Entre el 70 y el 80 % de las empresas europeas dice estar usando inteligencia artificial en alguna parte de su organización, pero solo una de cada seis consigue un retorno claro y medible. Por qué ocurre y cómo elegir los proyectos que sí merecen la inversión fue el tema del webinar «Qué proyectos de IA merecen inversión en una planta y cómo medir su retorno», celebrado el 29 de octubre dentro del programa Pyme Digital 2026 de la Cámara de Comercio de Cantabria.
En esta crónica
- Muchas empresas usan IA y pocas ven el retorno
- Cinco motivos por los que el retorno no llega
- Antes de invertir: un problema de negocio, no una tecnología
- Medir: la métrica, la línea base y lo que vale la mejora
- Datos propios, contexto experto y un dueño en planta
- Después del despliegue: un sistema que hay que vigilar
- Lo que vendrá en el próximo webinar
- Preguntas frecuentes
Abrió la sesión Adrián Nieto, de la Cámara de Comercio de Cantabria, que presentó el programa Pyme Digital: charlas como esta, diagnósticos de digitalización y ayudas para empresas industriales, comercios y autónomos. Recordó además que la Cámara acompaña a las empresas en formación, internacionalización, sostenibilidad, emprendimiento y gestión. Después tomó la palabra Diego Tuccillo, CEO de Deduce Data Solutions, una spin-off de la Universidad de Cantabria que aplica inteligencia artificial a procesos industriales.
1Muchas empresas usan IA y pocas ven el retorno
Tuccillo partió de una diferencia que se ve en el mercado. Las grandes tecnológicas llevan muchos años preparando su infraestructura para la inteligencia artificial, y hoy le sacan el máximo partido: son empresas que nacieron pensadas para ella. La gran mayoría del resto la ha visto llegar por los medios y por sus competidores, sabe que no adoptarla es quedarse atrás y está buscando por dónde empezar.
Ahí aparece lo que las estadísticas europeas y las consultoras llaman la paradoja de la adopción. Según los datos que citó, entre el 70 y el 80 % de las empresas declara que ya usa inteligencia artificial de alguna forma, aunque en esa cuenta entra desde un proyecto industrial hasta una licencia de un asistente de ofimática.
De todas las empresas que dicen haber adoptado IA, solo el 17 % reporta que esa inversión le ha dado un retorno económico claro, verificable y sostenido.
La pregunta que guió el resto del webinar fue por qué unas herramientas que dan tanto valor a las grandes empresas no lo dan en la mayoría de las pymes y de las empresas que no nacieron con ellas.
2Cinco motivos por los que el retorno no llega
Pilotos que nunca salen del departamento
Es lo que la prensa especializada ha bautizado como el cementerio de los pilotos. Se hacen pruebas en un área, a veces funcionan y a veces no, y aun cuando funcionan casi nunca se integran en el resto de la empresa. Se quedan en un silo. Según la cifra que mostró Tuccillo, menos del 3,8 % de las empresas europeas declara tener una estrategia de inteligencia artificial integrada.
La IA es tan buena como los datos que la alimentan
El aprendizaje automático aprende de ejemplos, igual que a un niño no se le explica el concepto abstracto de mesa, sino que se le enseñan mesas. Si los ejemplos son malos, el sistema aprende mal, y puede llegar a dar resultados que hacen daño.
Nadie en la empresa se apropia del sistema
Falta alguien dentro que impulse la adopción, y además pesa la resistencia al cambio. Los titulares sobre la IA que viene a quitar puestos de trabajo venden artículos y tienen algo de fondo real, pero también generan miedo en las personas que tendrían que usar las herramientas. Sin uso no hay retorno: el proyecto se queda en un ejemplo.
Más prudencia de la que pide la regulación
Europa es probablemente el sitio del mundo con más regulación sobre inteligencia artificial. Hay un marco que se tiene que respetar, pero a menudo la reacción es más prudente de lo que exige el riesgo real. Se puede trabajar con IA dentro del marco regulatorio en lugar de concluir directamente que no es para nosotros.
Un retorno que necesita madurar
Hay tecnologías cuyo beneficio se ve de un día para otro. La inteligencia artificial a veces también, pero muchas veces necesita adaptarse a la empresa donde se implanta y crece en complejidad con el tiempo. Conviene saberlo antes de abandonar un proyecto. La diapositiva lo situaba en una maduración de seis a dieciocho meses y en un retorno sostenible a tres o cinco años.
No os queremos decir que todas las empresas tienen que aplicar inteligencia artificial, aunque somos una empresa de inteligencia artificial y nos vendría muy bien decirlo. Como decís aquí en España, no hay que matar moscas a cañonazos.
