La pregunta que de verdad decide un proyecto de IA industrial no es qué modelo usar. Es si los datos industriales de tu planta están en condiciones de sostenerlo.
Cada semana llegan a Deduce Data Solutions plantas que ya tienen SCADA, MES o ERP funcionando desde hace años. Aun así dudan de si eso “cuenta” como datos suficientes.
La respuesta casi nunca es un sí o un no rotundo. Es un rango, y saber en qué punto de ese rango está tu planta cambia por completo cómo se diseña el proyecto.
En este artículo compartimos el mismo checklist de 7 preguntas que usamos internamente para diagnosticar la preparación de datos industriales antes de arrancar un proyecto de Industrial Process Intelligence (IPI). Lo acompañamos de datos verificables sobre por qué esto importa tanto, y de dos casos reales donde datos lejos de perfectos sí sirvieron para tomar mejores decisiones.
El proyecto de IA no falla por el modelo, falla por los datos
La mayoría de las conversaciones sobre inteligencia artificial industrial giran en torno al algoritmo: qué modelo, qué arquitectura, qué proveedor. Pero la causa más común de fracaso está un paso antes, en la calidad y la trazabilidad de los datos industriales de partida.
Un informe reciente de MIT NANDA, “The State of AI in Business 2025”, analizó decenas de despliegues corporativos de IA generativa. Encontró que el 95% de los pilotos no logran generar un retorno medible para el negocio.
La causa que se repite no es la calidad del modelo. Es la falta de integración con los flujos de datos y procesos reales de la organización (MIT NANDA / Fortune, agosto de 2025).
McKinsey llega a una conclusión parecida desde otro ángulo. En su análisis “AI data readiness: Foundation for scaling enterprise AI” (2026), solo el 7% de las empresas ha logrado escalar la IA a toda la organización.
Más de dos tercios de las que sí obtienen resultados señalan los datos, no la tecnología, como el principal obstáculo. La brecha no está en la ambición, está en la base.
En la industria el patrón se repite. La encuesta 2025 Smart Manufacturing and Operations Survey de Deloitte, realizada entre 600 directivos de manufactura, muestra que apenas el 29% usa IA o machine learning a escala de planta o de red.
Un 40% sitúa la analítica de datos entre sus prioridades de inversión para los próximos 24 meses. La brecha entre “querer hacer IA” y “poder hacerla” se explica, en buena parte, por el estado de los datos industriales de partida.
Y esos datos casi nunca faltan del todo. El problema no suele ser la ausencia de datos industriales, sino que existen dispersos, sin contexto o sin la trazabilidad necesaria para que un modelo aprenda algo útil de ellos.
De dónde salen tus datos industriales, en la práctica
Antes de entrar en el checklist conviene aclarar de qué hablamos cuando hablamos de datos industriales. Casi ninguna planta parte de cero.
El SCADA (Supervisory Control and Data Acquisition, supervisión y control de planta) suele aportar el pulso en tiempo real del proceso: temperaturas, presiones, consumos, estados de máquina. El MES (Manufacturing Execution System, gestión de la producción) añade el contexto de qué se fabricó, en qué línea, en qué turno y con qué resultado de calidad.
El ERP (Enterprise Resource Planning, planificación de recursos) cierra el círculo con órdenes de producción, materiales y costes. Por separado, cada sistema cuenta solo una parte de la historia.
Un proyecto de IA útil casi siempre necesita cruzar los tres. Ahí es donde la mayoría de los datos industriales de una planta demuestran su verdadero estado de preparación: no en cada sistema aislado, sino en la capacidad de conectarlos entre sí.
¿Quién debería responder este checklist?
En nuestra experiencia, el checklist funciona peor cuando lo rellena una sola persona desde una oficina. Un director de tecnología o de operaciones puede valorar bien la parte de sistemas -qué SCADA, qué MES, qué integración existe- pero rara vez conoce el detalle diario de cada sensor.
Por eso recomendamos completarlo junto con alguien de planta: un jefe de turno, un responsable de mantenimiento o un técnico con años en la línea. Esa combinación es la que realmente diagnostica el estado real de esos datos, no solo el de tus sistemas.
Cuando ambas perspectivas coinciden en las 7 respuestas, la confianza en el resultado es mucho mayor. Cuando no coinciden, esa propia discrepancia ya es información valiosa sobre dónde está el riesgo del proyecto.
7 preguntas para saber si tus datos industriales están listos
Este es el checklist que usamos en Deduce Data Solutions antes de proponer un piloto. No busca un “sí” perfecto en las 7 preguntas: busca que sepas, con precisión, en qué punto está tu planta.
1. ¿Tus sistemas registran marcas de tiempo consistentes entre SCADA, MES y ERP?
Sin timestamps sincronizados no se puede cruzar una variable de proceso con una orden de producción o un consumo energético. Es la base de cualquier análisis causal sobre datos industriales.
