La IA depende de la calidad de los datos que la alimentan, pero en la industria, estos también deben llegar con contexto y a tiempo para evitar interrupciones. Enriquecer los datos en el punto de captura puede acortar el tiempo de generación de valor en los proyectos de IA, afirma Steve Parvin, vicepresidente de CONNECT Data Harmonization en AVEVA.
El viejo principio de “basura entra, basura sale” sigue vigente en la era de la inteligencia artificial (IA). La industria entiende que la calidad de los datos de entrada determina la calidad de los resultados que se obtienen. Sin embargo, pocos líderes pueden explicar cómo es esa “basura” o cómo clasificarla (por tomar prestado un término de nuestra empresa local de gestión de residuos).
Casi dos tercios de las organizaciones (63%) no cuentan con las prácticas de gestión de datos adecuadas para la IA, o no están seguras de tenerlas, según una encuesta de Gartner. La firma de investigación prevé que las empresas abandonarán el 60 % de los proyectos de IA que no cuenten con datos preparados para la IA en 2026.¹
El verdadero valor, entonces, radica en una pregunta ligeramente distinta: ¿cómo pueden las empresas garantizar que sus datos estén preparados para la IA, de modo que los pilotos de IA y los casos de uso posteriores generen un impacto sostenido en el desempeño?²
Cómo cerrar la brecha de preparación de datos en la industria
Para responder, es necesario analizar de cerca las canalizaciones (pipelines) de datos industriales. Estos flujos de trabajo automatizados se construyeron en torno a un proceso de tres etapas: extracción, transformación y carga (ETL). Ese modelo funciona bien para la generación de informes, donde los datos se almacenan y las herramientas posteriores les dan sentido más adelante. Pero resulta menos adecuado para el análisis profundo en operaciones industriales, donde los datos son útiles solo durante un período breve y deben convertirse en información utilizable antes de que se cierre la ventana de oportunidad. Tampoco los enfoques existentes pueden gestionar realmente los cientos de trillones de datos que las empresas utilizan cada día para tomar decisiones estratégicas fundamentales.³
En la industria, los datos “basura” son aquellos cuya utilidad es limitada porque llegan demasiado tarde, carecen de contexto o no están armonizados con otras partes del negocio, como los sistemas de TI y empresariales. Una lectura de sensor solo cobra sentido cuando se vincula con el activo al que pertenece, el proceso que respalda y el historial operativo y de mantenimiento circundante. No todas las situaciones requieren esperar a que los datos brutos del sensor se transporten y sean procesados por una IA antes de recibir una alerta de que una máquina está a punto de fallar.
Cuanto más lejos viajan los datos industriales antes de ser procesados, menos útiles resultan los conocimientos que se obtienen. Más allá de la latencia, lo mismo ocurre con el tiempo y el esfuerzo manual dedicados a crear y conectar los flujos de trabajo que hacen utilizable la mayoría de los datos. Esa lectura de sensor que antes podía tardar minutos en transmitirse antes de emitirse como alerta ahora puede desencadenar una acción basada en condiciones en cuestión de segundos y notificar al equipo mediante un mensaje que también describe el estado del activo, sus condiciones operativas recientes y el posible impacto en el negocio si no se toman medidas.⁴
Cuando los equipos dependen de código escrito a mano e integraciones improvisadas, los ciclos de implementación de los proyectos de IA pueden avanzar a paso de tortuga.
Inteligencia que vive en el flujo
Por lo tanto, las canalizaciones de datos deben realizar una mayor parte del procesamiento numérico en etapas más tempranas del ciclo. Deben abarcar toda la pila de TI, OT y sistemas empresariales para enriquecer y analizar los datos a medida que fluyen. Y deben poder desencadenar acciones basadas en condiciones predefinidas por expertos en la materia.
En ese sentido, la canalización de datos pasa a formar parte de la manera en que el negocio responde.
Esto es lo que significa hoy la inteligencia en tiempo real en las operaciones industriales.
Una canalización más sólida cambia la calidad del flujo en sí. Lo logra capturando el contexto del evento o del activo, en lugar de transmitir simplemente valores brutos. El resultado es información que pueden comprender no solo las personas, sino también los sistemas de IA, que dependen del contexto operativo, de ingeniería y de mantenimiento para generar recomendaciones precisas. Los flujos modulares, de tipo low-code/no-code, que enriquecen y armonizan los datos en movimiento facilitan su uso tanto para las personas como para los modelos de IA. Y los nuevos casos de uso pueden pasar de meses de preparación a semanas, o incluso menos. Además, ayudan a crear un contexto operativo compartido en toda la organización, dando a las personas y a la IA una comprensión común de cómo se conectan los activos, los procesos y los sistemas.
En la planta de producción, este cambio se traduce en información utilizable para casos de uso que dependen de la actualidad de los datos y de un contexto coherente, como el monitoreo de calidad en tiempo real, la detección de anomalías y las acciones basadas en condiciones. Con menos espera y decisiones más rápidas, el resultado es un tiempo de generación de valor más corto. El negocio identifica la solución a sus problemas operativos mientras los resultados todavía pueden modificarse. Una vez que la lógica reside dentro del flujo, las acciones pueden ejecutarse con rapidez. Cada vez más, estos flujos de trabajo se están convirtiendo en la base de sistemas capaces de coordinar decisiones y acciones entre los equipos de operaciones, mantenimiento y la empresa en general.
IA a escala: de complemento externo a función integrada
En un caso concreto, un fabricante de extrusión de película con sede en Estados Unidos logró más de 5 millones de dólares en ahorros anuales, mientras que el inventario de productos terminados se redujo en un 200 %. El cambio se debió a la incorporación de inteligencia industrial en tiempo real, con información potenciada por IA que llegaba más rápido gracias a la integración de las canalizaciones entre los datos de operaciones y de la empresa. Ahora la compañía busca desbloquear aún más valor a partir de la IA y se está preparando para la planificación de la demanda impulsada por IA y la optimización de la fabricación.
Nos encontramos en el punto de la curva de adopción de la IA en el que la tecnología está pasando de ser un complemento externo a convertirse en una base integrada de los modelos de negocio, y un tercio (32 %) de los líderes en una encuesta reciente afirma que transformará las operaciones a medida que se expanda por toda la empresa, desde la planta hasta la alta dirección. Para lograrlo, los sistemas de IA deben alimentarse con datos que lleguen a tiempo y con contexto: a qué activo pertenece una lectura, cómo se relaciona con los sistemas circundantes, cómo su desviación podría alterar los flujos de simulación y el impacto resultante en la confiabilidad, la producción y los resultados financieros.
La investigación muestra que las empresas que operan como un negocio en tiempo real, donde los empleados cuentan con los datos para decidir y actuar de inmediato, suelen ser líderes de mercado. Las que se ubican en el cuartil superior en operaciones en tiempo real también logran un crecimiento de ingresos más de un 50 % superior y márgenes de utilidad casi el doble (97 % más altos) que los de sus pares. Con la IA, se puede avanzar rápido y ganar terreno, pero solo si los datos llegan listos para la toma de decisiones y a tiempo para actuar.
