En aeroespacial, un lote de 18 soportes de titanio puede comerse el margen de la semana si una desviación se detecta tarde. Y no hablo de ciencia ficción: hablo de turnos, útiles, trazabilidad y presión de entrega. Si has leído la serie, ya sabes por dónde voy: una fábrica piensa cuando aprende de lo que ya le está pasando.

Por qué esto importa cuando fabricas piezas que no perdonan

La diferencia entre una fábrica con pantallas y una fábrica que piensa está en la reacción. Puedes tener dashboards preciosos y seguir llegando tarde al problema. Yo opino que la IA en planta solo merece la pena si reduce una espera, evita una repetición o ayuda a decidir mejor en menos tiempo. Lo demás suele acabar en comité, licencia anual y poco taller.

En esta serie hemos trabajado cuatro ideas: mirar el flujo antes que la herramienta, capturar datos donde nace el problema, conectar Lean e IA sin pelear metodologías y usar la tecnología para mejorar decisiones reales. La fábrica que piensa no sustituye al mando intermedio ni al operario experto. Les quita ruido.

De la mejora puntual al sistema que aguanta

En una célula de mecanizado de larguerillos de aluminio 7075, con dos centros de 5 ejes y un turno de noche de 8 h, me he encontrado con una situación bastante común: el OEE semanal parecía aceptable, un 74%, pero cada viernes aparecían entre 6 h y 9 h de pérdidas difíciles de explicar. Nadie mentía. Los motivos estaban mal registrados: "ajuste", "espera calidad", "microparo" y "otros". Demasiado "otros".

No montamos un proyecto gigante. Primero limpiamos el estándar de captura: 12 motivos máximo, definidos con ejemplos de taller. Después conectamos el parte digital con señales básicas de máquina: ciclo, parada, alarma y cambio de programa. Por último, aplicamos un modelo sencillo para detectar patrones: qué pieza, qué útil, qué turno y qué alarma se repetían antes de una pérdida superior a 20 min.

En 5 semanas vimos algo incómodo: el 38% de las paradas largas venía de comprobaciones de primera pieza que se lanzaban tarde, porque calidad recibía el aviso cuando la máquina ya estaba parada. La solución no fue "más IA". Fue un aviso 15 min antes del final de ciclo, una regla visual en planificación y una prioridad acordada con calidad. Resultado: 4,5 h menos de espera media por semana y menos discusiones de pasillo.

Para sostenerlo, recomiendo no enamorarte del piloto. Hay que proteger el sistema con disciplina básica:

• Revisar cada semana 3 indicadores con dueño: espera, repetición y desviación.
• Auditar 10 registros al azar por turno para evitar basura digital.
• Actualizar estándares cuando el dato demuestre una causa repetida durante 3 semanas.
• Parar automatizaciones que nadie usa, aunque hayan costado 12.000 €.

Sostener el resultado exige rutina, no épica. Si el jefe de producción mira el dato una vez al mes, la fábrica deja de pensar. Si el encargado lo usa cada mañana para decidir carga, apoyo y prioridad, la cosa cambia.

Lo que me llevo de esta serie y lo que haría mañana

Recapitulo sin adornos: empieza por el flujo, baja al dato real, une Lean e IA en problemas concretos y mide si la decisión mejora. Si no mejora, corta. Mi opinión es clara: en aeroespacial sobran PowerPoints sobre transformación digital y faltan pilotos con viruta, pieza bloqueada y responsable delante.

Si quieres seguir tirando del hilo, te recomiendo enlazar esta serie con las de Lean Manufacturing aplicado, Industria 4.0 en planta y mejora continua con datos. Ahí es donde la conversación se vuelve práctica: estándares, calidad, mantenimiento, planificación y personas.

Si en tu planta tenéis datos, máquinas conectadas y aun así seguís apagando fuegos, hablemos. En brotherHUB podemos ayudarte a aterrizar una fábrica que piense de verdad: diagnóstico, piloto medible y escalado sin teatro. La pregunta es sencilla: ¿qué problema concreto quieres que tu fábrica aprenda a anticipar antes de que vuelva a costarte dinero?

