La inteligencia artificial está captando la atención de la manufactura, pero el punto de partida no es el modelo ni la herramienta. Marc Kermisch, chief technology & AI officer en Protolabs, sostiene que las empresas deben construir primero una base sólida, priorizando conectividad, procesos y, sobre todo, gestión de datos.
Kermisch afirma que conviene empezar con la gobernanza del proceso y de los datos. Un catálogo de datos puede definir elementos, explicar cómo se categorizan y describir cómo fluyen dentro de la organización. Sin ese contexto, advierte, la misma pregunta puede producir respuestas distintas en días diferentes, y si la IA recibe datos mal estructurados el resultado difícilmente será claro.
En planta, el problema es aún más visible. Una máquina puede medir productividad por horas de funcionamiento, otra por piezas producidas y otra por una métrica distinta. Si la IA recibe esas definiciones sin orden, puede devolver respuestas inconsistentes o inexactas cuando se le pregunta por productividad. En cambio, con datos definidos, bien gestionados y «limpios», el sistema puede generar respuestas repetibles y útiles.
El costo de no hacerlo es concreto. Según Kermisch, alimentar la IA con datos inconsistentes puede derivar en retrabajo, paradas de máquina, mayores costos y entregas incumplidas. El riesgo es mayor en sectores de alto impacto como aeroespacial y defensa, tecnología médica o equipo industrial, donde cada pieza debe cumplir criterios estrictos.
La manufactura, además, depende de muchos conjuntos de datos que llegan desde sistemas distintos. Los pedidos de clientes pueden entrar por CRM o ERP, mientras que los datos de mano de obra, máquinas, calidad y entregas a tiempo provienen de sistemas separados en planta. Kermisch señala que esas plantas no siempre están bien conectadas y que, con el tiempo, muchos fabricantes han invertido poco en tecnología, datos y procesos estandarizados.
A eso se suma una realidad financiera: las empresas manufactureras suelen operar con márgenes ajustados y tienen capital importante inmovilizado en materias primas, máquinas y trabajo. Por eso, los equipos tecnológicos que dan soporte a las plantas suelen ser más pequeños. Kermisch contrasta este cuadro con industrias como la bancaria, más livianas en activos y, según su experiencia, con sistemas más modernos e integrados.
Para capturar beneficios de sistemas conectados con IA, la compañía necesita un «hilo digital» limpio que una diseño, ejecución de producción y resultados de calidad. Ese hilo permite ver dónde existe fricción y dónde conviene introducir mejoras, automatización o IA para reducirla. También ayuda a rastrear el recorrido de un pedido desde la carga del archivo CAD hasta la entrega de las piezas terminadas.
Kermisch propone un enfoque híbrido: conocimiento interno con software de terceros y almacenes de datos centralizados en la nube. Describe tres capas: bronce, con datos crudos; plata, donde los datos se limpian y alinean con reglas de gestión maestra; y oro, con datos confiables para tableros empresariales. En su caso, esos tableros incluyen ventas diarias, envíos, actividad web, cargas de archivos y cotizaciones.
La lección para el mercado es clara: la IA no reemplaza la disciplina operativa. La capitalización real llega cuando la empresa ordena su base de datos, reduce fricciones y protege sus márgenes con procesos confiables. Capital busca reglas claras; aquí, la primera regla es que sin datos sólidos no hay retorno sostenible.
El segundo aprendizaje también importa para cualquier directorio: el gasto tecnológico sin estructura puede terminar siendo otro costo fijo más. La ventaja no está en correr detrás de la moda, sino en convertir información dispersa en productividad medible. En la práctica, la competitividad arranca cuando el dato deja de ser ruido y pasa a ser activo.
