Por qué la IA falla sin contexto: una guía práctica sobre la preparación de los datos en el sector manufacturero

Los fabricantes están realizando importantes inversiones en inteligencia artificial; sin embargo, muchas iniciativas se estancan tras las primeras fases piloto. Los modelos generan información, los paneles de control se iluminan, pero los equipos se muestran reacios a actuar. Tanto en la planta de producción como en las salas de control, los resultados suelen parecer desconectados del funcionamiento real de las operaciones.

En Operations Calling, líderes de ZS y AWS se reunieron para debatir cómo las empresas manufactureras están preparando los datos para la IA a gran escala. A partir de perspectivas que abarcaban la estrategia de fabricación, la arquitectura en la nube y las operaciones de primera línea, se puso de manifiesto una tendencia constante: la IA no falla porque los modelos sean deficientes, sino que se colapsa cuando los datos subyacentes carecen de un contexto operativo común entre los sistemas de TI y de tecnología operativa (OT).

En este blog se analiza por qué el contexto es el requisito previo que falta para la IA aplicada a la fabricación. Presentaremos una guía práctica sobre la preparación de los datos que muestra cómo las organizaciones pueden pasar de señales sin procesar y sistemas aislados a arquitecturas preparadas para la IA que permitan un apoyo a la toma de decisiones escalable y con intervención humana.

En el sector manufacturero, ya existen datos en máquinas, sistemas y aplicaciones. El reto consiste en extraer el significado de dichos datos. El contexto es lo que explica qué representan los datos y por qué son relevantes para una decisión concreta.

«La IA solo es tan buena como los datos de los que dispone, ¿verdad? Y no se trata solo de los datos. Va más allá de los datos. Se trata del contexto de los datos, ¿verdad? El contexto lo es todo.» — Suraj Pai, director de ZS

Saber que una máquina está en funcionamiento no es lo mismo que saber qué proceso debería estar ejecutando, para qué producto y en qué condiciones. Sin esa conexión con los activos, los procesos y los productos, los sistemas de IA pueden detectar señales, pero tienen dificultades para respaldar la toma de medidas.

El contexto también depende del puesto y de la pregunta. Lo que resulta relevante para un operador, un responsable de calidad o un planificador de la cadena de suministro es diferente, incluso cuando analizan los mismos datos subyacentes. Por eso no se puede dar por sentado ni programar el contexto de forma rígida: hay que diseñarlo.

Por último, el contexto no es solo generado por máquinas. Los expertos han destacado que las aportaciones humanas siguen cubriendo lagunas fundamentales en las que los sistemas se quedan cortos. Para que la IA funcione en operaciones reales, debe tener en cuenta tanto los datos del sistema como el criterio humano.

La preparación de los datos de fabricación significa que los datos operativos están definidos, estructurados y conectados, de modo que puedan utilizarse de forma fiable en los sistemas de TI y de tecnología operativa.

En la práctica, los datos están listos cuando:

• Los activos, los procesos y los productos están claramente definidos.

• Se modelan las relaciones entre ellos.

• Las convenciones de nomenclatura están estandarizadas.

• El contexto permanece vinculado a los datos a medida que estos se transfieren entre sistemas.

Esto garantiza que los mismos datos representen lo mismo en todos los lugares en los que aparecen: en los sistemas operativos, de calidad, de ingeniería o corporativos.

Normas como ISA-95 o Unified Namespace proporcionan un punto de partida estructural. Cuando se cuenta con esta base, los nuevos casos de uso de análisis y de inteligencia artificial pueden basarse en modelos compartidos, en lugar de tener que recrear el contexto para cada proyecto. Esto también significa que no es necesario explicar manualmente los datos cada vez que alguien nuevo los utiliza. El contexto ya está integrado.

Cuando los datos están listos, los nuevos paneles de control, las herramientas de análisis o las herramientas de inteligencia artificial pueden utilizarlos de inmediato. Cuando no lo están, los equipos dedican la mayor parte de su tiempo a averiguar qué significan realmente los datos.

El contexto no surge de forma repentina. Se desarrolla por capas, y la mayoría de los fabricantes operan en varias de ellas al mismo tiempo. La clave está en comprender dónde se encuentra el contexto en la actualidad y qué se necesita para avanzar sin complicar demasiado las cosas.

