Por Kathya Santoyo

Históricamente, la industria ha utilizado datos para responder preguntas operativas como por qué se detuvo una línea de producción, cuándo debía reemplazarse un equipo o cómo reducir el consumo energético. En la actualidad, algunas empresas empiezan a utilizarlos para responder preguntas como qué productos les conviene fabricar.

El cambio no consiste únicamente en disponer de más información, sino en conectar datos operativos con decisiones que históricamente se tomaban lejos del piso de producción, desde la planeación comercial hasta la asignación de recursos y la rentabilidad.

“La industria ya entiende cómo utilizar datos para operar mejor, la pregunta ahora es cómo utilizar esos mismos datos para tomar mejores decisiones de negocio”, explica Chirayu Shah, Chief Product Officer de Cognite. En exclusiva para Global Energy en el marco del Impact World Tour de la compañía, explicó que durante décadas, operaciones, abastecimiento, planeación y áreas comerciales trabajaron sobre sistemas independientes con indicadores y procesos propios, lo que dificultó entender el impacto que una decisión podía generar en otra.

“Las empresas pasaron de digitalizar procesos aislados a buscar una visión integrada que les permita resolver problemas de negocio”, agrega Slimane Allab, Senior Vice President de Manufactura de Cognite. El directivo identifica como parte de ese nuevo alcance la determinación de qué combinación de productos ofrece mejores márgenes, dónde asignar capacidad productiva y cómo responder a cambios en la demanda sin afectar rentabilidad, decisiones que las plataformas de inteligencia operativa comienzan a incorporar.

La evolución de numerosos proyectos digitales muestra esa transición. Iniciativas que comenzaron enfocadas en mantenimiento, monitoreo de activos o eficiencia operativa han ampliado gradualmente su alcance hacia procesos de planeación y toma de decisiones, “las organizaciones quieren entender cómo una decisión impacta al conjunto del negocio y no únicamente a una parte del proceso”, afirman los ejecutivos.

Datos industriales como desafío detrás de la inteligencia artificial

La llegada de la inteligencia artificial ha acelerado esta evolución, pero también ha expuesto una limitación importante. Los modelos de lenguaje disponibles en el mercado fueron entrenados principalmente con información pública y datos de consumo, de manera que la mayor parte del conocimiento industrial permanece dentro de las organizaciones.

“Lo que compramos en el supermercado es muy diferente a lo que se revisa en el piso de producción”, explica Shah. De esa diferencia nace la clave, y es que la capacidad de una herramienta de inteligencia artificial para generar valor depende, cada vez más, de la calidad y profundidad de la información que puede interpretar. Esa información no está en datos genéricos, sino en el contexto real de la operación: manuales técnicos, historiales operativos, documentación de equipos y registros de mantenimiento.

De acuerdo con Cognite, los modelos enriquecidos con datos industriales autorizados por los clientes pueden mejorar su precisión entre 20% y 30% frente a modelos de propósito general en determinados casos de uso. Sin embargo, para Allab esa ventaja solo se materializa si antes se resuelve el núcleo del problema, que es integrar información fragmentada y darle un significado accionable, por encima de cualquier avance puramente matemático.

El impacto se nota en procesos como los análisis de causa raíz, donde lo que antes exigía semanas de trabajo y la intervención de varios especialistas, ahora se reduce drásticamente si la información relevante está integrada y disponible desde el principio. Esa reducción no proviene de un modelo más avanzado, sino de contar con los datos contextualizados antes de que comience el análisis.

La rápida evolución de la inteligencia artificial también ha impulsado una carrera por utilizar los modelos más avanzados disponibles. Sin embargo, no todas las tareas requieren el mismo nivel de complejidad. Shah compara esa práctica con utilizar un Ferrari para realizar entregas a domicilio. “En entornos industriales, algunas actividades requieren capacidades avanzadas de razonamiento, mientras que otras pueden resolverse mediante automatizaciones o modelos especializados de menor escala. La clave consiste en utilizar la herramienta adecuada para cada necesidad”.

Esa decisión también tiene implicaciones económicas, ya que conforme las organizaciones llevan proyectos de inteligencia artificial a producción, el consumo de recursos computacionales y los costos asociados comienzan a formar parte de la ecuación de negocio.

“No es algo que se entrega como una caja negra, sino una conversación continua sobre lo que se está utilizando y lo que se necesita. El reto ya no es generar más información. El reto es convertirla en decisiones de negocio”, concluyen.

Para muchas organizaciones industriales, ese cambio implica ampliar el alcance de la digitalización más allá de la operación. Si durante años el objetivo fue entender qué ocurría dentro de los activos, la siguiente etapa consiste en utilizar ese conocimiento para responder preguntas relacionadas con crecimiento, rentabilidad y competitividad. La diferencia puede definir qué proyectos de inteligencia artificial generan valor a escala y cuáles permanecen como iniciativas aisladas.