En una línea de mecanizado aeroespacial, perder 18 min buscando una referencia no parece dramático. Hasta que ocurre 11 veces en el turno de tarde. Ahí el muda deja de ser una palabra japonesa bonita y se convierte en horas de husillo parado, operarios esperando y entregas que empiezan a oler mal.

Por qué medir el muda ya no basta

Durante años he visto fábricas hacer un trabajo Lean decente: VSM en la pared, 5S razonable, reuniones de 10 min y acciones apuntadas con rotulador. Eso ordena la casa, y lo recomiendo. Pero hay un techo. La fábrica ve el desperdicio tarde, cuando ya ha mordido el margen.

La diferencia aparece cuando conectas los datos de planta con criterio operativo. No hablo de llenar la nave de pantallas. Hablo de saber, casi en tiempo real, dónde se está generando espera, transporte innecesario o sobreproceso. Menos muda no sale de un eslogan; sale de atacar causas con datos de máquina, turno, orden y pieza.

Un caso de taller: antes y después

En una célula de 4 centros de mecanizado de 5 ejes, dedicada a soportes estructurales de aluminio 7075 para aeroestructura, nos encontramos con un muda que todos intuían y nadie veía completo: las esperas entre fin de mecanizado, inspección dimensional y liberación de la siguiente operación.

La célula trabajaba a 2 turnos de 8 h, con series cortas de 6 a 18 piezas. Antes, el dato era pobre: inicio y fin de orden en el ERP, más alguna anotación manual. Parecía suficiente, pero no lo era. Al cruzar señales de máquina, avisos de calidad y movimientos internos, apareció una foto incómoda.

• Espera media entre mecanizado e inspección: 74 min por lote.
• Búsquedas de documentación técnica: 9 incidencias por semana.
• OEE medio de la célula: 61% durante 6 semanas medidas.
• Retrabajos por mala interpretación de la pauta: 4,8 h por semana.

La intervención fue muy terrenal. Primero estandarizamos cuatro marcas de tiempo: fin real de ciclo, disponibilidad de útil de medición, llegada a control y liberación de calidad. Después montamos una capa de análisis que avisaba cuando un lote llevaba más de 25 min sin moverse, separando si el bloqueo venía de máquina, calidad, logística interna o documentación. La IA no decidía por el jefe de turno; movía la niebla para que solo le dejara ver lo oportuno.

El después, tras medir y trabajarlo durante otras 6 semanas, no es magia. La espera media bajó de 74 min a 31 min por lote. El OEE subió de 61% a 69%. Las incidencias por búsqueda de documentación pasaron de 9 a 2 por semana. Y el retrabajo asociado a pauta cayó de 4,8 h a 1,5 h por semana. En dinero, solo con horas recuperadas de máquina y mano de obra, el ahorro estimado fue de 3.200 € al mes en esa célula.

Mi lectura es clara: la inteligencia operativa empieza cuando el sistema no solo registra lo que pasó, sino que señala dónde actuar antes de que el desperdicio se consolide. Lean te da el lenguaje. La IA, si está bien aterrizada, te da velocidad y foco.

La IA mala amplifica el caos

Opino que muchas plantas quieren IA demasiado pronto y estándar demasiado tarde. Si tus rutas son ambiguas, tus motivos de parada son un cajón de sastre y cada turno nombra el mismo problema de una forma distinta, el algoritmo solo hará más elegante el desorden. Primero disciplina de proceso; después, inteligencia.

Ahora bien, cuando ya tienes una base mínima, no aprovechar los datos me parece una renuncia cara. Una fábrica que piensa no sustituye al encargado que conoce la máquina por el ruido del cabezal. Le da mejores señales para decidir antes.

La pregunta seria es esta: ¿cuánto muda sigues aceptando porque todavía no lo ves con suficiente precisión?

Hay fábricas llenas de pantallas que siguen tomando decisiones a ciegas. Lo he visto demasiadas veces: 14 paneles en producción, 6 reuniones al día y nadie sabe por qué una célula pierde 38 min en el segundo turno. La pregunta incómoda es sencilla: ¿Tu planta se está viendo o solo se está mirando?

