Fabricación Industrial
Sistemas de IA para fabricantes que sobreviven a las condiciones de planta, se integran con la infraestructura OT existente y escalan más allá de la línea piloto.
La IA en la fabricación rara vez falla en el algoritmo. Falla en la capa de integración: el punto donde datos limpios y contextualizados de una red de control que opera 24/7 tienen que llegar a un modelo sin interrumpir la línea. Nuestro enfoque consiste en construir una IA de fabricación diseñada para sobrevivir a las condiciones de la planta, integrarse con la infraestructura OT existente y escalar más allá de la línea piloto, trabajando de forma neutral respecto al proveedor con cualquier combinación de equipos que ya haya en su planta.
Por qué fracasan los pilotos de IA en la fabricación
Este es el patrón que vemos en casi todos los proyectos de IA en la fabricación: un proveedor ejecuta una prueba de concepto en una línea de producción, las cifras de precisión lucen excelentes y alguien muestra una presentación de diapositivas al vicepresidente de Operaciones. Seis meses después, el sistema o bien sigue funcionando en esa única línea sin plan de expansión, o los operarios han empezado discretamente a anularlo porque la precisión se degradó y nadie presupuestó el reentrenamiento del modelo.
IDC descubrió que el 88 % de las pruebas de concepto de IA nunca llegan al despliegue en producción. En la fabricación en concreto, la tasa de despliegue se sitúa en torno al 13-16 %. Las razones no son un misterio, pero son estructurales: la IA en la planta falla en la capa de integración, no en la capa del algoritmo.
El problema de integración OT/IT que lo bloquea todo
La mayoría de las plantas de fabricación operan una infraestructura de automatización diseñada para la fiabilidad y el aislamiento, no para compartir datos. Los PLC se comunican mediante protocolos propietarios, los sistemas SCADA registran en historiadores locales y las plataformas MES se ubican detrás de cortafuegos que los ingenieros de planta son comprensiblemente reacios a abrir. Una encuesta de Gartner de 2025 descubrió que el 61 % de los fabricantes califican su integración OT/IT como básica o inexistente.
Este es el muro con el que chocan los proyectos de IA. Puede construir el modelo de mantenimiento predictivo más sofisticado del mundo, pero si no logra llevar datos limpios y contextualizados desde la capa de control hasta el modelo sin interrumpir una red de producción que funciona 24/7, el modelo nunca llega a producción.
La arquitectura que están adoptando las plantas con visión de futuro es un espacio de nombres unificado (Unified Namespace) construido sobre OPC UA para el contexto a nivel de máquina y MQTT con Sparkplug B (ratificado como estándar ISO/IEC en 2023) para el transporte de datos empresariales. Sustituye la maraña de integraciones punto a punto por una arquitectura de publicación-suscripción en la que cada fuente de datos —desde un sensor de vibración en un husillo CNC hasta una orden de producción del ERP— publica en un único espacio de nombres semántico.
Las instalaciones que lo implementan informan de una reducción del 60 al 80 % en el tiempo de despliegue de la IA, porque la fontanería de datos se resuelve una sola vez, en lugar de rediseñarse para cada caso de uso. Nuestro enfoque consiste en diseñar estas arquitecturas para plantas de tipo brownfield, trabajando con cualquier combinación de equipos Siemens, Rockwell, Mitsubishi o heredados que ya haya en la planta.
Mantenimiento predictivo más allá de la moda
El análisis de vibraciones para equipos rotativos ha sido una disciplina madura desde los años noventa: empresas como Emerson (CSI), SKF y Fluke llevan décadas vendiendo hardware y software de monitorización de condición. Cuando un proveedor le dice que ha inventado el mantenimiento predictivo impulsado por IA, normalmente quiere decir que ha añadido una capa de aprendizaje automático sobre un único flujo de monitorización de condición, típicamente la vibración, y lo ha llamado predictivo.
La verdadera oportunidad, y la razón por la que la economía resulta convincente, es fusionar múltiples flujos de monitorización de condición con el contexto de producción: vibración más termografía más análisis de la firma de corriente del motor más emisión acústica, correlacionados con lo que la máquina estaba produciendo realmente en ese momento, produce estimaciones de vida útil restante que el análisis de un solo flujo no puede lograr.