Suele ser el primer punto donde aparecen los desajustes entre sistemas instalados en distintas épocas.
2. ¿Existe un histórico de al menos 12-18 meses, no solo datos en tiempo real?
Un modelo necesita ver la variabilidad estacional y ciclos de producción completos, no una fotografía del último mes. Los registros de un solo turno o una sola campaña rara vez son representativos de cómo se comporta la planta a lo largo de un año completo.
3. ¿Los nombres de tus variables son consistentes entre líneas, turnos y técnicos?
Si una misma variable cambia de nombre según quién la registró, cualquier modelo tendrá que reconciliar eso a mano antes de aprender nada. Esta inconsistencia es, en la práctica, uno de los mayores consumidores de tiempo en proyectos de datos industriales, muy por encima del entrenamiento del propio modelo.
4. ¿Sabes qué porcentaje de tus datos tiene huecos o valores fuera de rango?
No hace falta que sea cero. Hace falta saberlo, para decidir si se corrige, se imputa o se descarta antes de entrenar nada.
La incertidumbre no diagnosticada es más costosa que el hueco en sí.
5. ¿Puedes explicar qué significa físicamente cada variable clave y por qué se mide?
Un dato sin contexto operativo -qué proceso representa, en qué unidades, con qué sensor- es difícil de validar y fácil de malinterpretar. Los datos industriales solo son útiles cuando alguien en la organización puede explicar su origen físico, no solo su nombre de columna.
6. ¿Las paradas, incidencias y mantenimientos están registradas en un sistema, no solo en la memoria del equipo?
Estos eventos son las etiquetas que un modelo necesita para distinguir la operación normal de la anomalía. Sin ellas, hasta el histórico más largo pierde buena parte de su valor predictivo.
7. ¿Hay alguien en planta que pueda validar si un patrón detectado tiene sentido operativo?
El dato perfecto no sustituye el criterio humano. Esa validación convierte un patrón estadístico en una decisión confiable, y es tan parte de la preparación de datos industriales como cualquier campo de una base de datos.
Cómo leer tu resultado
La preparación de datos industriales es un rango, no un aprobado o un suspenso.
Con 6 o 7 respuestas afirmativas hay una base sólida: se puede arrancar un piloto sobre estos datos casi de inmediato. Con 4 o 5, hay huecos, pero son manejables, y conviene empezar en paralelo mientras se refuerza el origen del dato.
Con 0 a 3 respuestas afirmativas conviene ordenar antes la captura y la trazabilidad. No hace falta que los datos industriales sean perfectos.
Sí hace falta que sean fiables, y que se sepa exactamente dónde están sus límites antes de comprometer presupuesto en un proyecto más ambicioso.
Un matiz importante: un resultado bajo no significa “esperar un año antes de tocar la IA”. Significa que el primer proyecto debería ser más pequeño y más centrado en ordenar la captura de datos industriales que en desplegar un modelo complejo desde el primer día.
De hecho, muchas plantas con 0 a 3 síes logran subir a 5 o 6 en pocos meses simplemente estandarizando nombres de variable y activando el registro sistemático de paradas. No suele ser un problema de presupuesto, sino de prioridad y de método.
El error más caro: esperar al “dato perfecto”
Ninguna planta tiene datos industriales perfectos, ni siquiera las que llevan años digitalizadas. Un análisis reciente sobre el fenómeno del “dark data” en la industria (Forbes Technology Council, diciembre de 2025) resulta revelador al respecto.
Recoge que buena parte de las empresas y plantas industriales usa en torno a un 32% de los datos que ya posee. El resto -sensores, históricos, registros de mantenimiento- queda sin explotar, según el informe “Rethink Data” de Seagate citado en el análisis.
Esperar a limpiar todo antes de empezar solo retrasa lo que de verdad hace falta aprender: qué falta, qué sensor miente y qué proceso hay que entender mejor. En nuestra experiencia con plantas muy distintas, se avanza más rápido de otra forma.
Conviene trabajar con lo que hay, acotar un piloto y corregir sobre la marcha, en lugar de esperar a una limpieza total que casi nunca llega.
Dos casos reales: datos imperfectos que sí sirvieron
Cuando el histórico de un SCADA bastó para ahorrar gas
Reinosa Forgings & Castings (RFC), una forja centenaria de Cantabria que produce piezas de hasta 70 toneladas, no partía de datos industriales perfectos. Partía de los que ya tenía: el SCADA de sus hornos de tratamiento térmico y años de registros de operación.
Con ese punto de partida, Deduce Data Solutions desarrolló Hefesto. Es un sistema que aprende del comportamiento real de los hornos para anticipar y reducir su consumo de gas, uno de los mayores costes energéticos de una planta de forja.
