Para ver un PDF del documento técnico, haga clic aquí.

Las Industrias de Gran Escala no Carecen de Datos: Carecen de Perspectivas

Transformar los datos en inteligencia podría convertirse en la clave para desbloquear la próxima década de productividad y creación de valor en las industrias de gran escala. He aquí cómo…

En sectores tan diversos como la minería, la construcción, la manufactura, la energía y la infraestructura, se intensifican cada vez más las presiones estructurales sobre los operadores. Los activos se acercan al final de su vida útil, los costos aumentan constantemente, las operaciones se vuelven más complejas y la oferta de talento calificado es cada vez menor. Al mismo tiempo, las expectativas en materia de seguridad, productividad, transparencia y desempeño ambiental continúan creciendo.

La tecnología digital suele considerarse como el catalizador que permitirá a las industrias responder a estos desafíos. En la última década, las organizaciones industriales han invertido considerablemente en sensores, automatización, plataformas de analítica y herramientas impulsadas por la IA. En la actualidad, las operaciones generan volúmenes de datos sin precedentes, capturando desde el estado de los equipos y las tasas de producción hasta la actividad de la fuerza laboral y las variables ambientales.

Sin embargo, a pesar de este progreso, muchas empresas aún enfrentan dificultades para convertir sus datos en inteligencia accionable. Esta desconexión es cada vez más reconocida a nivel industrial, y múltiples estudios identifican una brecha creciente entre la adopción de tecnologías digitales y las mejoras medibles en el desempeño impulsadas por una arquitectura unificada de datos.

DIGITALIZACIÓN SIN TRANSFORMACIÓN

La mayoría de las grandes empresas industriales ya ha experimentado al menos una ola de transformación digital y, en muchos casos, varias. Cada iniciativa ha incorporado nuevas herramientas, plataformas y tableros, a menudo enfocados en funciones específicas como mantenimiento, ventas, producción o finanzas. Si bien estos esfuerzos han generado mejoras puntuales, rara vez han transformado la forma en que se toman las decisiones a nivel empresarial.

En muchos casos, las herramientas digitales han exacerbado los silos existentes, en lugar de eliminarlos. Los datos siguen fragmentados en sistemas que nunca fueron diseñados para operar de manera integrada, lo que obliga a los equipos a reconciliar manualmente las inconsistencias y a depender en gran medida de la experiencia individual para interpretar los resultados.

Esta tendencia no es exclusiva de un solo sector. En la construcción, por ejemplo, el informe Digitalisation in Construction Report 2024 del Royal Institution of Chartered Surveyors (entidad profesional británica del sector inmobiliario y de la construcción) señala que, si bien las herramientas digitales son ampliamente reconocidas como esenciales para mejorar la productividad, siguen existiendo ciertas barreras. La escasez de competencias, la adopción inconsistente y la escasa integración entre sistemas continúan limitando el valor de las inversiones digitales. El informe concluye que los desafíos de productividad no se resolverán mediante herramientas aisladas, sino a través de datos y flujos de trabajo mejor conectados a lo largo del ciclo de vida del proyecto.

La misma dinámica se observa en otras industrias de gran escala. A medida que los profesionales con amplia trayectoria se retiran o abandonan la fuerza laboral, el razonamiento detrás de las decisiones operativas críticas suele desaparecer con ellos. Esta pérdida de conocimiento institucional puede incrementar los riesgos y dificultar la toma de decisiones, particularmente en entornos complejos e intensivos en activos, como ocurre, por ejemplo, en la industria minera.

“La captura de los conocimientos institucionales se está volviendo esencial”, comenta Rudy Moctezuma, Director Ejecutivo de Relaciones Comerciales de Eclipse Data Innovations. “Si no preservamos el razonamiento que sustenta las decisiones, corremos el riesgo de perderlo para siempre.”

La presión por lograr más con menos recursos no hace más que agravar el problema. “Los activos están llegando al final de su vida útil, los entornos operativos son cada vez más volátiles y las expectativas continúan aumentando”, añade Bobby Atkins, Enlace Técnico de Eclipse Data Innovations. “Todos saben que necesitan mejores datos y una mayor automatización. Pero la realidad es que los datos ya existen; simplemente están atrapados en sistemas que no se conectan.”

