Durante una sesión de formación en la planta de producción, un operario veterano le dice a un nuevo empleado: «Oirá un ruido de vibración procedente de la máquina».
«No oigo nada», responde el aprendiz.
«No, lo notará», explica el experto. «Es una intuición que he desarrollado tras trabajar aquí durante 30 años».
Esa conversación, compartida por Siva Lakshmanan, director ejecutivo de DeepHow, refleja lo que está ocurriendo en las plantas de fabricación de todo el mundo. Por un lado, décadas de experiencia operativa se están perdiendo a medida que los trabajadores con experiencia se jubilan. Por otro, hay una gran cantidad de datos de producción atrapados en sistemas desconectados, que no pueden utilizarse para tomar las decisiones más importantes.
En Operations Calling , líderes del sector de DeepHow, Hexagon y NVIDIA se reunieron para debatir cómo la inteligencia artificial está transformando las fábricas inteligentes. La conversación se centró en una carencia fundamental: la mayoría de los fabricantes se centran bien en la infraestructura de datos, bien en la captura de conocimientos, pero rara vez en ambas cosas. Este artículo analiza por qué la inteligencia artificial solo funciona cuando estos pilares se construyen conjuntamente, y cómo dar los primeros pasos.
Fundación Uno, La crisis del conocimiento
Por qué se está perdiendo el conocimiento operativo
La falta de mano de obra cualificada en el sector manufacturero no se limita a los puestos vacantes, sino que se refiere a la «fuga de cerebros» que se produce a medida que los trabajadores con experiencia abandonan el sector. Las previsiones del sector estiman que para 2030 podrían quedar sin cubrir hasta 30 millones de puestos de trabajo en la industria manufacturera, pero la crisis más grave es la pérdida de conocimiento tácito: esas décadas de intuición operativa que nunca se documentaron y que a menudo resultan imposibles de expresar con palabras.
El colapso de la transferencia natural
Durante décadas, los conocimientos técnicos se transmitían a través de programas de formación de larga duración. Ese modelo se ha desmoronado debido a dos factores:
Antigüedad: La antigüedad media en el sector manufacturero ha descendido a menos de cinco años, lo que significa que los trabajadores con más experiencia abandonan la empresa antes de poder formar adecuadamente a sus sucesores.
Complejidad: Las operaciones modernas implican tolerancias más estrictas y equipos más sofisticados, lo que aumenta la diferencia entre «seguir el procedimiento operativo estándar» y «hacerlo bien» de verdad.
Definición de la brecha de «conocimientos técnicos»
«Este conocimiento es de naturaleza tácita... no es algo que se pueda plasmar fácilmente por escrito ni siquiera explicar con facilidad». —Siva Lakshmanan, director ejecutivo de DeepHow
El conocimiento no se encuentra en un manual; es la intuición operativa necesaria para mantener el flujo de la producción:
Señales sensoriales: Detectar una vibración que indique un problema antes de que se active el sensor.
Los entresijos de la máquina: Dominar las secuencias de configuración específicas que permiten que una máquina caprichosa funcione sin problemas.
Consejos prácticos de Tribal: saber qué códigos de error son realmente importantes y qué soluciones alternativas resuelven los problemas recurrentes.
Por ejemplo, se puede comparar con enseñar a un niño a montar en bicicleta: se le puede explicar la física, pero el niño debe verlo y sentirlo para comprenderlo.
«El conocimiento es lo que uno tiene en la cabeza», explicó. «La experiencia práctica es cuando se transmite, y eso no es nada fácil». — Siva Lakshmanan, director ejecutivo de DeepHow
Sin un método sistemático para recopilar estos «conocimientos prácticos», la experiencia que se ha tardado 30 años en acumular desaparece, en la práctica, en una sola entrevista de salida.
Fundamento n.º 2: Por qué los datos por sí solos no bastan en el sector manufacturero
Las plantas de fabricación generan una impresionante variedad de datos, desde señales de PLC y series temporales hasta transmisiones de vídeo y lecturas de sensores. Sin embargo, este volumen suele quedar sin aprovechar debido a varios obstáculos fundamentales:
El problema de los silos: los datos suelen quedar confinados a departamentos concretos, lo que da lugar a una colaboración puntual en lugar de a una estrategia unificada.
La brecha de valor: disponer de datos no es lo mismo que utilizarlos; el valor solo se genera cuando los datos se convierten en conocimientos que sirven de base para otras disciplinas.
La crisis del contexto: la IA genérica carece de los conocimientos técnicos específicos sobre los procesos y las máquinas de su fábrica local.
Si entran datos de mala calidad, salen datos de mala calidad: las GPU de alta velocidad y los centros de datos no sirven de nada si no se les proporcionan datos relevantes y de alta calidad.
«Recopilamos una enorme cantidad de datos, ya sea a través de nuestro software o de los dispositivos que instalamos en la planta… Una cosa es disponer de los datos y otra muy distinta es ser capaz de utilizarlos.» — Hiren Kumbhojkar, director de Gestión de Productos, Cartera de Software de Fabricación, Hexagon
La solución: El objetivo es ir más allá de la simple recopilación de datos y avanzar hacia una estrategia de datos en la que la información esté estructurada, sea accesible y tenga suficiente relevancia contextual como para impulsar la toma de decisiones en tiempo real.
Cómo están conectando realmente los fabricantes los datos y el conocimiento
Los fabricantes que están logrando mayores avances no buscan una transformación radical, sino que aplican modelos específicos que conectan los conocimientos del personal de primera línea con los datos operativos de forma práctica y escalable.