«Estos agentes no funcionan bien, ni le proporcionarán la información adecuada ni le permitirán tomar mejores decisiones… sin los datos adecuados.» — Venkat Gumatam, arquitecto de soluciones para socios, Amazon Web Services

Etapa 1: Contexto a nivel de activos
En esta etapa, los datos están vinculados a máquinas, líneas o sensores concretos.

Puede consultar el estado del equipo —que indica si está en funcionamiento, parado o presenta un fallo— así como parámetros básicos como el tiempo de ciclo, la temperatura o el recuento de producción. Los datos le indican qué estado presenta el activo en un momento dado.

Lo que no le indica es si la máquina está procesando el producto adecuado, si sigue los parámetros de proceso correctos o si cumple con las expectativas de rendimiento para ese trabajo concreto. Los datos se limitan al propio equipo.

Aquí es donde comienzan la mayoría de las integraciones entre TI y TO: conectando máquinas y recopilando señales. Esto proporciona visibilidad, pero no un significado operativo completo.

Fase 2: Contexto del proceso
En esta fase, los datos se vinculan al paso del proceso que está llevando a cabo la máquina.

Podrá ver qué operación se está ejecutando, en qué fase del flujo de trabajo se encuentra y cuáles son los valores de consigna o los límites definidos para ese paso. Los datos de rendimiento ya no son solo una señal de la máquina, sino que se evalúan en función de cómo se supone que debe funcionar el proceso.

Ahora ya sabe si la operación se ha mantenido dentro de los parámetros previstos.

Lo que aún no sabe con certeza es cómo afecta este rendimiento a un producto, pedido o lote concretos. Los datos reflejan el comportamiento del proceso, pero no el impacto total en el producto.

Es aquí donde las preguntas pasan de «¿Qué ha pasado?» a «¿Ha funcionado según lo previsto?».

Etapa 3: Contexto del producto y del lote
En esta etapa, los datos se vinculan a productos, recetas o lotes específicos. El rendimiento, las desviaciones y los resultados de calidad pueden relacionarse con lo que se estaba produciendo en ese momento.

Esto permite comprender cómo el comportamiento del proceso afecta a un pedido o lote concreto, y no solo a la máquina. Es especialmente importante en entornos regulados y de gran variedad de productos, en los que un mismo equipo puede fabricar diferentes productos con requisitos distintos.

Fase 4: Contexto interfuncional
En esta fase, los datos de la planta de producción se conectan con los sistemas de calidad, ingeniería y cadena de suministro. Un problema en una máquina puede relacionarse con sus consecuencias, tales como desechos, retrasos, reelaboraciones o envíos no realizados.

Los datos ya no se limitan a reflejar el rendimiento de una línea de producción. Muestran cómo los problemas operativos afectan al negocio.

Aquí es donde las decisiones van más allá de la simple reparación de una máquina. Los equipos pueden comprender el impacto general y actuar de forma transversal entre departamentos, y no solo dentro de un área concreta.

Etapa 5: El factor humano
Incluso en entornos avanzados, las personas siguen formando parte del proceso. Los operadores toman notas, explican los problemas durante los cambios de turno, gestionan las excepciones y toman decisiones a su criterio cuando algo no sale según lo previsto.

Los sistemas no lo registran todo. A menudo, la aportación humana explica por qué ocurrió algo, y no solo qué ocurrió. Las arquitecturas de datos sólidas consideran esta aportación como información operativa valiosa, y no como algo que deba ignorarse.

«No todas las plantas de producción van a tener todos y cada uno de sus aspectos digitalizados. Sigue habiendo personas involucradas que recopilan datos y registran elementos del proceso de fabricación.» — Suraj Pai, director de ZS

La preparación para la IA depende de la capacidad de los datos para circular por estas capas sin perder su significado. Los problemas surgen cuando las organizaciones intentan implementar la IA antes de que se haya establecido el contexto necesario.

Para evitar fallos en la IA, lo primero es diseñar los datos de forma deliberada. El objetivo no es crear un modelo perfecto, sino uno que sea útil.

Empiece por establecer definiciones comunes. Defina claramente los activos, las etapas del proceso, los productos y las entidades clave, de modo que sean coherentes en todos los sistemas. Adopte convenciones de nomenclatura comunes para que un mismo término tenga el mismo significado en las operaciones, la calidad y las herramientas empresariales.