En esta tercera entrega me quiero meter donde suele doler: los errores. Porque hablar de una fábrica que piensa suena bien, pero muchos tropiezos aparecen antes de que la inteligencia artificial aporte nada. La planta tiene que aprender a verse con datos fiables, contexto de proceso y disciplina operativa. Si no, digitalizas ruido, automatizas excusas y acabas con un cuadro de mando que a nadie incomoda, pero que solo se consulta durante el comité del lunes.

Por qué importa aunque ya tengas Lean, MES y reuniones diarias

Si trabajas en fabricación aeroespacial, sabes que el margen de maniobra es estrecho. Una pieza mecanizada de titanio puede llevar 9 h de ciclo, pasar por verificación dimensional, tratamientos y documentación antes de moverse al siguiente lote. Cuando algo se tuerce, no pierdes solo minutos: bloqueas capacidad, entregas tarde y metes presión al taller.

Me he encontrado con plantas que tenían Lean implantado sobre el papel: SQCDP diario, tableros visuales, escalado de incidencias y eventos kaizen cada trimestre. Pero los datos de máquina iban por un lado, las no conformidades por otro y los comentarios del operario se quedaban en una libreta. Así no hay aprendizaje real. Hay memoria dispersa. Y una planta que no conecta causa, síntoma y decisión repite el mismo problema con otro nombre.

Anti-patrones que hacen que la fábrica mire, pero no vea

En una célula de mecanizado de larguerillos de aluminio 7075, con 4 centros de 5 ejes y turnos de 8 h, detectamos una caída de OEE del 81% al 68% durante 3 semanas. El primer impulso fue culpar al cambio de referencia. Sonaba razonable: más utillajes, más programas y más verificaciones intermedias. Pero al cruzar paradas, alarmas CNC, registros de metrología y notas de turno, apareció otra historia: el 42% del tiempo perdido venía de microparadas inferiores a 6 min por reajuste de mordazas y limpieza de viruta en una zona concreta.

Ese es el aprendizaje que busco cuando digo que la planta aprende a verse. No basta con saber que la máquina ha parado. Necesitas saber si la parada viene de método, material, mantenimiento, programa, útil o criterio de calidad. Y necesitas verlo a tiempo para actuar antes de que el problema se convierta en costumbre.

Algunos errores típicos que impiden que la planta se vea, se palpe, se reconozca son:

• Sensorizar sin propósito: poner captadores sin una decisión operativa asociada.
• Confundir dato con verdad: un registro automático también miente si el estado de máquina está mal definido.
• Medir para castigar: si el operario siente que el dato irá contra él, el sistema nace cojo.
• Separar Lean e IA: tratar la mejora continua como mural y la analítica como proyecto de IT.

Mi criterio es claro: una fábrica que piensa empieza con una taxonomía compartida de pérdidas. Si mantenimiento llama "ajuste" a una cosa, producción la llama "espera" y calidad la llama "retención", la IA hará estadística elegante sobre un idioma roto. Antes de entrenar modelos, entrena el vocabulario de planta. Es menos vistoso, pero ahorra meses.

Mi opinión: ver duele, pero no ver sale más caro

Cuando la planta aprende a verse, aparecen conversaciones incómodas. Ves que una instrucción de trabajo no se entiende. Ves que una máquina estrella depende de 2 personas concretas. Ves que un indicador mensual llega tarde para gestionar un problema diario. Y ves que algunas mejoras Lean eran más ritual que práctica.

A mí eso me parece sano. Prefiero una planta que discute con datos imperfectos, pero cercanos al proceso, a una organización que espera 100% de limpieza para empezar. Eso sí: no compro el "ya lo arreglará la IA". La IA, solo amplifica lo que ya tienes. Si tienes disciplina, amplifica aprendizaje. Si tienes desorden, amplifica confusión.

Solo porque mañana conectes todas tus máquinas mediante IoT a un MES e IA: ¿Tu planta tomaría mejores decisiones o solo tendría más pantallas encendidas?

