La incorporación de inteligencia artificial en manufactura requiere revisar procesos, alinear a los líderes y preparar a la organización para adoptar nuevas formas de trabajo. Olivia Consultoría advierte que medir licencias, usuarios o procesos automatizados no permite determinar por sí solo si la tecnología genera valor operativo.
La carrera por incorporar inteligencia artificial (IA) y automatización a las operaciones industriales puede llevar a las empresas a invertir en tecnología antes de responder una pregunta básica: si el proceso que buscan acelerar todavía tiene sentido para el negocio.
En entrevista para Mexico Industry, Yoel Kluk, socio de Olivia Consultoría México, comentó que uno de los principales riesgos consiste en digitalizar procesos que fueron diseñados para condiciones distintas o que, con el tiempo, han sido modificados informalmente por la manera en que las personas trabajan, colaboran y toman decisiones.
A su juicio, antes de determinar qué parte de una operación puede automatizarse, las compañías deberían analizar qué decisión y qué resultado produce cada proceso e incluso cuestionarse si este continúa siendo necesario.
El problema se vuelve más complejo cuando la operación documentada no coincide con lo que sucede en piso. Un procedimiento puede establecer determinadas autorizaciones, responsables y rutas de decisión, pero los trabajadores desarrollan alternativas para resolver obstáculos cotidianos. Después de repetirlas durante meses o años, esas prácticas terminan convirtiéndose en el proceso real.
Kluk explicó que otra señal de vulnerabilidad aparece cuando el funcionamiento de una operación depende excesivamente de determinadas personas. “Si tú tomas a tres personas y el proceso deja de funcionar, probablemente no tienes un proceso que sea tan robusto; lo que tienes es mucho conocimiento sostenido con un proceso que lo respalda”.
Irene Marqués, socia de Olivia Consultoría México, identificó otra brecha: la velocidad con la que las organizaciones incorporan herramientas digitales puede superar su capacidad para asimilarlas.
La especialista explicó que una planta puede disponer de infraestructura, software, sistemas de información y nuevas aplicaciones de IA y, aun así, obtener un aprovechamiento limitado si los trabajadores no comprenden qué cambia en su actividad, por qué cambia y qué decisiones deberán tomar de manera diferente.
“Las personas no podemos ser capaces de absorber el ritmo de digitalización y de tecnología que están dándonos. Nos ofrecen muchísimas soluciones, pero realmente en las organizaciones las personas no están preparadas para absorberlas”.
Una empresa puede concluir técnicamente un proyecto, activar el sistema en la fecha prevista y capacitar inicialmente a los usuarios, pero eso no garantiza que meses después la herramienta forme parte efectiva de la operación.
Marqués señaló que Olivia ha encontrado proyectos en los que, seis meses después de una implementación, los trabajadores desarrollaron rutas alternativas para continuar realizando sus actividades. Esto puede provocar que los datos pierdan consistencia y que la inversión tecnológica deje de entregar los resultados planteados originalmente.
Para Kluk, atribuir la resistencia tecnológica principalmente a los trabajadores de planta puede conducir a un diagnóstico equivocado. Las generaciones más jóvenes que se incorporan a las operaciones industriales tienen una relación cotidiana con herramientas digitales y, en muchos casos, están familiarizadas con la IA.
La pregunta, sostuvo, debería trasladarse hacia la estructura de la organización y quienes toman las decisiones. “Yo cambiaría la pregunta a si el sistema organizacional está preparado para la IA”.
Desde esta perspectiva, enseñar a los colaboradores únicamente a utilizar herramientas o redactar instrucciones para sistemas de IA puede resultar insuficiente. La discusión debería concentrarse en cómo la tecnología mejora decisiones, libera tiempo para actividades de mayor valor y modifica la forma en que funciona la organización.
Esto también requiere coordinación entre los niveles directivos. Marqués señaló que dentro de una misma compañía pueden coexistir interpretaciones distintas sobre qué es la inteligencia artificial, para qué debe utilizarse y cuáles son las prioridades de inversión.
Para ordenar este proceso, Olivia trabaja con un esquema basado en tres componentes: mindset, skillset y toolset. El primero busca alinear a los líderes alrededor de los problemas que deben resolverse y las áreas donde la transformación puede generar impacto; el segundo identifica las capacidades que requieren las personas; y el tercero incorpora las herramientas tecnológicas.