ABB encuestó a 3200 responsables de mantenimiento de plantas y descubrió que dos tercios de las empresas experimentan tiempo de inactividad no planificado al menos una vez al mes, con un coste medio de 125 000 dólares por hora. En toda la fabricación, el tiempo de inactividad no planificado tiene un coste estimado de 50 000 millones de dólares anuales. Las plantas que despliegan bien el mantenimiento predictivo multiflujo informan de:
- reducción del 25 al 40 % en los costes de mantenimiento;
- 50 % menos incidentes de tiempo de inactividad no planificado;
- ROI que normalmente se materializa en un plazo de 12 a 18 meses.
Un proyecto se dimensiona para construir la canalización de fusión de sensores, la capa de inferencia en el borde (detallada en nuestra investigación sobre la latencia de la IA nativa en el borde en la fabricación), y la integración con su CMMS —ya sea SAP PM, Maximo o Fiix— para que el equipo de mantenimiento vea órdenes de trabajo accionables, no salidas de modelo en bruto.
Inspección de calidad que resiste bajo condiciones de producción
La inspección por visión con IA funciona. Los despliegues documentados muestran tasas de detección de defectos un 90 % mejores que la inspección manual, con una precisión de entre el 95 y el 99 % a velocidades que los inspectores humanos no pueden mantener. El problema es que esas cifras provienen de conjuntos de validación recopilados con iluminación controlada, orientación de piezas constante y ópticas limpias.
A las seis semanas de producción —después de que la iluminación haya cambiado con las estaciones, el utillaje se haya desgastado, los lotes de material hayan cambiado y las partículas del esmerilado o la soldadura hayan recubierto la lente de la cámara— la precisión se degrada silenciosamente. El sistema no arroja un error; simplemente empieza a dejar pasar piezas defectuosas o a rechazar piezas buenas. Si rechaza demasiadas piezas buenas, el supervisor de línea lo anula. Si deja pasar piezas defectuosas, se entera por las devoluciones de los clientes. Ambos resultados son peores que no tener el sistema en absoluto, porque se asume el coste del despliegue más una falsa sensación de cobertura.
Nuestro enfoque consiste en diseñar sistemas de inspección que tengan en cuenta la deriva de producción:
- Monitorización ambiental que activa la recalibración cuando las condiciones de iluminación o contaminación cambian más allá de los umbrales;
- Canalizaciones de conjuntos de datos que recopilan y etiquetan automáticamente los casos límite para las actualizaciones del modelo;
- Detección de degradación que alerta a los ingenieros de calidad antes de que la precisión caiga por debajo del límite de control.
El modelo de inspección es la parte fácil. El despliegue endurecido para producción es donde reside la ingeniería: vea nuestra demostración funcional de inspección de fabricación con IA en el borde.
La brecha de los gemelos digitales
el 64 % de los proyectos de gemelos digitales nunca superan la fase piloto, y la causa raíz casi siempre son los datos, no la tecnología de simulación. Construir una simulación basada en la física de una línea de producción es sencillo si se dispone de los modelos CAD y los parámetros de proceso. Mantenerla sincronizada con la realidad requiere flujos de datos en vivo de cada sensor, actuador y controlador relevante, contextualizados con los programas de producción, los lotes de material y el historial de mantenimiento.
La mayoría de las plantas no tienen esa canalización. Los datos de su historiador están incompletos, etiquetados de forma inconsistente y almacenados en formatos que necesitan un ETL personalizado antes de alimentar algo útil. Siemens demostró su Digital Twin Composer en NVIDIA Omniverse en la Hannover Messe 2026, con PepsiCo como socio de lanzamiento. Los motores de simulación son reales; la brecha está en la infraestructura de datos que los alimenta. Nuestro enfoque parte del fundamento de datos, no de la capa de simulación.