El resultado se traduce en una ilusión de madurez digital: funciones ricas en datos que siguen dependiendo de la interpretación manual y de la experiencia individual, en lugar de una inteligencia compartida.

CUANDO LOS DATOS CARECEN DE CONTEXTO

La esencia de este desafío radica en la necesidad de contexto. En distintos sectores, los datos suelen recopilarse y gestionarse dentro de límites funcionales. Los equipos de mantenimiento supervisan el estado de los activos, los planificadores gestionan calendarios y proyecciones, los equipos de operaciones monitorean el desempeño, y el área financiera realiza el seguimiento de los costos y valores. Cada conjunto de datos puede ser preciso en forma aislada, pero sin contexto, su significado es limitado.

Un dato solo se vuelve informativo cuando se lo conecta con las condiciones y decisiones que le dieron forma. Por ejemplo, en la minería, una variación en la productividad del acarreo no puede comprenderse plenamente sin vincular el desempeño de la flota con las condiciones climáticas, la calidad de las rutas, el comportamiento del operador y las restricciones en las etapas posteriores de procesamiento. De manera similar, en la construcción, un retraso en el calendario del proyecto solo se vuelve accionable cuando se lo relaciona con la disponibilidad de subcontratistas, la entrega de materiales, las condiciones del sitio y los cambios en el diseño.

Esta falta de integración contextual es cada vez más reconocida como una barrera estructural para lograr mejoras en el desempeño. Un estudio reciente de Wang et al. en materia de transformación digital en la manufactura señala que, si bien la adopción de tecnologías digitales puede mejorar significativamente la eficiencia productiva, los beneficios son mayores cuando las iniciativas tecnológicas se encuentran alineadas con las estructuras empresariales y con estrategias de datos integradas. La simple incorporación de herramientas digitales sin tomar en cuenta cómo fluyen los datos y cómo se toman las decisiones genera resultados mucho más limitados.

Las mismas limitaciones se aplican a la implementación de la IA. Muchas organizaciones industriales están experimentando con la IA generativa, los copilotos y la analítica predictiva, pero al no contar con datos conectados, estos sistemas pueden tener dificultades para reflejar la realidad operativa.

“Una buena gestión de datos no se limita a almacenar o visualizar información”, señala Atkins. “Se trata de conectar los datos entre tareas y funciones para que los equipos puedan comprender por qué ocurren ciertas cosas. Es entonces que las decisiones más rápidas y confiables se vuelven posibles.”

DE INFORMACIÓN A CONOCIMIENTOS INSTITUCIONALES

Algunos sectores ya han enfrentado este desafío de manera directa. Las industrias impulsadas por la tecnología han reconocido desde hace tiempo que los datos solo adquieren verdadero valor cuando se estructuran en torno a relaciones. A modo de ejemplo, gigantes tecnológicos como Amazon, Google y Netflix utilizan ontologías y gráficos de conocimientos para vincular datos, contexto y comportamientos a nivel de toda la organización. Al capturar de forma explícita cómo se vinculan los distintos puntos de datos entre sí, las empresas pueden pasar de reportar lo que ocurrió a comprender por qué ocurrió y qué resulta probable que ocurra a continuación.

Un cambio similar comienza a manifestarse actualmente en las industrias de gran escala. En lugar de tratar a los datos como una colección de registros aislados, las empresas líderes han empezado a gestionarlos como una forma de conocimiento institucional. En estos casos, las relaciones entre activos, procesos, personas y resultados se definen y preservan, lo que permite que los sistemas razonen a lo largo de toda la operación en lugar de limitarse a mostrar indicadores.

Esto representa una evolución significativa en comparación con las plataformas tradicionales de datos o los tableros de inteligencia empresarial (BI). En lugar de presentar valores aislados y esperar que las personas interpreten su significado, los sistemas basados en conocimientos ayudan a las empresas a comprender cómo las distintas piezas encajan entre sí. Esto permite realizar pruebas de posibles alternativas, ejecutar simulaciones predictivas y generar recomendaciones automatizadas.