Diego Tuccillo, CEO de Deduce Data Solutions
Para cada problema hay que ver si la mejor solución pasa por la inteligencia artificial o basta con algo más simple y, si hace falta IA, qué tipo resulta más rentable. Empezar con un piloto le parece buena idea, siempre que forme parte de un programa estratégico. Para ordenarlo propuso el marco de cuatro dimensiones que usan las grandes consultoras: oportunidad, impacto, preparación y compromiso de uso.
Partir de un problema del negocio que ya cuesta dinero, no de los datos disponibles ni de una herramienta.
Fijar la línea base, la mejora mínima que justifica el proyecto y la métrica que entrenará el modelo.
Datos propios con calidad suficiente, conocimiento experto de la planta e infraestructura conectada.
Un dueño operativo del problema y un equipo implicado que use el sistema y lo realimente.
3Antes de invertir: un problema de negocio, no una tecnología
Tuccillo describió dos puntos de partida que, en su experiencia en proyectos, acaban mal con frecuencia. El primero sale de los datos: «tenemos esta máquina que produce datos, ¿qué podemos hacer con ellos?». El segundo sale de la tecnología: se ponen sobre la mesa varias soluciones que alguien ha visto u ofertado y se elige la más barata o la que más convence. Los dos llevan a modelos interesantes y cuadros de mando bonitos que se enseñan en la reunión de fin de año y no escalan a producción.
Lo que recomienda es arrancar de un problema real. A veces ya se conoce dentro de la empresa: unos defectos en piezas que suponen pérdidas de 100.000 euros al año, por ejemplo. Otras veces hay que buscarlo con un descubrimiento proactivo, auditando los procesos para localizar las ineficiencias estructurales, con el equipo interno o con apoyo externo. Una vez localizado el problema, quedan tres filtros.
Tres filtros antes de iniciar un proyecto de IA
- Dolor económico claro. Un defecto que cuesta 10.000 euros al año en una empresa que factura 10 millones probablemente no merece el proyecto.
- Repetición suficiente. La inteligencia artificial trabaja con estadística: necesita casos para aprender y acierta casi siempre, no siempre. Con un problema que aparece pocas veces, el beneficio es bajo.
- Decisión no trivial. Si una regla fija resuelve el problema, no hace falta IA. A veces una técnica estadística de hace cien años da una solución más fiable.
4Medir: la métrica, la línea base y lo que vale la mejora
En el aprendizaje automático el equipo no decide cómo razona el sistema, pero sí decide la tarea, los ejemplos con los que aprende y la métrica con la que se mide si lo hace bien. Esa métrica es donde se juega buena parte del proyecto. Tuccillo lo ilustró con un ejemplo de detección de defectos.
Un modelo con un 95 % de precisión parece un resultado excelente. Si el 5 % en el que falla son las piezas críticas, las más caras, de las que depende buena parte de la facturación, la métrica es desastrosa. Vale más un sistema con menos precisión global que acierte siempre en esas piezas.
La métrica tiene que conectarse con el negocio: energía, chatarra, riesgo y las prioridades operativas que se hayan fijado. Después viene la línea base. Si se quiere bajar el consumo eléctrico de un horno de inducción, primero hay que saber cuánto consume de media hoy, qué mejora es realista y cuál es la mejora mínima que justifica el proyecto. Con esa cifra en la mano también se distingue una oferta competitiva de una que no lo es.
Ver una inversión en inteligencia artificial como un coste ya es un planteamiento equivocado. Si la conectamos con un problema real y sabemos qué mejora queremos, una inversión de 50.000 euros es barata si luego vemos un retorno de 100.000.
Diego Tuccillo
5Datos propios, contexto experto y un dueño en planta
La inteligencia artificial necesita datos. Incluso los modelos preentrenados dan su mejor resultado cuando se ajustan con los datos de la empresa, y hay modelos que se entrenan solo con ellos. Junto a los datos hace falta el contexto experto: cada empresa se parece a sus competidoras, pero tiene su propio valor diferencial, y el sistema tiene que respetarlo en sus predicciones y en las decisiones que propone.
Que no haya un histórico largo o que la calidad del dato no sea perfecta no bloquea el proyecto. Sirve para decidir qué tipo de solución se puede implantar. Lo mismo ocurre con la conexión a los sistemas de la planta, como el MES (sistema de ejecución de la fabricación) o el ERP (sistema de gestión empresarial): de ella depende que la solución pueda dar recomendaciones en tiempo real.
La otra mitad de la preparación es humana. Hace falta un responsable operativo del problema dentro de la empresa que acompañe la implantación, que reciba la lógica del sistema para sacarle partido y que dé una retroalimentación continua para que siga mejorando. Y hace falta un compromiso de uso: cuanta más parte del equipo esté implicada, menos miedo genera la adopción.