Ciberseguridad cuando la OT se encuentra con la IA
Conectar las redes de control de la planta a los sistemas de IA abre una superficie de ataque que la mayoría de los equipos de TI de fabricación no están preparados para defender. Los actores de amenazas que apuntan al sector de la fabricación aumentaron un 71 % entre 2024 y principios de 2025, y el tiempo medio para identificar y contener una brecha en la fabricación es de 272 días, muy por encima de la media intersectorial.
El desafío es que la ciberseguridad OT y la ciberseguridad IT son disciplinas diferentes. IEC 62443 define la arquitectura de seguridad de zonas y conductos para la automatización industrial, y NIST publicó su Marco de Ciberseguridad 2.0, Perfil de Fabricación (IR 8183 Rev 2) en 2025. Pero la mayoría de los despliegues de IA abren agujeros en el límite de la red OT para extraer datos, creando exactamente el tipo de vía de movimiento lateral no gobernada que estos marcos están diseñados para prevenir. Nuestro enfoque consiste en diseñar arquitecturas de datos de IA que respeten la segmentación de la red OT —utilizando computación en el borde y diodos de datos unidireccionales cuando sea necesario— para que la IA obtenga sus datos sin convertir la red de control en un vector de ataque.
El cambio regulatorio: maquinaria habilitada con IA
El Reglamento de Máquinas de la UE 2023/1230 sustituye a la Directiva de Máquinas 2006/42/CE el 20 de enero de 2027, sin periodo de transición. Por primera vez, el reglamento cubre explícitamente las funciones de seguridad basadas en IA en la maquinaria. Los fabricantes deben:
- Documentar las prácticas de gobernanza de datos, las versiones de los datos de entrenamiento y las especificaciones de diseño del sistema para garantizar la trazabilidad;
- Proporcionar una explicación detallada de los procesos de toma de decisiones de la IA.
Si vende maquinaria con funciones de seguridad habilitadas con IA en el mercado de la UE, su programa de cumplimiento debe estar en marcha ahora, no seis meses antes del plazo. Nuestro enfoque ayuda a los fabricantes a mapear su maquinaria habilitada con IA con los nuevos requisitos, a construir los artefactos de documentación y a preparar los expedientes técnicos que revisarán los organismos de evaluación de la conformidad.
Escalar más allá de la línea piloto
El mayor desperdicio en la IA de fabricación no es un piloto fallido: es un piloto exitoso que nunca escala. La planta demostró el concepto en la Línea 3, las métricas lucían bien y no pasó nada porque nadie planificó el trabajo de integración, la canalización de reentrenamiento o la infraestructura para dar soporte a 12 líneas en lugar de una. Deloitte informa de que la adopción de la IA agéntica en la fabricación se cuadruplicará del 6 % al 24 % en 2026. La demanda está ahí; la brecha de ejecución está en el escalado, no en el pilotaje.
Estructuramos los proyectos en torno al despliegue en producción desde el primer día: la línea piloto es una plantilla, la arquitectura de datos admite la expansión multilínea, la canalización de reentrenamiento está automatizada y la integración MES/ERP está parametrizada. Como esa fontanería se diseña una vez y se reutiliza, extenderse de una línea a doce está pensado para ser un cambio de configuración medido en semanas en lugar de otro proyecto de dieciocho meses.
¿Por qué no el gran integrador de sistemas o el proveedor de la plataforma?
Los proveedores de plataformas como Siemens, Rockwell y PTC construyen una excelente infraestructura de automatización, pero sus capacidades de IA están diseñadas para mantenerlo dentro de su ecosistema. Una planta con mucho Siemens obtiene IA de Siemens; una planta Rockwell obtiene IA de Rockwell. Si su planta opera con automatización mixta —como hacen la mayoría— ninguno de los proveedores tiene un incentivo para construir la capa de integración multiplataforma, y cambiar de proveedor de automatización puede costar más que construir una nueva instalación.