El sistema convive con el SCADA existente, sin sustituir infraestructura. Se organiza en tres capas: un modelo predictivo de consumo, un planificador de ocupación de hornos y un monitor de desviaciones para mantenimiento preventivo.
El proyecto se desarrolló con apoyo del programa INNOVA 2024 del Gobierno de Cantabria, gestionado por SODERCAN. Se validó industrialmente sobre cinco hornos de una línea principal de forja comercial.
El resultado: un potencial de hasta un 30% de ahorro de gas en los hornos analizados. A eso se suma una detección de desviaciones que antes solo se descubrían al recibir la factura.
“Hefesto no solo nos permitirá reducir consumo energético y emisiones, sino también ganar precisión, fiabilidad y control operativo”, resume Javier Cordón, director de Tecnología de Reinosa Forgings & Castings.
Nada de esto exigió esperar a que los datos industriales de la planta fueran ideales. Exigió entender qué había, qué le faltaba y diseñar el sistema alrededor de esa realidad.
Puedes ver el detalle técnico completo en nuestro caso de éxito sobre cómo la IA redujo el consumo de gas en hornos industriales.
Cuando los datos ya alcanzaban para decidir mejor, no solo para predecir
En fabricantes de automoción y neumático, DDS se ha encontrado con el reto contrario: los datos industriales existían, pero las decisiones operativas se seguían tomando con criterios conservadores, “por experiencia”.
Qué secuencia de producción usar, cómo repartir carga entre hornos y cubilotes, qué compromiso asumir entre coste, energía y plazo: todo eso dependía del criterio individual, no de una comparación cuantitativa de alternativas.
Con esos mismos datos de proceso, DDS desarrolló Pythia. Es un sistema que simula escenarios de operación y cuantifica su impacto en coste, energía, plazo, calidad y capacidad antes de decidir.
En lugar de entregar una única recomendación opaca, muestra las alternativas comparadas y explica por qué una es preferible a otra. El punto de partida no fue más sensórica ni más datos industriales.
Fue una capa de comprensión sobre los datos que la planta ya generaba. Es la misma lógica del checklist de este artículo, aplicada a un problema distinto.
Errores comunes al evaluar tus datos industriales
Hay un error que vemos repetirse en plantas muy distintas: confundir “tener muchos datos” con “tener datos industriales útiles”. Un histórico enorme en bruto, sin trazabilidad ni contexto, puede ser menos aprovechable que un histórico modesto pero bien documentado.
Otro error frecuente es tratar la calidad de los datos como un proyecto aparte, previo y separado del proyecto de IA. En la práctica, entender los datos industriales de una planta es ya la primera fase del proyecto, no un requisito administrativo antes de empezar.
También es habitual sobrestimar la sensórica necesaria. Antes de instalar más sensores conviene revisar si los que ya existen -muchas veces infrautilizados dentro del propio SCADA- alcanzan para responder la pregunta de negocio real.
Por último, algunas organizaciones esperan que el equipo de IA “adivine” qué significa cada variable sin involucrar a nadie de planta. Esos datos sin quien los interprete son, en la práctica, datos a medias.
Qué hacer si tu resultado no fue un 6 o un 7
Si tu checklist salió en rango bajo, el paso siguiente no es un proyecto de IA a gran escala. Es un diagnóstico corto y acotado sobre los datos industriales que ya tienes.
En Deduce Data Solutions somos un equipo científico especializado en Industrial Process Intelligence (IPI). Convertimos los datos que tu planta ya genera en comprensión física, operativa y accionable, antes de proponer ningún modelo.
Trabajamos en modo brownfield, integrándonos con los sistemas que ya existen en planta. No exigimos grandes inversiones de instrumentación nueva.
Comprender antes de optimizar empieza, siempre, por entender los datos industriales que ya existen. No por esperar a que sean ideales.
Antes de escribir el primer requisito técnico de tu próximo proyecto de IA, recorre las 7 preguntas de este artículo con tu equipo de planta. Anota, con honestidad, cuántos síes obtienes sobre tus propios datos industriales.
Ese número, más que cualquier propuesta comercial, es el punto de partida real de tu proyecto.
Fuentes consultadas
- MIT NANDA, “The State of AI in Business 2025” (The GenAI Divide), recogido por Fortune, 18 de agosto de 2025
- McKinsey & Company, “AI data readiness: Foundation for scaling enterprise AI” (2026)
- Deloitte, “2025 Smart Manufacturing and Operations Survey”
- Forbes Technology Council, “Analysis Of The Dark Data Phenomenon In Industrial Practice” (Adrian Stelmach), 12 de diciembre de 2025, citando el informe Seagate “Rethink Data”
- El Faradio, “Reinosa Forgings & Castings y Deduce Data Solutions culminan la fase final de ‘GASAI'”, 2 de septiembre de 2025
- Deduce Data Solutions, caso de éxito Hefesto/GASAI
