Tenemos más recursos IA y más datos que nunca, pero el TPM sigue sin evolucionar porque el verdadero reto no es predecir fallos, sino transformar cómo toda la organización decide y actúa sobre ellos.

El Total Productive Maintenance (TPM) ha sido durante décadas uno de los enfoques más influyentes en la mejora del rendimiento industrial. Su fuerza ha estado en estructurar la disciplina operativa, implicar a los operarios en el cuidado del equipo y organizar la mejora continua alrededor del OEE. Sin embargo, la irrupción de la Inteligencia Artificial, Machine Learning y Deep Learning en entornos industriales está cambiando no solo las herramientas disponibles, sino la lógica misma de cómo entendemos el mantenimiento. Todo esto debido al abaratamiento de los procesos de predicción.

Más que pensar en el TPM como una metodología que ahora “se apoya” en la IA, empieza a ser más preciso verlo al revés: el TPM necesita ser reinterpretado para funcionar dentro de ecosistemas industriales donde los datos fluyen en tiempo real, los modelos predicen comportamientos y los sistemas aprenden de forma continua. En este contexto, el mantenimiento deja de ser principalmente preventivo y pasa a ser dinámico, contextual y basado en probabilidad.

Esta reflexión se volvió especialmente clara para mí la semana pasada durante mi participación en el décimo Congreso y Exposición de Industria 4.0 en Advanced Factories en Barcelona, uno de los eventos más importantes de Europa en este campo. El evento mostraba con mucha claridad algo que ya es evidente en el estado del arte tecnológico: la industria dispone hoy de prácticamente todo el stack necesario para desplegar mantenimiento predictivo a gran escala. Sensores avanzados, plataformas IIoT, arquitecturas de datos robustas, ciberseguridad industrial, firewalls específicos para entornos OT, y pipelines de Machine Learning listos para ser desplegados en producción.

Desde un punto de vista técnico, el problema está resuelto. La infraestructura existe, es madura y es accesible. Sin embargo, esta abundancia tecnológica contrasta con algo que aparece de forma recurrente en mi experiencia con clientes, la literatura científica y en los estudios de transformación digital industrial: la adopción real del mantenimiento predictivo y de los sistemas de IA en planta sigue siendo sorprendentemente baja.

Diversos trabajos académicos y revisiones sistemáticas sobre Industry 4.0 apuntan en la misma dirección. Estudios como los de Mittal et al. (2018), Sony y Naik (2020) o Raj et al. (2020) sobre barreras de adopción en smart manufacturing coinciden en que los principales frenos no son tecnológicos, sino organizativos y humanos. A esto se suman enfoques más amplios sobre transformación digital industrial que muestran un patrón consistente: la tecnología avanza más rápido que la capacidad de las organizaciones para integrarla en su forma de operar.

Incluso desde una perspectiva más económica, autores como Agrawal, Gans y Goldfarb en Prediction Machines ya señalaban algo clave: el verdadero valor de la inteligencia artificial no está en la predicción en sí, sino en cómo las organizaciones rediseñan sus procesos de decisión alrededor de esa predicción. Y ese es precisamente el punto crítico que la industria todavía no ha resuelto.

Porque lo que se observa en planta no es tanto un problema de falta de tecnología, sino de fricción organizativa. En muchos casos se espera que la IA “haga el trabajo”, cuando en realidad la IA cambia la naturaleza del juicio humano, no lo elimina. Se generan modelos predictivos avanzados y soportados con nuevos desarrollos matemáticos, pero no siempre se traduce eso en decisiones operativas consistentes. Se detectan anomalías, pero no siempre existe disciplina para actuar sobre ellas. Se invierte en sensores, pero no necesariamente en capacidad organizativa para trabajar con datos de calidad.

En el fondo, lo que aparece es una brecha de madurez. No una brecha tecnológica, sino una brecha de sistema de gestión.

Y aquí es donde el TPM vuelve a ser relevante, pero no en su forma clásica.

El TPM tradicional aporta algo que muchas iniciativas de Industria 4.0 han pasado por alto: un sistema estructurado de comportamiento organizativo alrededor de los activos. Rutinas, disciplina operativa, responsabilidad compartida entre producción y mantenimiento, y un lenguaje común sobre pérdidas y rendimiento. Es decir, no es solo una metodología de mantenimiento, sino un sistema básico de gestión industrial.

Esto sugiere una hipótesis interesante: una parte del problema de adopción de IA en mantenimiento no es la falta de modelos, tenemos hoy un buen número de estos y preparados con cientos de líneas de código listos para ser ejecutados, sino la falta de un “sistema operativo organizativo” que permita que esos modelos se utilicen de forma consistente.

En muchos proyectos de Machine Learning aplicado a mantenimiento ocurre algo similar. En la fase inicial se realiza una exploración profunda de datos, se validan sensores, se limpian anomalías y se ajustan distribuciones. Es decir, se aplica rigor analítico. Pero después, en la fase operativa, ese mismo rigor no siempre se traslada a la toma de decisiones diaria en planta. Y es ahí donde el sistema se rompe.