Las grandes consultoras cobran de 300 a 500 dólares por hora, ejecutan estos proyectos durante 6 a 18 meses y los dotan de personal de grupos generales. Gestionan bien los programas, pero las personas que redactan el pliego de trabajo (SOW) rara vez depuran fallos de comunicación de los PLC ni diseñan despliegues en el borde que sobrevivan a las interferencias electromagnéticas (EMI) de una celda de soldadura (vea nuestro documento técnico sobre IA nativa en el borde para la fabricación). Nuestro modelo consiste en trabajar de forma neutral respecto al proveedor, construir a medida para la combinación de equipos y la arquitectura de datos de cada planta, y dotarnos de ingenieros con experiencia en planta: un equipo más pequeño y enfocado, sin dependencia de plataformas.
Puntos clave
- La IA de fabricación falla en la capa de integración, no en el algoritmo, y por eso solo entre el 13 y el 16 % de los pilotos llegan a producción.
- Un espacio de nombres unificado sobre OPC UA y MQTT Sparkplug B resuelve la fontanería de datos de una vez, reduciendo el tiempo de despliegue de la IA entre un 60 y un 80 %.
- El mantenimiento predictivo multiflujo (vibración, termografía, firma de corriente, emisión acústica) reduce los costes de mantenimiento entre un 25 y un 40 % y reduce en un 50 % los incidentes de inactividad, con ROI en 12 a 18 meses.
- La inspección por visión y los gemelos digitales viven o mueren en función de las canalizaciones de datos endurecidas para producción, no del modelo ni del motor de simulación.
- La seguridad consciente de la OT (IEC 62443, NIST IR 8183 Rev 2) y la preparación para el Reglamento de Máquinas de la UE 2023/1230 deben diseñarse ahora, antes del plazo del 20 de enero de 2027.
- Nuestros proyectos se construyen de forma neutral respecto al proveedor y a medida, diseñados para escalar de una línea a doce en cuestión de semanas.
Fabricación Industrial
VerIA para la recuperación de materiales y la clasificación de plásticos negros | Veriprajna
El pigmento de negro de carbón absorbe la luz del infrarrojo cercano. Cada bandeja de PP negro, recipiente de PE y carcasa de ABS que su clasificador óptico no detecta acaba en el rechazo y, después, en el vertedero. Nosotros construimos la capa de detección MWIR e IA en el borde que lo recupera.
VerIA en el borde para la inspección de calidad en fabricación | Veriprajna
Tanto si está evaluando la inspección basada en IA por primera vez, como si se está recuperando de un piloto en la nube que no pudo cumplir con el tiempo de ciclo, o escalando un prototipo funcional a 15 plantas, el problema es el mismo: llevar la IA en el borde a producción es un reto de integración y operaciones, no una compra de hardware.
Preguntas Frecuentes
¿Por qué el 88 % de los pilotos de IA en la fabricación no llegan a producción?
El modelo casi nunca es el problema. La capa de integración sí lo es. Los pilotos de IA en la fabricación fracasan porque se construyen sobre canalizaciones de datos improvisadas que no escalan, requieren un preprocesamiento manual de datos que nadie mantiene después de que el científico de datos se marcha, carecen de integración con los sistemas MES, ERP o CMMS de la planta y nunca se diseñaron para las condiciones ambientales de una planta de producción. Una encuesta de Gartner de 2025 descubrió que el 61 % de los fabricantes califican su integración OT/IT como básica o inexistente, lo que significa que la base de datos que la IA necesita sencillamente no está ahí. Estructuramos cada proyecto en torno al despliegue en producción desde el principio: la arquitectura de datos se diseña para el escalado multilínea, la canalización de reentrenamiento del modelo está automatizada y la integración con los sistemas de planta está parametrizada, de modo que la expansión es un cambio de configuración, no un proyecto de reingeniería.
¿Cuál es el coste real del tiempo de inactividad no planificado y cómo cambia las cuentas la IA de mantenimiento predictivo?
