Diego Tuccillo, CEO de Deduce Data Solutions, cerró el turno de ponencias de «Del dato a la acción: industria data-driven e IA en producción», la jornada que la Oficina Acelera Pyme de AFM Cluster celebró el 8 de octubre en el IMH Campus de Elgoibar. Su tesis, delante de una sala llena de responsables de planta y de ingeniería: antes de aplicar inteligencia artificial hay que elegir bien el problema, y la mayoría de los pilotos nace ya sin impacto.
En esta crónica
- Una mañana para seguir el recorrido del dato
- La paradoja de la adopción: pilotos que nacen sin impacto
- Oportunidad: el dolor económico manda
- Impacto: la métrica se fija antes que el modelo
- Preparación: datos, infraestructura y un dueño en planta
- Ejecución: un sistema vivo, no una instalación
- La mesa redonda: criterio por encima de herramientas
- Preguntas frecuentes
1Una mañana para seguir el recorrido del dato
La jornada estaba montada para recorrer el camino completo del dato en una fábrica, desde el sensor hasta la decisión. AFM Cluster, la Asociación Española de Fabricantes de Máquinas-herramienta, Accesorios, Componentes y Herramientas, reunió a tres empresas que trabajan en tramos distintos de ese camino y les pidió una visión práctica para empresas industriales de cualquier tamaño.
- SMC · Del dato a la decisión: captar, comunicar y actuarAlejandro Molinero de Carlos, Product Manager en SMC. Sensores de nueva generación, IO-Link y arquitecturas para llevar el dato de la máquina a los sistemas de negocio, con un caso de digitalización de una red de aire comprimido.
- Septer · Del dato a la decisión: el enfoque data-driven en la gestión de plantaJuan José González Méndez, CEO y fundador de Septer. Planificación y secuenciación, costes operativos, carga y capacidad, escandallos y compras a partir del dato que la planta ya genera.
- Deduce Data Solutions · Del dato al impacto: cómo aplicar IA en industria con sentidoDiego Tuccillo, CEO. Qué problemas merecen un proyecto de inteligencia artificial y qué hace falta para que un piloto llegue a producción.
- Mesa redonda con los tres ponentesY después, café y networking. Un grupo de asistentes visitó a continuación las instalaciones del IMH Campus, desde el taller tradicional hasta la zona de fabricación aditiva y el laboratorio de digitalización, con Oier Uriarte Gil como guía.
El hilo que unió las tres ponencias fue el mismo: el dato ya está en la fábrica. Lo que falta, en la mayoría de los casos, es decidir para qué se quiere, quién lo va a usar y cuánto vale la decisión que permite tomar. Esa pregunta, planteada desde la perspectiva de la inteligencia artificial, fue el eje de la intervención de Diego Tuccillo.
2La paradoja de la adopción: pilotos que nacen sin impacto
Tuccillo abrió con una observación incómoda. Los miedos a la inteligencia artificial en planta son a veces más grandes de lo que deberían, y la respuesta habitual a ese miedo es confinar la IA en un piloto dentro de un departamento, donde se está seguro de que no va a hacer daño. El problema es que así se empieza con el pie equivocado: un proyecto definido para no tener impacto no va a tenerlo.
La segunda parte de la paradoja tiene que ver con el plazo. Las grandes empresas llevan años preparándose y han aprendido que la inteligencia artificial no es una herramienta más del catálogo de IT. Da el mayor beneficio con el tiempo. Quien espera un retorno a uno o dos meses acaba en soluciones muy puntuales que no tienen el beneficio que podrían tener.
Lo que os quiero contar va en contra de nuestros propios intereses: no es aplicar inteligencia artificial a todo. Hay casos en los que no hace falta. Es matar moscas a cañonazos.
Diego Tuccillo, CEO de Deduce Data Solutions
A partir de ahí propuso un marco de cuatro dimensiones, el mismo que usan las grandes consultoras para evaluar un proyecto de IA: oportunidad, impacto, preparación y ejecución. Lo que sigue es su recorrido por cada una, con los ejemplos que puso en Elgoibar.
Buscar el dolor económico dentro de la empresa, no el dato ni la tecnología disponible.
Fijar desde el día cero la métrica del algoritmo y la métrica de negocio, y la situación de partida.