Cuando una línea aeroespacial acumula 38 min de espera entre inspección y montaje, la IA no arregla nada por sí sola. Primero hay que mirar el flujo, tocar la pieza y entender por qué el operario se para. Ahí empieza, de verdad, la fábrica que piensa.

Esta segunda entrega baja al suelo de fábrica para separar dos cosas que se confunden demasiado: digitalizar una planta y hacer que piense mejor. Lean Manufacturing ya nos enseñó a ver desperdicio, variabilidad y sobrecarga en procesos reales. La IA añade cálculo y detección de patrones, pero si no nace de una necesidad de línea acaba siendo otra pantalla más. Te cuento cómo lo enfocaría en una planta aeroespacial: desde una pieza concreta, con tiempos, esperas, retrabajos y decisiones de turno.

Por qué importa cuando estas en la línea de fabricación

Opino que el error más habitual al hablar de IA industrial es empezar por el algoritmo. En planta, eso suele terminar en pilotos bonitos que nadie usa a las 3:00 h del turno de noche. Tú y yo sabemos que una línea no se gobierna con presentaciones, sino con piezas buenas, documentación cerrada, útiles disponibles y decisiones rápidas.

Lean aporta el mapa: flujo, takt, muda, estándar, causa raíz. La IA aporta otra cosa: capacidad para leer señales dispersas y avisarte antes de que el problema se coma el turno. La distinción central es esta: Lean decide qué merece atención; la IA ayuda a verlo antes. Si inviertes el orden, pagas tecnología para automatizar confusión.

Del desperdicio visible al patrón anticipado

Imagina una célula de montaje de soportes mecanizados para estructura aeronáutica. Pieza de aluminio 7075, 1,8 kg, lote de 24 unidades, dos turnos de 8 h. El proceso pasa por mecanizado final, desbarbado, inspección dimensional y montaje con casquillo. Sobre el papel, el ciclo estándar son 42 min por pieza. En la práctica, el martes salen 17 piezas buenas y el miércoles 23 piezas buenas. Misma máquina, misma referencia, misma gente cualificada.

La reacción típica es pedir más datos. Yo recomiendo pedir primero mejor observación. En un gemba de 90 min ves que la fresadora acaba bien, pero inspección acumula piezas entre las 10:20 h y las 11:40 h. El operario de montaje no espera a la máquina; espera la liberación dimensional. Además, cuando cambia el inspector, sube el retrabajo por pequeños golpes en arista: 6 piezas de 24 unidades vuelven a desbarbado, con 14 min extra cada una.

Ahí Lean te obliga a formular bien el problema: no es "baja productividad", es: "espera antes de la inspección más retrabajo innecesario por un criterio de aceptación variable en la calidad de las aristas". Ya tienes foco. Ahora entra la IA con sentido. Puedes alimentar un modelo sencillo con hora de fin de mecanizado, inspector asignado, número de aristas críticas, tiempo desde desbarbado, resultado dimensional y retrabajo. No buscas una caja negra que mande en la planta. Buscas una alerta que diga: "este lote tiene 72% de probabilidad de bloquear montaje antes de las 12:00 h si no se adelanta su inspección o se refuerza la capacidad del desbarbado". Bienvenidos al Floor management: la asignación dinámica e informada de recursos a secciones.

Ese es el mecanismo. La IA no sustituye el estándar; lo tensiona. Si acierta, ajustas la secuencia, la capacidad o la verificación. Si falla, aprendes qué variable industrial no estabas midiendo. Me he encontrado con más valor en una alerta imperfecta pero accionable que en un cuadro de mando precioso actualizado cada 24 h.

Mi criterio después de ver muchas modas pasar

No compro la idea de "planta autónoma" vendida como si el taller fuese un laboratorio limpio. En aeroespacial hay trazabilidad, certificación, mano experta, documentación y tolerancias que no perdonan 0,005 mm. La fábrica que piensa no elimina al jefe de turno ni al especialista; les quita ruido, ayudando a que dedique su saber y experiencia en lo que siendo prioritario, por capacitación solo pueden hacer ellos.