A continuación, modele las relaciones que son relevantes. Vincule los eventos de las máquinas a las etapas del proceso. Conecte las etapas del proceso a los productos o lotes. Relacione los eventos operativos con los sistemas de calidad y de la cadena de suministro. Céntrese únicamente en las relaciones necesarias para sus casos de uso prioritarios y no en todos los escenarios posibles.

Utilice normas como la ISA-95 y la ISA-88 como puntos de referencia, no como modelos a seguir. Aproveche la claridad estructural que ofrecen y, a continuación, adáptelas para que se ajusten al funcionamiento real de sus operaciones.

Por último, diseñe pensando en la evolución. Las ontologías le permiten definir entidades y relaciones de tal forma que puedan ampliarse a medida que se añaden nuevos productos, flujos de trabajo o sitios web. De este modo, los datos se mantienen estructurados sin quedar encorsetados en jerarquías rígidas.

Cuando los fabricantes adoptan este enfoque, los sistemas de IA no tienen que reinterpretar los datos cada vez que estos cruzan un límite. Los nuevos casos de uso se basan en fundamentos comunes, en lugar de crear modelos paralelos. Así es como el contexto se adapta y cómo la IA sigue funcionando a medida que aumenta la complejidad.

Gran parte de la primera ola de IA en el sector manufacturero se centró en la generación de información a través de paneles de control, predicciones y recomendaciones. La IA agentiva cambia las expectativas. Estos sistemas no se limitan a analizar datos, sino que pueden tomar medidas, activar flujos de trabajo y coordinar decisiones entre distintos sistemas.

«Nos adentramos en un mundo al estilo de Iron Man, en el que nos comunicaremos con los sistemas y los sistemas se comunicarán con nosotros.» — Venkat Gumatam, arquitecto de soluciones para socios, Amazon Web Services

Este cambio eleva el listón en cuanto a la preparación de los datos. Cuando la IA pasa de sugerir a actuar, las lagunas contextuales se convierten en riesgos. Un agente debe comprender no solo qué ha ocurrido, sino también dónde ha ocurrido, por qué es relevante y qué limitaciones se aplican. Sin esa base, la automatización se vuelve frágil en lugar de fiable.

Por eso es fundamental el diseño con intervención humana. Los sistemas agentivos funcionan mejor cuando los seres humanos validan las decisiones, gestionan las excepciones y aportan su criterio cuando los datos son incompletos. En lugar de sustituir a los operadores o ingenieros, estos sistemas están diseñados para complementarlos, aportando contexto, agilizando las decisiones y manteniendo la responsabilidad en manos de las personas.

«Al fin y al cabo, debe haber un diseño deliberado y consciente en el que participe el ser humano». — Suraj Pai, director de ZS

Para los responsables de TI y TO, prepararse para la IA agentiva no consiste en implementar agentes en primer lugar. Se trata de diseñar modelos operativos y bases de datos que contemplen la colaboración entre sistemas y personas desde el principio. Cuando se cuenta con el contexto adecuado, la IA agentiva se convierte en una extensión práctica de las operaciones. Sin él, incluso los modelos más avanzados tienen dificultades para ganarse la confianza.

Tulip la preparación de los datos de fabricación al capturar el contexto en el que realmente se lleva a cabo el trabajo. Como plataforma de operaciones de primera línea, Tulip las aportaciones humanas, los datos de las máquinas y los flujos de trabajo de los procesos en un único entorno, lo que permite integrar el significado operativo en el momento en que se crean los datos, en lugar de reconstruirlo posteriormente.

Mediante la digitalización de los procesos de primera línea, Tulip estandarizar la forma en que se representan los activos, las operaciones y los productos, al tiempo que mantiene la flexibilidad necesaria para reflejar las realidades específicas de cada emplazamiento. Los ingenieros pueden definir flujos de trabajo, la recopilación de datos y las convenciones de nomenclatura que se ajusten a las arquitecturas generales de TI y TO, sin imponer modelos rígidos y verticalistas.

Estos datos contextualizados pueden integrarse posteriormente en los sistemas empresariales, las plataformas de análisis y los servicios en la nube, lo que permite dar respuesta a casos de uso de la IA que requieren una estructura coherente en todas las líneas de negocio y centros. El resultado es una base escalable para la IA con intervención humana, fundamentada en operaciones reales, adaptable a lo largo del tiempo y diseñada para respaldar tanto la ejecución local como la toma de decisiones a nivel empresarial.