Datos con calidad suficiente, infraestructura pensada para el uso y un dueño operativo en planta.
Un sistema probabilístico y vivo, con monitorización continua y reentrenamiento cuando cambia la operativa.
3Oportunidad: el dolor económico manda
Hay dos maneras muy comunes de empezar un proyecto de inteligencia artificial, y Tuccillo las descartó las dos. La primera es la del dato: «estas herramientas necesitan datos, vamos a ver dónde los tengo», y a partir de ahí preguntar a un científico de datos interno o a una empresa externa qué se puede hacer con lo que registra tal máquina. La segunda es la de la tecnología: llamar a varios proveedores, poner sus soluciones sobre la mesa y elegir la que más guste. Las dos pueden tener algún efecto positivo, y las dos acaban muchas veces en el piloto que se queda en piloto.
La alternativa es empezar por una oportunidad de negocio. Puede aflorar de forma orgánica, porque dentro de la empresa ya se sabe qué está costando dinero (Tuccillo puso el ejemplo de unos defectos en hélices que cuestan 400.000 euros cada vez que aparecen), o con un descubrimiento proactivo, recorriendo las partes del proceso para ver cuáles se pueden atacar. Una vez identificados esos dolores, hay que pasarlos por tres filtros antes de seguir con la IA.
Los tres filtros de la oportunidad
- Dolor económico. Si se resuelve, tiene que haber un retorno claro. Un proyecto de IA es una transformación que requiere tiempo e implicación, y debe compensarlo.
- Repetición suficiente. Si el problema aparece dos veces al año, igual se puede resolver a mano y no hace falta una herramienta de 100.000 euros.
- Solución mínima. Puede que haya una solución trivial, o una que no implique inteligencia artificial. Pasa muchas veces, y hay que buscarla antes.
4Impacto: la métrica se fija antes que el modelo
Definidos los casos a atacar, el segundo paso es fijar desde el momento cero los indicadores, y hacerlo a dos niveles. El primero es el del algoritmo. El aprendizaje automático aprende de ejemplos, y el equipo que lo entrena no tiene poder sobre cómo toma las decisiones; tiene poder sobre los datos que le da y sobre la métrica con la que el sistema mide si lo está haciendo bien o mal. Tuccillo lo ilustró con el ejemplo que pone a sus alumnos en la universidad: si a un sistema con capacidad de hacerlo todo se le pide «reducir la pobreza en el mundo», esa es una mala métrica, porque buscará la solución más directa. La métrica tiene que estar bien elegida.
El segundo nivel es el de negocio, y aquí vino el ejemplo más aplaudido de la mañana.
Un sistema de visión que detecta defectos en el 95 % de las piezas funciona muy bien sobre el papel. Si el 5 % que se le escapa es justo el de las piezas más caras, la métrica está mal elegida. Vale más acertar el 80 % sobre las pocas piezas caras que el 95 % sobre todas.
La tercera parte del impacto es definir la situación de partida antes de construir nada. Si los defectos actuales cuestan 200.000 euros al año y el sistema puede recortar la mitad, pagar 50.000 o 60.000 euros por él merece la pena. Pero ese cálculo, insistió, se hace al principio, sobre la métrica que justifica la inversión, no cuando el modelo ya existe.
5Preparación: datos, infraestructura y un dueño en planta
Los modelos dependen de los datos, también los que vienen preentrenados. Por muy entrenado que llegue un modelo, no conoce la casuística de una empresa concreta, así que siempre necesita un mínimo de datos propios para adaptarse y, sobre todo, un contexto experto que le ponga los raíles: que el sistema sepa, además de lo que dicen los datos, cuándo está diciendo cosas que no tienen sentido físico u operativo.
La pregunta que hay que hacerse es doble: ¿hay datos disponibles y tienen la calidad correcta? Datos apuntados en una hoja de cálculo cada dos meses no son datos de calidad. Y si se quiere un sistema que funcione en tiempo real, hace falta una infraestructura que permita alimentarlo de forma continua y monitorizarlo. Tuccillo quiso desactivar aquí una barrera de entrada habitual: la de «no tengo los datos perfectos, así que no podemos empezar». No hace falta un dato perfecto ni ordenar antes todo el histórico de la empresa. Lo que hace falta es tener en cuenta la necesidad real y estructurar los datos en función de ella. La infraestructura se puede construir junto con la solución, y es casi mejor empezar así que heredar una estructura que existe pero no sirve para el uso que se le quiere dar, porque entonces hay que tirarla o hacer modificaciones que cuestan más.