Esto es lo que se ve:
Modelo 1: Recopilar los conocimientos de las personas mientras trabajan
El manual de estrategias:
Registre las tareas reales a medida que se realizan, como preparaciones, cambios de producción, resolución de problemas e inspecciones
Utilice la inteligencia artificial para convertir contenido no estructurado (vídeo, voz, gestos) en instrucciones estructuradas
Convertir los conocimientos tácitos en una guía digital que permita realizar búsquedas y sea reproducible
Incorpore controles, traducciones y asistencia en línea para que los nuevos empleados puedan ponerlo en práctica de inmediato
El resultado:
El conocimiento se hace visible y accesible sin necesidad de apartar a los expertos de sus tareas habituales
En lugar de una formación puntual, los equipos disponen de una guía integrada a la que pueden acceder en cualquier momento
Los conocimientos especializados se distribuyen entre turnos, funciones y ubicaciones sin que se produzcan cuellos de botella en la documentación
Modelo 2: Convertir los flujos de datos en apoyo a la toma de decisiones en tiempo real
El manual de estrategias:
Combine datos multimodales, como los ajustes de las máquinas, las imágenes de las cámaras y los registros de calidad, en una única capa de inteligencia
Entrene la IA con sus propios datos históricos (programas, inspecciones, resultados) para que reconozca patrones
Ofrezca orientación en tiempo real en el momento de la toma de decisiones: «Esta es la solución», y no solo «Este es el problema»
Utilice esta información para ayudar a los operadores, no para sustituirlos, y así respaldar los flujos de trabajo en los que participa el ser humano
«La información debe ser en tiempo real, ¿no? Esperar dos días para recibir un informe… eso no supone un valor empresarial tangible». — Alvin Clark, director global de Relaciones con Desarrolladores para los sectores de fabricación e industrial, NVIDIA
El resultado:
Los operadores reciben asistencia relevante y contextual en el momento preciso, y no horas más tarde
Los ingenieros disponen de vías más rápidas para identificar la causa raíz y de puntos de referencia más sólidos para la mejora continua
Sus sistemas dejan de limitarse a informar sobre el rendimiento y comienzan a contribuir a mejorarlo
El hilo conductor
Estos enfoques pueden partir de puntos de partida distintos, pero funcionan por la misma razón:
Utilizan el contexto local, no modelos genéricos
Hacen que el conocimiento sea accesible y que los datos sean útiles
Incorporan la inteligencia allí donde se lleva a cabo el trabajo
Y mantienen a la gente al corriente, en lugar de dejarla al margen
Así es como los fabricantes están haciendo realidad la inteligencia artificial, conectando los cimientos con los que ya cuentan.
Primeros pasos: una guía práctica para avanzar
No es necesario disponer de datos perfectos ni de una recopilación completa de la información para empezar. Comience por un problema real y recurrente, y luego vaya sentando ambas bases en paralelo. La mayoría de los fabricantes siguen un camino sencillo:
Evalúe sus carencias en materia de accesibilidad de los datos y de conocimientos no documentados
Elija un caso de uso de gran repercusión, como los cambios de producción, la resolución de problemas o la formación
Recopile conocimientos y conecte datos como parte de un flujo de trabajo específico
Otorgue a los equipos una responsabilidad clara y las directrices necesarias para actuar con rapidez. Cuando las personas ven reflejada su experiencia en los sistemas que utilizan, la adopción se produce de forma natural y la mejora no tarda en llegar.
Cómo Tulip sentar ambas bases
Tulip datos y conocimientos en una única plataforma diseñada para adaptarse a las realidades de las operaciones de primera línea.
Con Tulip Composer, los equipos pueden convertir los procedimientos operativos estándar (SOP) estáticos y los conocimientos implícitos en instrucciones de trabajo digitales e interactivas en cuestión de minutos, sin necesidad de programar. Basta con cargar un documento para que el sistema extraiga los pasos, las imágenes y la lógica necesarios para generar una aplicación funcional. Se trata de una forma rápida y reproducible de poner los flujos de trabajo de los expertos al alcance de todos los operadores.
Si a esto le sumamos AI Agent, el asistente de IA integrado Tulip, los operadores obtienen respuestas al instante sin interrumpir su flujo de trabajo. Ya sea que necesiten consultar especificaciones de par, resolver problemas en una máquina o revisar el historial de rendimiento, Copilot les proporciona la información adecuada al instante, basándose en sus procedimientos operativos estándar (SOP), manuales y datos de producción reales.
En conjunto, estas herramientas crean un ciclo cerrado: el conocimiento se recopila, se transforma en aplicaciones, se enriquece con datos en tiempo real y se pone a disposición justo donde se necesita. Y dado que Tulip parte de un ecosistema de fabricación más amplio, esa inteligencia trasciende los límites de una sola plataforma. A través de colaboraciones con empresas innovadoras como DeepHow, Hexagon y NVIDIA, los fabricantes pueden integrar la recopilación de conocimientos especializados, la simulación avanzada y las capacidades de gemelos digitales, así como una infraestructura de IA acelerada, en un mismo flujo de trabajo operativo.
Tulip las bases para una fábrica más conectada e inteligente, en la que la inteligencia artificial presta apoyo tanto a las personas como a los procesos, y un ecosistema abierto permite que esa inteligencia se extienda a todas las operaciones.
Transforme digitalmente sus operaciones con Tulip
Vea cómo los sistemas de aplicaciones permiten operaciones ágiles y conectadas.