IA para operaciones
Transformación digital
Gobernanza

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

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

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

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 dudan a la hora de 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, los responsables 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, surgió un patrón recurrente: la IA no falla porque los modelos sean débiles, sino que falla 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 participación humana.

Qué significa realmente el «contexto» para la IA en el sector manufacturero

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

«La IA solo es tan buena como los datos con los que cuenta, ¿verdad? Y no se trata solo de los datos. Va más allá de los datos. Se trata del contexto de los datos, ¿no? 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 les cuesta facilitar la toma de medidas.

El contexto también depende del puesto y de la pregunta. Lo que es importante 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 de forma fija el contexto: 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.

Comprender la preparación de los datos de fabricación

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 (OT).

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 de un sistema a otro.

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

Estándares 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 IA 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, herramientas de análisis o 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 esos datos.

Etapas de madurez del contexto en el sector manufacturero

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

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

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

Puedes consultar el estado de los equipos —que indica si están en funcionamiento, parados o averiados— así como parámetros básicos como el tiempo de ciclo, la temperatura o el recuento de producción. Los datos te indican qué está haciendo el activo en un momento dado.

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

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 realizando la máquina.

Puedes ver qué operación se está ejecutando, la fase del flujo de trabajo y los valores de referencia o 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 sabes si la operación se ha mantenido dentro de los parámetros previstos.

Lo que aún no sabes del todo es cómo afecta este rendimiento a un producto, un pedido o un 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 como se esperaba?».

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. Resulta especialmente importante en entornos regulados y con gran variedad de productos, en los que un mismo activo puede fabricar productos distintos con requisitos diferentes.

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, como los desechos, los retrasos, las repeticiones de trabajo o los 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.

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

Etapa 5: El contexto 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 datos operativos valiosos, y no como algo que deba ignorarse.

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

La preparación para la IA depende de la facilidad con la que los datos puedan 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.

Diseñar el contexto sin complicarlo en exceso

Para evitar fallos en la IA hay que empezar por un diseño de datos bien pensado. El objetivo no es crear un modelo perfecto, sino uno que sea útil.

Empieza por establecer definiciones comunes. Define con claridad los activos, los pasos del proceso, los productos y las entidades clave, de modo que sean coherentes en todos los sistemas. Adopta convenciones de nomenclatura comunes para que un mismo término signifique lo mismo en las operaciones, la calidad y las herramientas empresariales.

A continuación, modela las relaciones que son importantes. Vincula los eventos de las máquinas a las etapas del proceso. Conecta las etapas del proceso a los productos o lotes. Vincula los eventos operativos a los sistemas de calidad y de la cadena de suministro. Céntrate únicamente en las relaciones necesarias para tus casos de uso prioritarios y no en todos los escenarios posibles.

Utiliza normas como la ISA-95 y la ISA-88 como puntos de referencia, no como modelos a seguir. Aprovecha la claridad estructural que aportan y, a continuación, adáptalas para que se ajusten al funcionamiento real de tus operaciones.

Por último, diseña pensando en la evolución. Las ontologías te 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 compartidos, en lugar de crear modelos paralelos. Así es como se amplía el contexto y cómo la IA sigue funcionando a medida que aumenta la complejidad.

Preparación para una IA agentiva con intervención humana

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.

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

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

Por eso es esencial el diseño «human-in-the-loop». 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, tiene que haber un diseño deliberado y meditado 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 partan, desde el principio, de la colaboración entre sistemas y personas. 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.

Cómo « Tulip » permite el contexto de los datos a gran escala

Tulip Facilita la preparación de los datos de fabricación al capturar el contexto en el que realmente se lleva a cabo el trabajo. Como plataforma « Frontline Operations », Tulip aúna 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 a medida que se crean los datos, en lugar de reconstruirlo posteriormente.

Mediante la digitalización de los procesos de primera línea, Tulip ayuda a 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 de arriba abajo.

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.

Transforma digitalmente tus operaciones con Tulip

Descubre cómo los sistemas de aplicaciones permiten llevar a cabo operaciones ágiles y conectadas

Solicita una demostración
Ilustración de «Un día en la vida» (CTA)