La preparación tiene también una parte humana. Un proyecto de IA necesita dueños operativos: alguien en la planta que ayude a implantar el sistema, lo entienda, haga la transferencia de la lógica operativa y pueda dar retroalimentación al sistema de forma continua. Y necesita un compromiso de uso real. Si el impulso viene solo de dirección y las personas que tienen que usar el sistema lo ven como una amenaza o como un engorro, no va a funcionar.
Nosotros no creemos en sistemas que sustituyan a las personas. Creemos en sistemas que las ayuden y que se alimenten de su retroalimentación.
Diego Tuccillo, CEO de Deduce Data Solutions
6Ejecución: un sistema vivo, no una instalación
La última dimensión arranca de una diferencia intrínseca entre el aprendizaje automático y una solución de IT clásica: es un sistema probabilístico. Cada respuesta lleva asociada una probabilidad, y eso forma parte del cálculo. Si un sistema predice la energía que va a consumir una planta mañana y no da el número exacto, no es un fallo; lo que debe dar es una barra de error y una confianza. De hecho, pidió desconfiar de los proveedores que presentan «el número»: si no hay barra de error ni medida de cuánto fiarse, es mala señal.
La segunda diferencia es el ciclo. En un sistema tradicional los requisitos se conocen desde el principio. Un sistema de aprendizaje automático se beneficia de un ciclo en el que la empresa también aprende: análisis de datos, desarrollo del modelo sobre esos datos, pruebas después del desarrollo (porque una cosa es la prueba de concepto y otra la producción), despliegue, monitorización y vuelta a empezar. Puso un ejemplo real de ese bucle: se parte de la hipótesis de que una máquina se está degradando porque las piezas ya no salen a la misma temperatura; los datos muestran que la máquina está bien y que lo que ha cambiado es la humedad de las piezas que entran. Hay que replantear el sistema.
Y la tercera es la monitorización constante. Un programa clásico, cuando deja de funcionar, deja de funcionar y avisa. Un sistema de aprendizaje automático puede seguir dando predicciones aparentemente perfectas después de que haya cambiado algo en la empresa: la calibración de un robot, una forma de trabajar, la referencia que se fabrica. El modelo se entrenó en unas condiciones y con unos datos; si las condiciones cambian, seguirá deduciendo sobre datos que ya no representan la planta. Es lo que se conoce como drift, y es la razón de que el sistema tenga que ser vivo: comparar lo que predice con lo que ocurre, detectar cuándo cambia la operativa y seguir aprendiendo. En eso, dijo, se parece a los sistemas humanos en los que está inspirado.
7La mesa redonda: criterio por encima de herramientas
La mesa redonda recogió el guante de los 400.000 euros. Un dolor de ese tamaño, se dijo desde el público, cierra una pyme; la pregunta era cómo ven los ponentes lo que viene en dos o tres años para empresas que no tienen ni dirección familiarizada con este cambio ni departamento de IT, pero sí tienen el dato y el conocimiento del proceso.
Juan José González, de Septer, fue el más prudente. Recordó que estamos en el pico de expectativas de cualquier tecnología nueva, que las pymes siempre han sido cautas con los cambios y que, por primera vez, está viendo lo contrario: empresas que desde el primer día meten sus estados financieros en un asistente de IA generativa para preguntarle cómo van. Avisó de una deuda tecnológica que se descubrirá tarde en procesos como las migraciones de sistemas, y fue claro con la proyección: «Tengo herramientas que no sé qué pueden hacer. No me da tiempo a analizar. Sería incapaz de decir qué va a pasar dentro de un año, y yo me sujetaría a lo que conozco y domino».