“La gestión moderna de datos consiste en crear relaciones y contexto entre los conjuntos de datos”, explica Moctezuma. “Cuando los datos se gestionan con ese nivel de comprensión, se vuelven significativos y accionables. Eso es lo que habilita la toma de decisiones inteligente.”

Los sistemas de conocimientos también ayudan a abordar el creciente desafío de la fuga de talento que impacta a muchos operadores industriales. Al incorporar supuestos de ingeniería, lógica de procesos y fundamentos de decisión dentro de un marco compartido de conocimientos, las empresas pueden preservar la experiencia crítica y reducir su dependencia exclusiva de la experiencia individual.

INTELIGENCIA CONECTADA EN LA PRÁCTICA

El valor de los datos contextualizados se vuelve evidente cuando se aplican a desafíos operativos reales. Por ejemplo, en el ámbito de la construcción, integrar los datos del calendario del proyecto con las condiciones del sitio, la utilización de equipos y el desempeño de los contratistas permite a los equipos de proyecto anticipar retrasos y evaluar estrategias alternativas de ejecución antes de que los problemas se multipliquen.

En otros sectores, como el químico o la industria de la celulosa y el papel, vincular los resultados de calidad del producto con las propiedades de las materias primas, las condiciones del proceso, los historiales de mantenimiento y las variables ambientales ayuda a los ingenieros a identificar rápidamente los orígenes de la variabilidad y a optimizar las operaciones de manera proactiva. Por ejemplo, una planta de celulosa puede correlacionar variaciones en la composición de la fibra y la temperatura de los equipos con las propiedades finales del papel, lo que permite realizar ajustes en el proceso para mejorar la consistencia y reducir los desperdicios.

Estos ejemplos también coinciden con las conclusiones del informe Global Tech Report on Industrial Manufacturing 2024 de KPMG, que destaca la integración e interoperabilidad de los datos como prioridades estratégicas para las empresas que buscan generar valor a partir de la transformación digital. El informe subraya que, al no contar con un flujo de datos continuo entre distintos sistemas, las iniciativas digitales tienen dificultades para trascender más allá de las mejoras localizadas.

Cuando los sistemas que tradicionalmente operan de forma aislada comienzan a comunicarse, la toma de decisiones pasa de ser reactiva a proactiva. Los equipos operativos adquieren así la capacidad de probar escenarios, evaluar las relaciones entre distintas variables, y alinear sus acciones diarias con objetivos a más largo plazo en materia de costos, seguridad y sostenibilidad.

“Una de las cosas que más sorprende a las personas es la rapidez con la que pueden empezar a trabajar de manera diferente cuando el sistema refleja cómo realmente conciben a la operación”, señala Atkins. “Con el sistema adecuado, no se necesita un equipo de especialistas en ciencia de datos para comenzar a formular mejores preguntas.”

UNA SOLUCIÓN PRÁCTICA

SourceOne®, el Sistema Empresarial Potenciador del Conocimiento diseñado por Eclipse Data Innovations brinda un ejemplo del potencial de la inteligencia conectada en el contexto de las industrias de gran escala.

Mientras que la mayoría de las plataformas de software se concentran en los datos de un dominio específico, como equipos, datos espaciales o finanzas, SourceOne está diseñado para vincular datos a lo largo de toda la cadena de valor. En su núcleo se encuentra una arquitectura impulsada por una ontología que crea y preserva relaciones entre distintos conjuntos de datos, lo que permite que el sistema comprenda cómo se conectan los datos y realice sugerencias en base a esas relaciones, en lugar de limitarse a almacenarlos.

Esto se complementa con un asistente de IA integrado que ayuda a los usuarios a configurar proyectos, crear modelos de datos, identificar relaciones y consultar sus propios datos operativos para obtener perspectivas. El asistente puede ingerir documentos como procedimientos operativos estándar, notas de proceso o informes técnicos, y convertirlos en conocimientos estructurados dentro del sistema.

