Un tablero que nadie mira

Instalaron los sensores un martes. Compresores, extractores, la unidad de HVAC del segundo piso: todo quedó conectado a una plataforma con inteligencia artificial que prometía anticipar fallas antes de que ocurrieran. Las primeras semanas, el jefe de mantenimiento revisaba el tablero cada mañana con café en mano, casi con emoción. Las alertas llegaban, los gráficos se movían, había algo satisfactorio en ver la operación traducida a números en tiempo real.

Dos meses después, el panel seguía encendido, pero ya nadie lo miraba con la misma atención. Las alertas se acumulaban: cuarenta, cincuenta al día, entre críticas y menores, sin que nadie tuviera el tiempo ni el criterio para separar cuáles importaban de verdad. Los técnicos seguían haciendo sus rondas igual que antes de que llegara la plataforma. El dashboard se convirtió en una pestaña más, abierta en un monitor, ignorada.

La frustración

Cuando llegó la revisión trimestral, la pregunta incomodó a todos: si la empresa había invertido en sensores, en licencias, en una plataforma con inteligencia artificial, ¿por qué las paradas no disminuyeron? ¿Por qué un compresor volvió a fallar tres semanas después de que el sistema ya lo había marcado en amarillo?

La respuesta no estaba en la tecnología. El sistema funcionaba exactamente como debía: capturaba datos, generaba alertas, incluso acertaba en varios diagnósticos. El problema era otro. Nadie había definido quién debía leer esas alertas, en qué momento del día, ni qué hacer cuando una señal contradecía la intuición de un técnico con quince años en la planta. La herramienta llegó más rápido que los criterios para usarla.

El giro

Esto no es un tropiezo aislado de una empresa con mala suerte. Reportes recientes sobre mantenimiento industrial muestran algo parecido a escala: la mayoría de los equipos de mantenimiento ya usa alguna forma de inteligencia artificial, y buena parte reporta retorno medible en los primeros meses. Y aun así, casi ocho de cada diez de esos mismos equipos dicen que sus paradas no planificadas se mantuvieron iguales o empeoraron. La adopción subió. El resultado, no.

La explicación que más se repite entre quienes estudian esta brecha es incómoda pero clara: la tecnología resuelve apenas una porción del problema. El resto —el proceso, la disciplina para revisar los datos, la claridad sobre quién decide qué— es lo que determina si una alerta se convierte en una corrección a tiempo o en ruido de fondo. Cuando ese resto no existe, el resultado es previsible: sensores acumulando información que nadie interpreta, paneles que se vuelven decoración.

No es un caso aislado

Lo que le pasó a esta empresa de mantenimiento se repite en facility management, en servicios técnicos, en seguridad y salud en el trabajo. La ola de inteligencia artificial llegó primero a las herramientas —cámaras más inteligentes, apps de inspección con visión computarizada, plataformas que prometen predecir el riesgo— y después, mucho después, a la forma en que las organizaciones realmente trabajan.

Las PyMEs quedan en un punto particularmente difícil. La misma tecnología que una gran empresa absorbe con un equipo de analistas dedicados a triar alertas, una operación de treinta o cincuenta personas la recibe sin nadie asignado para esa tarea. Y ahí aparece una brecha que no es solo de acceso a la herramienta, sino de capacidad para digerir lo que la herramienta produce. Las empresas que ya tenían procesos ordenados sacan ventaja de la inteligencia artificial casi de inmediato; las que no, terminan con más tecnología encima del mismo desorden de siempre. La brecha no se cierra: se profundiza.

La pregunta que queda

Vale la pena invertir el orden en el que se suele hacer la pregunta. No es "qué tecnología deberíamos instalar", sino "qué puede realmente absorber mi operación hoy, con la gente y los procesos que tiene". Un sensor que envía datos que nadie procesa no reduce el riesgo: simplemente lo documenta con más precisión mientras ocurre.

La promesa de la inteligencia artificial en el trabajo de campo es real. Pero entre la promesa y el resultado hay una distancia que la tecnología, por sí sola, no cruza. ¿Qué tendría que cambiar primero en una operación para que la próxima herramienta que llegue sí se use?