Tuccillo se alineó con él en lo esencial y añadió un matiz. Estas herramientas abren una oportunidad enorme para las pymes, porque dan acceso a soluciones que antes eran muy costosas y porque aceleran el propio desarrollo: en Deduce Data Solutions lo están viendo en su trabajo diario. Pero la palabra que hay que tener en mente es criterio. Contó un caso reciente: un grupo de jóvenes que había desarrollado una aplicación con IA generativa, que funcionaba y empezaba a dar dinero, y que se caía en cuanto escalaba sin que nadie supiera qué había detrás ni cómo arreglarlo.
Las cosas que desarrollo con un asistente de código aceleran mi trabajo, no lo sustituyen. Si no tengo ni idea de lo que está haciendo, el lío está garantizado. Siempre tiene que haber una persona experta que guíe.
Diego Tuccillo, en la mesa redonda
Desde el público, un programador que usa IA a diario lo resumió en una cifra: programa un 150 % más rápido y aprende más rápido, pero sigue eligiendo función a función lo que entra en su código, porque ha visto «aberraciones» de gente que copia y pega sin filtrar. Y un asistente que trabaja en proyectos parecidos pidió una cosa a los tres ponentes: ir por fases. Ha visto proyectos monstruo que al cabo de siete meses o un año estaban muertos porque el dato no estaba bien y nadie terminaba de tirar de ellos. Poco a poco se crece más.
Quiénes estuvieron en el escenario
Para Deduce Data Solutions, participar en el programa de AFM Cluster tiene un valor concreto: la asociación agrupa a los fabricantes de máquina-herramienta y componentes del país, el tejido que más dato de proceso genera y el que mejor puede juzgar si un planteamiento sirve o no en planta. Gracias a la Oficina Acelera Pyme de AFM Cluster por contar con una pyme científica cántabra en el programa, y a SMC y Septer por una conversación en la que las tres empresas hablaron del mismo dato desde tres tramos distintos del camino.
La misma pregunta, en 45 minutos y desde tu mesa
El jueves 29 de octubre, a las 11:00, Diego Tuccillo imparte el webinar gratuito «Qué proyectos de IA merecen inversión en una planta y cómo medir su retorno», dentro del programa PYME DIGITAL 2026 de la Cámara de Cantabria. Las cuatro dimensiones de esta crónica, aplicadas a casos reales.
Reservar plaza en el webinaro agendar una reunión8Preguntas frecuentes
¿Qué fue la jornada «Del dato a la acción» de AFM Cluster?
Una jornada presencial organizada por la Oficina Acelera Pyme de AFM Cluster el 8 de octubre de 2026 en el IMH Campus de Elgoibar (Gipuzkoa), con ponencias de SMC, Septer y Deduce Data Solutions sobre cómo captar, integrar y convertir el dato industrial en decisiones, seguidas de una mesa redonda y un espacio de networking.
¿Cuáles son las cuatro dimensiones para evaluar un proyecto de IA en planta?
Oportunidad (un dolor económico, repetido y sin solución más simple), impacto (métrica del algoritmo y métrica de negocio fijadas desde el inicio, con la situación de partida medida), preparación (datos con calidad suficiente, infraestructura y un dueño operativo en planta) y ejecución (un sistema probabilístico, con ciclo de aprendizaje y monitorización continua).
¿Hace falta tener los datos perfectos antes de empezar un proyecto de IA?
No. Según explicó Diego Tuccillo, no hace falta un dato perfecto ni ordenar todo el histórico. Hay que estructurar los datos en función de la necesidad real y construir la infraestructura junto con la solución. Lo que sí hace falta es calidad suficiente para el uso previsto: un registro manual cada dos meses no sirve para un sistema en tiempo real.
¿Por qué un modelo de IA necesita monitorización después de desplegarse?
Porque es un sistema probabilístico entrenado en unas condiciones concretas. Si cambia la calibración de una máquina, una forma de trabajar o la referencia fabricada, el modelo puede seguir dando predicciones aparentemente correctas sobre datos que ya no representan la planta. Ese fenómeno se llama drift y se detecta comparando de forma continua la predicción con lo que ocurre.
¿Qué es PYTH-IA?
La plataforma de inteligencia de procesos industriales de Deduce Data Solutions. Combina modelos de aprendizaje automático con la física del proceso y el contexto experto de la planta, y se monta sobre los sistemas que la fábrica ya tiene (SCADA, MES, ERP) sin sustituirlos.