ABB encuestó a 3200 responsables de mantenimiento de plantas de todo el mundo y descubrió que dos tercios de las empresas experimentan tiempo de inactividad no planificado al menos una vez al mes, con un coste medio de 125 000 dólares por hora. En toda la fabricación, el tiempo de inactividad no planificado cuesta un estimado de 50 000 millones de dólares anuales, con costes que han aumentado un 50 % desde 2019. Las plantas que despliegan bien el mantenimiento predictivo, es decir, la monitorización de condición multiflujo (vibración más termografía más firma de corriente más emisión acústica) fusionada con datos de contexto de producción, informan de una reducción del 25 al 40 % en los costes de mantenimiento y un 50 % menos de incidentes de tiempo de inactividad no planificado, con un ROI que normalmente se materializa en un plazo de 12 a 18 meses. La palabra crítica es «bien». Los despliegues de un solo sensor y un solo algoritmo rara vez ofrecen estos rendimientos porque pasan por alto los modos de fallo que solo aparecen a través de múltiples flujos de datos.
¿Cómo llevamos los datos de la planta a los modelos de IA sin interrumpir la red de control?
La arquitectura que funciona es un espacio de nombres unificado (Unified Namespace) construido sobre OPC UA para el contexto de datos a nivel de máquina y MQTT con Sparkplug B para el transporte de datos empresariales. OPC UA proporciona el rico modelo de datos semántico, describiendo qué significa cada punto de datos en su contexto operativo. MQTT Sparkplug B (ratificado como estándar ISO/IEC en 2023) proporciona un transporte eficiente de publicación-suscripción que reduce el tráfico de red entre un 80 y un 95 % en comparación con el sondeo (polling). Las pasarelas de borde se sitúan en el límite OT/IT, leyendo de los PLC y los sistemas SCADA en el lado del control y publicando en el espacio de nombres en el lado de la TI, sin abrir vías bidireccionales hacia la red de control. Las instalaciones que implementan esta arquitectura informan de una reducción del 60 al 80 % en el tiempo de despliegue de la IA porque los nuevos casos de uso consumen datos que ya están en el espacio de nombres en lugar de requerir nuevas integraciones punto a punto.
¿Qué exige el Reglamento de Máquinas de la UE 2023/1230 para las funciones de seguridad habilitadas con IA?
El Reglamento de Máquinas de la UE 2023/1230 sustituye a la Directiva de Máquinas 2006/42/CE el 20 de enero de 2027, sin periodo de transición. Por primera vez, cubre explícitamente el software y los sistemas de IA que desempeñan funciones de seguridad en la maquinaria. Los fabricantes deben mantener documentación de las prácticas de gobernanza de datos, las versiones de los datos de entrenamiento y las especificaciones de diseño del sistema para respaldar la trazabilidad. También deben proporcionar una explicación detallada del proceso de toma de decisiones de la IA para el mantenimiento, la formación y el análisis de incidentes. El reglamento también introduce nuevos requisitos de ciberseguridad para la maquinaria conectada. Si fabrica o integra maquinaria habilitada con IA para el mercado de la UE, su programa de cumplimiento y su documentación técnica deben estar en curso ahora.
¿Por qué se degrada la precisión de la inspección con IA después de unas pocas semanas en producción?
La precisión de validación se mide en condiciones controladas: iluminación constante, ópticas limpias, orientaciones de pieza conocidas, lotes de material estables. Las condiciones de producción son diferentes. La iluminación cambia con las estaciones y a medida que las bombillas envejecen. Las lentes de las cámaras acumulan partículas del esmerilado, la soldadura o la niebla de refrigerante. El desgaste del utillaje cambia la geometría de la pieza dentro de la tolerancia, pero fuera de la distribución de entrenamiento. Los cambios de lote de material introducen variaciones en el acabado superficial que el modelo nunca ha visto. Ninguno de estos factores desencadena un error. El sistema simplemente empieza a tomar más decisiones erróneas. Abordamos esto con monitorización ambiental que activa la recalibración cuando las condiciones derivan, canalizaciones automatizadas de conjuntos de datos que recopilan y etiquetan los casos límite para las actualizaciones del modelo, y detección de degradación que alerta a los ingenieros de calidad antes de que la precisión caiga por debajo de los límites de control. El modelo de inspección es la parte sencilla. Mantenerlo preciso en condiciones de producción es el desafío de ingeniería.
¿Cómo aseguramos las redes OT que ahora alimentan sistemas de IA?