El error, explicó Marqués, aparece cuando las empresas recorren ese camino en sentido contrario: primero compran una herramienta, después capacitan al personal y posteriormente intentan determinar cómo integrarla a la estrategia y a la operación.
La adopción tecnológica tampoco es exclusivamente un desafío técnico. Kluk sostuvo que cualquier transformación modifica responsabilidades, procesos, conocimientos y espacios de decisión dentro de una organización. “La transformación, al final del día, es un proceso político. Alguien pierde y alguien gana, algo se cambia, algo deja de estar para ser reemplazado con otra cosa”.
Esta dinámica puede generar resistencia entre quienes diseñaron procesos, acumularon conocimiento durante años o construyeron determinadas formas de trabajo. Por ello, consideró que los componentes humanos deben incorporarse desde el diseño del proyecto y no únicamente después de instalar la tecnología.
Uno de los temores más frecuentes es la posible sustitución de puestos de trabajo. Para Kluk, reducir esa reacción a una resistencia natural al cambio impide entender las motivaciones de los colaboradores.
El especialista señaló que las empresas necesitan explicar qué actividades serán automatizadas, cómo cambiarán las responsabilidades y qué nuevas funciones podrán desempeñar las personas. El objetivo, dijo, debería ser trasladar tiempo desde actividades repetitivas hacia tareas capaces de generar mayor valor.
La calidad y gobernanza de la información constituye otro componente de la adopción de IA en manufactura. Las plantas generan grandes volúmenes de datos desde diferentes niveles de la operación, pero disponer de ellos no significa que estén coordinados o preparados para alimentar sistemas inteligentes.
Por ello, antes de concentrar esfuerzos únicamente en homologar bases de información, la organización necesita definir qué problema pretende resolver y conseguir que las áreas involucradas comprendan el propósito de modificar la manera en que capturan, utilizan y comparten esos datos.
El desafío también aparece en operaciones donde persisten registros manuales, formatos impresos, autorizaciones físicas o procesos distintos entre turnos. La existencia de tecnología capaz de sustituirlos no significa que el cambio pueda realizarse de manera inmediata.
Marqués explicó que los responsables operativos enfrentan simultáneamente presiones de productividad y continuidad. Para ellos, sustituir un método que funciona —aunque sea manual— implica decidir cuándo realizar la transición sin comprometer producción, inventarios, calidad o cumplimiento.
La medición es otro punto crítico. El número de licencias adquiridas, usuarios conectados, tokens consumidos o procesos automatizados puede describir el uso de una herramienta, pero no necesariamente su contribución al negocio.
“Si empezamos a platicar de cuánta gente usa la IA, cuántos tokens se están consumiendo, cuántos procesos hemos automatizado, estamos haciendo que el indicador deje de funcionar”, sostuvo Kluk.
Para el especialista, los indicadores deberían vincularse con resultados: crecimiento, capacidad de expansión, mejoras en el trabajo de los colaboradores, nuevas capacidades operativas o mejores decisiones.
Marqués coincidió en que las métricas deben definirse antes de iniciar la implementación. Una empresa debería establecer desde el comienzo cómo comprobará, seis meses después, que la automatización solucionó el problema identificado y no simplemente permitió ejecutar con mayor rapidez una actividad deficiente.
Esto obliga a que cada proyecto tenga indicadores asociados directamente con el problema que justificó la inversión, en lugar de utilizar métricas generales de adopción tecnológica.
Para ambos especialistas, el punto de partida de una estrategia industrial de IA no debería ser la selección de una plataforma. Las compañías necesitan determinar primero qué problema quieren resolver, validar el diagnóstico con datos, revisar si el proceso sigue siendo necesario, establecer qué resultado esperan y analizar la capacidad de la organización para absorber el cambio.
Después deben identificar las habilidades necesarias, preparar a los trabajadores y seleccionar la tecnología adecuada.
Marqués destacó además la necesidad de mantener el acompañamiento después de la puesta en marcha. El go-live de una herramienta puede marcar el cierre técnico de un proyecto, pero la adopción requiere seguimiento para comprobar que los nuevos procesos se mantienen y que los colaboradores no regresan gradualmente a los métodos anteriores.
Para Kluk, el criterio final no debería ser que la implementación se completó dentro del calendario previsto, sino determinar si produjo una mejora concreta para las personas y para el desempeño de la organización.
Nota original de Mexico Industry.
Por Yoel Kluk e Irene Marqués, socios de Olivia México.