Mantenimiento industrial

La industria en España es el segundo sector con mayor dificultad para encontrar perfiles técnicos cualificados, según el estudio de Desajuste de Talento 2025 de ManpowerGroup.

Así que el problema es también cualitativo. Los perfiles técnicos de producción, operaciones y mantenimiento pertenecen a los cinco más difíciles de contratar. O sea que no hay técnicos. Y los que hay, cuando se van, se llevan décadas de conocimiento no documentado. Como consecuencia, según Ricardo Román, CSO de Fracttal, “el 90% de las empresas se limita al mantenimiento reactivo”, ya que no hay una fuente de datos sobre la que empezar a predecir tendencias.

La inteligencia artificial ofrece, por primera vez, una herramienta capaz de estructurar y hacer operable el conocimiento de los técnicos con más experiencia. El que no está escrito, el que se construye a partir de miles de intervenciones, de patrones de fallo reales, de decisiones tomadas en contexto.

Pero para que la IA aprenda, alguien tiene que enseñarle. Y aquí es donde entra una de las capacidades más transformadoras que la inteligencia artificial está desarrollando: la posibilidad de convertir información técnica en datos estructurados sobre los que puede trabajar.

Aún estamos en los primeros pasos de esta capacidad, pero la dirección es clara: un agente de IA puede recoger lo que un técnico describe en documentos o registros existentes, estructurarlo y, una vez integrado y validado en sistemas de mantenimiento como Fracttal One, convertirlo en procedimientos, alertas y criterios de actuación.

El conocimiento que vuelca el técnico veterano es valioso, pero no siempre neutral. “Las recomendaciones pueden verse influenciadas por tradiciones que quizá son más un rito que una necesidad técnica", advierte Ricardo Román.

El registro sistemático en las órdenes de trabajo es esa fuente de contraste. Cada intervención documentada permite que la IA integrada en los sistemas de gestión de mantenimiento vaya comprobando con el tiempo si el conocimiento transferido se sostiene o responde a un hábito sin base técnica real. El sistema aprende poco a poco, comparando esa información con los resultados de las intervenciones, y permite ajustarla o descartarla con el tiempo.

Por ejemplo, Fracttal AI permite subir un plan de mantenimiento completo y convertir de forma automática ese plan en acciones y tareas para el equipo técnico. Si no tienes un plan establecido, la IA puede recoger la referencia de tus activos y plantear una hoja de ruta de mantenimiento de esos equipos.

Después la IA, junto con los datos que reportan las órdenes de trabajo y los dispositivos IoT, define si ese plan funciona o tiene puntos de mejora que, trabajando de forma tradicional, no eran fácilmente detectables. Sobre esa base, puede detectar desviaciones y patrones que permiten anticipar fallos con mayor margen.

Las empresas que implementan IA en sus procesos de mantenimiento logran mejoras entre el 10 y 20% en productividad, y reducciones de hasta el 20% en costes, según un informe de McKinsey de 2023. Sin embargo, según el Informe IA en Mantenimiento de Fracttal, solo el 2% de las empresas tiene la IA plenamente integrada en mantenimiento.

La diferencia entre ese 2% y el resto no está en la tecnología disponible. Está en haber construido, con las herramientas adecuadas, una base de conocimiento sobre la que los agentes de IA pueden trabajar de verdad.

Hablar de una IA que preserve el conocimiento no es una metáfora. Pero la preservación no ocurre de forma automática. Lo cierto es que la IA no conserva lo que el técnico sabe, sino lo que la organización ha sido capaz de convertir en datos. Y eso implica gestionar ese conocimiento como un activo más de la operación.