Tuccillo insistió en que, bien adoptada, la inteligencia artificial no quita el trabajo a las personas: cambia la manera de trabajar, hace menos repetitivas las tareas repetitivas y mejora las decisiones. Lo que no funciona es pretender usarla con los métodos de hace cuarenta años.
6Después del despliegue: un sistema que hay que vigilar
Un programa tradicional sigue reglas cerradas: recibe una entrada y devuelve una salida, y sus pruebas se aprueban o se suspenden. Un sistema de aprendizaje automático recibe datos y devuelve probabilidades, y sus pruebas son estadísticas.
Si viene un consultor externo y os dice que el consumo será de 30 megavatios exactos, sin barra de error y sin intervalo de confianza, tiene que sonaros una campanilla de alarma. Estos sistemas son estadísticos y tienen que dar intervalos de confianza. Y mejor aún si explican por qué en un momento están más seguros o menos.
Diego Tuccillo
El ciclo de vida de un modelo, lo que se conoce como MLOps (operaciones de aprendizaje automático), se dibuja como un ocho tumbado: planificación, análisis de datos, modelado, pruebas, despliegue y monitorización, y vuelta a empezar. Del análisis de los datos suelen salir hipótesis nuevas, a veces más valiosas que las de partida, que obligan a replantear el problema.
La monitorización es la parte que más se descuida. Cuando un programa clásico falla, se nota: aparece un error. Un modelo de aprendizaje automático puede seguir dando recomendaciones con apariencia normal mientras se aleja de la realidad, porque se entrenó con unos datos y unas condiciones que ya no existen: se cambió una máquina, cambiaron las condiciones de operación o pasó algo tan grande como la pandemia entre los datos de antes y los de ahora. Por eso hay que vigilarlo y recalibrarlo.
7Lo que vendrá en el próximo webinar
Tuccillo adelantó el tema de una segunda sesión: dónde se usa de verdad el aprendizaje automático en la industria, más allá de los asistentes conversacionales que hoy acaparan la atención. Lo ordenará en tres dominios (visión artificial, modelos predictivos con datos tabulares y modelos generativos), con casos de uso, y terminará con la adopción que más valor promete: la que permite a una empresa, también a una pequeña, abordar problemas que antes no podía ni plantearse.
En el turno final no llegaron preguntas por el chat. Quien se quedó con alguna duda puede reservar media hora con el equipo en el enlace del final de esta crónica.
La grabación completa
Los 47 minutos del webinar, con capítulos para ir directamente a cada parte.
Si te interesa el mismo marco contado en presencial, con mesa redonda incluida, puedes leer la crónica de la jornada «Del dato a la acción» de AFM Cluster en Elgoibar.
Gracias a la Cámara de Comercio de Cantabria y a Adrián Nieto por contar con Deduce Data Solutions en el programa Pyme Digital, y a todas las personas que se conectaron el 29 de octubre.
¿Tienes un proceso en mente?
Si estás valorando un proyecto de inteligencia artificial en un proceso concreto de tu planta, revisamos contigo en 30 minutos si tiene sentido y cómo se mediría su retorno.
Reservar una conversación8Preguntas frecuentes
¿Qué tiene que tener claro una planta antes de invertir en un proyecto de IA?
Qué problema concreto del negocio resuelve, cuánto cuesta hoy ese problema, si se repite lo suficiente y si la decisión es lo bastante compleja como para que una regla simple no baste. Si no pasa esos filtros, probablemente no merece un proyecto de inteligencia artificial.
¿Cómo se mide el retorno de un proyecto de IA en industria?
Fijando antes de construir el modelo la línea base (consumo, chatarra, paradas, retrasos), la mejora mínima que justifica el proyecto y su traducción a euros o a riesgo. La métrica con la que se entrena el modelo tiene que ponderar el coste real de cada error, no solo la precisión global.
¿Por qué tantos pilotos de IA no llegan a producción?
Porque nacen aislados en un departamento, sin estrategia común ni integración operativa, y porque nadie en la planta se apropia del sistema. También influyen la calidad de los datos, una prudencia excesiva ante la regulación y la expectativa de un retorno inmediato.
¿Hace falta tener datos perfectos para empezar?
No. La disponibilidad y la calidad de los datos no bloquean el proyecto: determinan qué tipo de solución se puede implantar. Sí hacen falta datos propios de la empresa y el conocimiento experto de quienes trabajan en el proceso.
¿Dónde puedo ver la grabación del webinar?
En esta misma página, en el apartado «La grabación completa», con capítulos para ir a cada parte de la charla.
¿Qué es el drift y por qué obliga a monitorizar un modelo?
Es el desajuste que aparece cuando cambian los datos, las máquinas, los operarios, los materiales o la demanda respecto a las condiciones en que se entrenó el modelo. El sistema sigue dando resultados con apariencia normal, pero cada vez se aleja más de la realidad, así que hay que vigilarlo y recalibrarlo.
