Pregúntenle a cualquiera sobre IA en manufactura y lo primero que van a mencionar es mantenimiento predictivo. Sensores en máquinas, análisis de vibraciones, modelos que predicen cuándo algo va a fallar antes de que falle. Es un caso de uso real. Funciona. Y ya es estándar.

La mayoría de los fabricantes con sensores IoT ya tienen alguna versión de mantenimiento predictivo funcionando. Los que adoptaron temprano vienen con esto desde 2019-2020. El ROI fue real — una reducción del 30-40% en tiempos de parada no planificados es común. Pero hay un techo. Una vez que se capturaron los modos de falla principales y se redujeron las paradas imprevistas a un nivel manejable, las ganancias marginales se aplanan. Se está optimizando dentro de una banda estrecha.

Las oportunidades más grandes están en las partes de la manufactura sobre las que nadie da charlas en conferencias.

Programación de producción

La mayoría de los fabricantes todavía arman el programa de producción en planillas de cálculo. Algunos usan módulos básicos de programación de ERP que se diseñaron en los años 90. El programador — generalmente una o dos personas experimentadas — hace malabares con la disponibilidad de máquinas, los turnos del personal, el suministro de materiales, las prioridades de clientes y los tiempos de cambio de línea en su cabeza. Funciona, pero deja valor sobre la mesa.

La programación con IA optimiza la secuencia de corridas de producción basándose en datos en tiempo real: señales de demanda actuales, estado real de las máquinas, niveles de inventario de materiales y tiempos históricos de cambio de línea. Un fabricante de autopartes redujo los tiempos de cambio un 22% y aumentó el throughput un 15% reemplazando su proceso manual de programación con un sistema de optimización. El sistema no agregó máquinas ni personas. Solo secuenció mejor el trabajo.

La salvedad: la programación con IA solo funciona si se tienen datos limpios sobre las capacidades de las máquinas, tiempos de cambio y disponibilidad de materiales. Si esos datos viven en planillas y en la cabeza de la gente, primero hay que extraerlos y estructurarlos. Ese es el trabajo de descubrimiento de procesos que tiene que pasar antes del proyecto de IA.

Control de calidad

La visión por computadora en la línea de producción detecta defectos con 99.2% de precisión vs. aproximadamente 87% para inspectores humanos. Esos números vienen de ambientes controlados — el rendimiento real depende de la iluminación, la ubicación de las cámaras, la variedad de productos y los tipos de defectos. Pero incluso en condiciones reales desordenadas, los sistemas de visión consistentemente superan a la inspección manual en velocidad y consistencia.

La detección en sí es valiosa. Atrapar una pieza defectuosa antes de que salga ahorra el costo de devoluciones, retrabajo y quejas de clientes. Pero el valor real está en los datos.

Cuando se registra cada defecto con un timestamp, ID de máquina, número de lote y tipo de defecto, emergen patrones. Los defectos se disparan en la máquina 4 después de la ventana de mantenimiento del martes — quizás el procedimiento de recalibración tiene un problema. La tasa de defectos se duplica en piezas del último lote de material del proveedor B — quizás hay un problema de calidad aguas arriba. Las rayaduras superficiales aumentan durante el tercer turno — quizás es un tema de desgaste de herramental que el equipo maneja diferente a la noche.

Ninguna de estas observaciones es posible sin los datos. La inspección manual con una planilla no da la resolución para detectar patrones entre miles de piezas por día.

Coordinación de proveedores

El área de compras en manufactura es sorprendentemente manual. Órdenes de compra, confirmaciones de entrega, conciliación de facturas, manejo de excepciones — un fabricante mediano con 200-400 proveedores activos genera miles de documentos por mes que alguien tiene que procesar, verificar y conciliar.

Un fabricante mediano redujo su ciclo de compras de 8 días a 2 automatizando el matching de órdenes de compra, el seguimiento de entregas y el marcado de excepciones. El sistema lee las facturas entrantes, las cruza contra las órdenes de compra y los remitos de entrega, marca discrepancias (cantidad incorrecta, precio incorrecto, items faltantes), y rutea los matches limpios para aprobación automática. El equipo de compras pasó de procesar papeles a gestionar relaciones con proveedores — que es lo que deberían haber estado haciendo desde el principio.

No es tecnología exótica. Es procesamiento de documentos y automatización de flujos, aplicado a un conjunto específico de tipos de documentos (OC, facturas, remitos, comprobantes de entrega) en un contexto específico (compras de manufactura). Los modelos de IA son de propósito general. La configuración es a medida.

La brecha que importa

La tecnología para todo esto existe hoy. Optimización de programación de producción, visión por computadora para calidad, procesamiento inteligente de documentos para compras — son problemas resueltos a nivel tecnológico. La brecha no es técnica.

La brecha es conocimiento del proceso. La mayoría de los fabricantes todavía programa la producción en planillas porque nadie mapeó el proceso de programación lo suficiente como para automatizarlo. La inspección de calidad es manual porque nadie documentó exactamente cómo se ve "aceptable" para cada variación de producto. Compras funciona con email y llamadas telefónicas porque el flujo de adquisiciones nunca se escribió.

Los fabricantes que están sacando ventaja no son los que tienen la IA más avanzada. Son los que hicieron el trabajo aburrido de mapear sus procesos primero. Si están viendo por dónde empezar, nuestra página de soluciones cubre el enfoque por industria.

El mantenimiento predictivo fue el primer capítulo de la IA en manufactura. El siguiente capítulo es todo lo demás — la programación, los datos de calidad, el papeleo de proveedores. Es trabajo menos glamoroso. También es donde está la plata.