancan con sensores añadidos y con los datos que el sistema de control ya guarda. La inversión grande en maquinaria viene después, y solo si el caso lo justificó.

Llevo esta conversación a tu planta

Soy Wario Duckerman, conferencista de inteligencia artificial y CEO de Brita Inteligencia Artificial. He trabajado con empresas de manufactura y consumo como Oerlikon, FEMSA, Lyncott, Novartis, CISCO y Alestra, y doy conferencias y sesiones a puerta cerrada sobre IA aplicada a la operación en México y América Latina.

Si quieres que esta conversación llegue a tu equipo de operaciones, aquí está mi perfil como conferencista de inteligencia artificial y aquí puedes escribirme para revisar fechas.