De forma interesante, esto conecta directamente con una de las ideas más importantes del TPM: la mejora continua no es un conjunto de eventos aislados, sino una forma de funcionamiento del sistema. El kaizen, entendido correctamente, no es una reunión, una campaña, ni un proyecto, sino un flujo permanente de pequeñas correcciones basadas en la observación directa del proceso.

En un entorno tradicional, esa mejora continua depende de ciclos humanos: observar, analizar, proponer, ejecutar, estandarizar. En un entorno con Machine Learning, ese mismo ciclo empieza a comprimirse. Parte de la observación se automatiza, parte del análisis se hace en tiempo real y parte de la detección de desviaciones ocurre de forma continua. Pero esto no elimina la mejora continua; la transforma.

La cuestión crítica es que la mejora continua no desaparece con la IA, sino que cambia de escala y de velocidad. Y aquí aparece un punto importante: sin disciplina operativa y sin un sistema de gestión como el TPM, esa mejora continua acelerada no se consolida. Se generan insights, pero no necesariamente cambios estables en el sistema.

Esto es especialmente relevante porque en muchos casos los proyectos de mantenimiento predictivo fallan no por falta de precisión de los modelos, sino porque no existe un mecanismo organizativo que convierta predicciones en acciones sostenidas en el tiempo.

De forma interesante, esto conecta con el propio mantenimiento autónomo del TPM. Antes de introducir inteligencia avanzada, es necesario estabilizar el sistema físico y organizativo: estandarizar condiciones básicas, eliminar anomalías evidentes y asegurar disciplina en la ejecución. En muchos sentidos, esto es equivalente a la fase de “data readiness” en proyectos de Machine Learning, donde se limpian datos, se identifican inconsistencias y se valida la calidad de la información antes de construir modelos.

La analogía es directa: no hay buen modelo sin buen dato, pero tampoco hay buena IA sin buena disciplina operativa.

Esto cambia completamente la narrativa habitual de la transformación digital industrial. No se trata de pasar de TPM a IA, sino de usar el TPM como infraestructura organizativa para que la IA pueda funcionar de forma realista en entornos humanos complejos.

En este sentido, el problema central deja de ser técnico y pasa a ser cognitivo y cultural. La adopción de sistemas basados en datos requiere algo más profundo que dashboards o modelos predictivos: requiere desarrollar la capacidad de juicio distribuido en toda la organización. No solo en los ingenieros de datos o en los responsables de mantenimiento, sino en operadores, supervisores y responsables de producción.

Como señalan Agrawal, Gans y Goldfarb, el valor de la predicción solo se materializa cuando las organizaciones son capaces de reorganizar sus decisiones alrededor de ella. Y eso implica desarrollar criterio, responsabilidad y disciplina en todos los niveles.

En definitiva, lo que estamos viendo no es un problema de disponibilidad tecnológica, sino una transición incompleta hacia un nuevo modelo de toma de decisiones industrial. Un modelo donde la inteligencia no reside únicamente en los algoritmos, sino en la interacción entre datos, sistemas de gestión y comportamiento humano.

Desde esta perspectiva, el futuro del TPM no consiste en ser sustituido por la inteligencia artificial, sino en evolucionar hacia un sistema que haga posible su adopción real. Un TPM ampliado, donde la disciplina operativa, la estandarización básica y la mejora continua no desaparecen, sino que se convierten en el mecanismo que permite que la inteligencia artificial tenga impacto real y sostenido en la planta.

Y aquí aparece una implicación organizativa especialmente relevante. Esta visión refuerza la idea de que el TPM, en su evolución natural dentro de entornos altamente digitalizados, deja de depender de estructuras intermedias como coordinadores o facilitadores dedicados como función aislada. No porque pierdan valor operativo inmediato, sino porque el propio sistema se convierte en un proceso de aprendizaje distribuido, donde toda la organización participa simultáneamente en la generación, interpretación y ejecución de mejoras.

El TPM deja así de ser un programa gestionado por un departamento específico de mejora continua para convertirse en un proceso corporativo transversal, integrado en la forma en la que la empresa opera y toma decisiones. En ese contexto, los modelos de Machine Learning y las soluciones de Inteligencia Artificial comienzan a absorber progresivamente muchas de las técnicas clásicas de análisis, priorización y detección de pérdidas que antes requerían estructuras dedicadas.

Esto no implica la desaparición de la mejora continua, sino su transformación. Es probable que, a futuro, las funciones actuales de los departamentos de mejora continua evolucionen hacia roles menos centrados en la aplicación de herramientas y más orientados al desarrollo de capacidades humanas: criterio, juicio industrial, interpretación de datos y alineamiento organizativo en la toma de decisiones.

El reto, por tanto, ya no es únicamente técnico ni metodológico, sino profundamente organizativo y cultural. El valor no estará en quién “aplica” el TPM o la IA, sino en la capacidad de toda la organización para aprender y adaptarse de forma continua como un único sistema.

Un saludo y hasta la próxima entrega de valor para la red..

Humberto Alvarez Laverde