Atkins explica: “Queríamos ofrecer a los usuarios una forma de comenzar a operar rápidamente, sin necesitar semanas de configuración ni un equipo de especialistas en ciencia de datos. El asistente puede ayudar a crear un modelo operativo en cuestión de minutos, en lugar de meses.”

Este enfoque de bajo código es un elemento diferenciador clave. Los usuarios con experiencia limitada en ciencia de datos pueden construir modelos, conectar datos o evaluar escenarios a través de flujos de trabajo guiados, reduciendo su dependencia de recursos especializados de TI.

EL PORQUÉ DE LA ACEPTACIÓN DE LOS SISTEMAS DE CONOCIMIENTOS

La retroalimentación inicial de la versión más reciente de SourceOne por parte de usuarios piloto y de nuevas implementaciones ha sido positiva. Atkins destaca que a muchos clientes les sorprende la claridad que ofrece el sistema. Ver cómo los datos cobran vida en una única visualización interconectada suele marcar un punto de inflexión para los usuarios, reduciendo las dudas en torno a la IA.

Cuando los sistemas que tradicionalmente operan de forma aislada comienzan a “hablar” entre sí, las repercusiones en las operaciones pueden resultar significativas. A modo de ejemplo, cuando los datos de gestión de flota se conectan con la información meteorológica en tiempo real, con alertas de peligros geotécnicos y con registros de desempeño de los operadores, los despachadores pueden anticipar las demoras antes de que ocurran, redirigir equipos de manera proactiva y gestionar el riesgo con mayor precisión.

Este nivel de inteligencia conectada transforma a las operaciones de un ejercicio estático a un modelo vivo, y brinda a los encargados de la toma de decisiones perspectivas más claras, más rápidas y alineadas comercialmente.
“El contar con una curva de aprendizaje más breve de lo esperado también ha sido un punto a favor, en particular para los equipos que históricamente han mostrado resistencia o dificultades para adoptar herramientas digitales”, comenta Moctezuma. “Al ofrecer a los usuarios una experiencia acorde a sus preferencias – ya sea tableros, consultas de datos o interacciones en lenguaje natural – SourceOne tiene la capacidad de democratizar el acceso a los conocimientos.”

Por supuesto, la tecnología por sí sola no garantiza la transformación. Su adopción exitosa sigue dependiendo de un esfuerzo cultural y de gestión del cambio. Esto implica derribar silos, promover el intercambio de datos entre los distintos equipos y realizar la transición de decisiones reactivas a decisiones proactivas.

SENTANDO LOS CIMIENTOS PARA LAS OPERACIONES IMPULSADAS POR LA IA

De cara al futuro, la expectativa es que la IA desempeñará un papel cada vez más activo en las industrias de gran escala. En lugar de limitarse a respaldar la toma de decisiones, los sistemas del futuro podrían diseñar flujos de trabajo, coordinar activos y adaptar planes de manera dinámica en respuesta a condiciones cambiantes. Pero esta evolución depende de la confianza… y la confianza depende del contexto.

Sin datos conectados, debidamente gobernados y acompañados de un conocimiento institucional integrado, los sistemas de IA tendrán dificultades para generar resultados valiosos y confiables. Las arquitecturas fragmentadas y los silos heredados no pueden resolverse exclusivamente a través de algoritmos.

Para sectores como la construcción, la minería y la manufactura, la próxima fase de la transformación deberá concentrarse menos en desplegar nuevas herramientas, y más en replantear cómo se estructuran, comparten y comprenden los datos. Las empresas que inviertan desde ya en conectar los datos con su contexto y conocimiento institucional podrán posicionarse mejor para responder a la incertidumbre, atraer talento, y competir en un entorno industrial cada vez más complejo. Mientras tanto, quienes se retrasen podrían encontrarse limitados por sistemas que generan información, pero no perspectivas.

En última instancia, el desafío que enfrentan las industrias no es la escasez de datos. Se trata de contar o no con la capacidad para hacer que esos datos funcionen de manera integrada y alcancen su máximo potencial.