Mi apuesta es clara: empieza por un desperdicio caro, con una decisión repetida y datos capturables sin torturar a la línea. Si no puedes explicar la mejora en una pizarra de turno en 5 min, todavía no tienes un caso industrial. Nosotros lo ligamos a nuestro 4º Principio de Liderazgo: Aportar claridad y curiosidad. Viene a decir, que tu incapacidad para explicar el mecanismo de manera sencilla y clara es el reflejo de tu falta de comprensión del mismo.

¿Dónde pondrías tú la primera alerta inteligente: calidad, mantenimiento, planificación o flujo?

Una fábrica aeroespacial puede perder 45 min en una máquina de 5 ejes sin que nadie lo llame desperdicio. Se camufla como espera, ajuste fino o "cosas del turno". La pregunta incómoda es esta: ¿cuántas decisiones tomas cada día con datos que llegan tarde a tu ciclo de gestión?

Por qué importa cuando fabricas con tolerancias de micras

En aeroespacial no sobra margen. Una pieza mal mecanizada no es una anécdota: arrastra material certificado, horas de máquina, inspección y trazabilidad. Me he encontrado con células donde el OEE parecía aceptable en el informe mensual, pero el jefe de turno sabía que algo no cuadraba desde hacía 3 semanas. Ahí empieza el coste oculto: decidir tarde, corregir tarde y aprender tarde. Opino que muchas plantas no tienen un problema de datos; tienen un problema de decalaje entre la obtención del dato y la ejecución de la decisión.

Qué llamo "la fábrica que piensa", sin vender humo

Cuando hablo de "La fábrica que piensa" no me refiero a una planta autónoma con pantallas bonitas y algoritmos autónomos mientras el personal está tomando café. Me refiero a una fábrica que conecta Lean Manufacturing e IA para detectar desviaciones, priorizar problemas y ayudar a las personas a actuar antes. Definición mínima: una fábrica que piensa es la que convierte señales reales de proceso en decisiones útiles de producción, calidad y mantenimiento.

Imagina un taller con una DMG MORI de 5 ejes mecanizando un soporte estructural de titanio Ti-6Al-4V. Tiempo de ciclo: 3 h 20 min por pieza. En el turno de noche, la vibración del husillo sube un 18% durante el acabado de una cajera profunda. La pieza sale dentro de tolerancia, pero el rugosímetro marca 1,5 µm Ra cuando venías trabajando en 0,9 µm Ra. Nadie para la máquina porque "aún cumple". Dos lotes después, aparece una rebaba persistente, se cambian plaquitas antes de tiempo y metrología retrasa 6 piezas durante 7 h.

Ese es el agujero negro habitual. El Lean clásico te diría que mires flujo, variabilidad, estándar y causa raíz. Bien. La IA puede ayudarte a ver patrones que no caben en una pizarra: vibración, carga de husillo, temperatura, vida de herramienta, avisos del CNC y resultados de inspección. Pero recomiendo empezar por una pregunta de planta, no por una herramienta tecnológica. Por ejemplo: "¿podemos anticipar cuándo una operación empieza a degradarse aunque la pieza todavía cumpla plano?".

La diferencia está en no separar ambos mundos. Lean sin datos vivos ya es lento en procesos complejos. IA sin gemba fabrica gráficos que solo decoran, porque nadie los entiende y mucho menos usa. En una planta aeroespacial eso se paga en horas, material y confianza. En esta serie veremos señales de proceso, ruido frente a causa, decisiones asistidas y gobierno del dato, siempre desde el taller y no desde una diapositiva.

Mi posición: pensar más no significa automatizarlo todo

No compro la idea de que la mejor fábrica es la que elimina al operario de la ecuación. En fabricación exigente, la experiencia de turno vale mucho. Lo que sí defiendo es quitarle carga absurda: buscar datos en 4 sistemas, interpretar alarmas repetidas, esperar a que calidad confirme lo que el proceso ya estaba avisando.

Si esta serie te encaja, síguela con ojo crítico. Y dime una cosa: en tu planta, ¿qué señal llega siempre demasiado tarde?