Los actores de amenazas que apuntan a la fabricación aumentaron un 71 % entre 2024 y principios de 2025, y el tiempo medio para identificar y contener una brecha en la fabricación es de 272 días. La mayoría de los despliegues de IA crean riesgo al abrir agujeros en los límites de la red OT para extraer datos, generando vías de movimiento lateral no gobernadas. El enfoque correcto utiliza la arquitectura de zonas y conductos de IEC 62443 como base, con nodos de computación en el borde que se sitúan en el límite OT/IT y envían los datos hacia el exterior a través de vías unidireccionales. El modelo de IA consume datos del lado de la TI del límite, sin acceder nunca directamente a la red de control. El Marco de Ciberseguridad 2.0, Perfil de Fabricación (IR 8183 Rev 2) de NIST proporciona el marco de gestión de riesgos. Diseñamos arquitecturas de datos de IA que cumplen tanto con IEC 62443 como con el perfil de fabricación de NIST, de modo que la planta obtiene capacidades de IA sin ampliar su superficie de ataque.
¿Es real la IA agéntica para la programación de la producción o solo optimización con otro nombre?
En parte ambas cosas. La optimización de la programación de la producción mediante solucionadores de restricciones y heurísticas tiene décadas de antigüedad. Lo que añade la IA agéntica es la capacidad de reaccionar de forma autónoma ante las interrupciones: un agente monitoriza los datos de producción en tiempo real, detecta una desviación (fallo de máquina, escasez de material, pedido urgente), evalúa opciones frente a las restricciones (fechas de entrega, disponibilidad de mano de obra, costes de cambio) y ajusta la programación sin esperar a un planificador humano. Deloitte proyecta que la adopción de la IA agéntica en la fabricación se cuadruplicará del 6 % al 24 % en 2026. Más del 40 % de los fabricantes con sistemas de programación planean añadir capacidades impulsadas por IA este año. La tecnología funciona para problemas de programación bien definidos con restricciones claras y resultados medibles. Donde tiene dificultades es en plantas con alta variabilidad, cambios de ingeniería frecuentes o mala calidad de los datos, porque las decisiones del agente son tan buenas como los datos y los modelos de restricciones sobre los que opera.
¿Por qué contratar una consultora especializada en lugar de los servicios de IA de nuestro proveedor de automatización o una firma Big Four?
Los proveedores de plataformas construyen IA que profundiza su dependencia de su ecosistema. La IA de Siemens está diseñada para plantas Siemens. La IA de Rockwell funciona mejor con la infraestructura Allen-Bradley. Si su planta opera con automatización mixta, y la mayoría lo hace, ninguno tiene un incentivo para construir la integración multiplataforma que usted necesita. Cambiar de ecosistema de automatización puede costar más que construir una nueva instalación, por lo que la IA del proveedor a menudo lo ata aún más. Las grandes consultoras cobran de 300 a 500 dólares por hora, ejecutan proyectos de IA de fabricación durante 6 a 18 meses por 500 000 dólares a 5 millones o más, y los dotan de personal de grupos generales. Gestionan bien los programas, pero rara vez cuentan con ingenieros que hayan configurado servidores OPC UA, depurado fallos de comunicación de los PLC durante una ejecución de producción o diseñado un despliegue en el borde que sobreviva a las interferencias electromagnéticas (EMI) de una celda de soldadura. Trabajamos de forma neutral respecto al proveedor con cualquier combinación de equipos que haya en su planta, construimos a medida para su arquitectura de datos y requisitos de integración específicos, y entregamos con ingenieros que tienen experiencia en planta.
Construya su IA con confianza.
Colabore con un equipo que cuenta con amplia experiencia en la creación de la próxima generación de IA empresarial. Permítanos ayudarle a diseñar, construir e implementar una estrategia de IA en la que pueda confiar.
Veriprajna consultora de Deep Tech está especializada en la creación de sistemas de IA críticos para la seguridad en los sectores de salud, finanzas y ámbitos regulatorios. Nuestras arquitecturas se validan conforme a protocolos establecidos, con documentación de cumplimiento integral.