La industria manufacturera consiste en trabajo que difícilmente se resume en un solo tipo de tarea. Hay trabajo de planificación: programar pedidos, coordinar flujos de materiales, repartir capacidad entre máquinas y turnos. Hay trabajo de calidad: inspeccionar, medir, evaluar desviaciones y documentar. Hay trabajo de mantenimiento: diagnosticar averías, pedir piezas, planificar trabajo preventivo. Y hay trabajo administrativo alrededor de todo esto: certificados, cálculo posterior, informes a clientes y organismos supervisores.
Estos tipos de trabajo difieren mucho en cuán predecibles son. Una tarea de planificación con reglas fijas y datos históricos se presta de forma distinta a la automatización que la evaluación de una soldadura que queda justo fuera de la norma pero probablemente esté bien de todos modos. Esta última evaluación depende de la experiencia, del contexto que no está en ningún sistema, y de una responsabilidad que alguien debe poder asumir. Esa diferencia determina en gran medida qué ambición es realista para qué parte del trabajo.
En toda la industria manufacturera recorre el trabajo la misma triple división. Una parte puede asumirla la IA: controles repetitivos basados en datos de sensores, la elaboración de informes estándar, el reconocimiento de patrones de avería conocidos. Una parte se hace parcialmente, con una persona que aprueba o rechaza: evaluaciones de calidad en las que un algoritmo hace una propuesta y un operador o un empleado de calidad confirma o corrige la decisión, con motivo. Y una parte sigue siendo trabajo humano: resolver una avería que nadie ha visto antes de esa forma, negociar con un proveedor sobre una entrega irregular, asumir responsabilidad en un incidente de seguridad.
Lo que hoy en una fábrica ya cae en la primera categoría, en otra fábrica sigue estando completamente en la tercera. Esa diferencia rara vez se debe a la tecnología en sí. Se debe a si los datos están disponibles, si los sensores miden las cosas correctas, si los empleados confían lo suficiente en el sistema para dejarle algo a su cargo, y si hay alguien que pueda aprobar el resultado sin que el proceso se detenga a la espera de una firma.
Una dirección que dice "queremos control de calidad impulsado por IA" dice con ello también algo sobre la organización que debe poder sostener eso. Debe haber alguien que evalúe los mensajes de error del sistema, no solo en teoría sino en el turno diario. Debe haber claridad sobre quién puede anular un rechazo del sistema y por qué motivo. Y debe haber capacidad disponible para configurar y mantener el sistema, capacidad que a menudo ya está completamente asignada al trabajo en curso.
Aquí es donde muchas ambiciones en la industria manufacturera se estancan: no en la pregunta de si la tecnología puede hacerlo, sino en la pregunta de si la organización ya ha cubierto el papel que lo rodea. ¿Quién decide cuando el sistema duda? ¿Quién es responsable cuando un cliente presenta una queja sobre un producto que pasó una inspección impulsada por IA? Esas preguntas afectan a responsabilidades dentro de la plantilla, y para las decisiones que de ello se derivan rigen requisitos legales propios; esa valoración no se aborda aquí.
Dos fábricas con máquinas comparables y productos comparables pueden divergir mucho en lo que la IA realmente asume de su trabajo. Una ha recopilado y estructurado datos de sensores durante años, la otra tiene los mismos sensores pero los datos desaparecen en registros que nadie ha depurado nunca. Una tiene un equipo de calidad que dispone semanalmente de tiempo para evaluar desviaciones y ajustar el sistema, la otra tiene ese equipo completamente ocupado con la producción en curso. Ninguna de las dos está equivocada, pero eso determina cuánto de la ambición es alcanzable este año y cuánto el año próximo.
Estas diferencias no son exclusivas de la industria manufacturera. La misma tensión entre ambición y preparación se da en el sector del transporte, donde la planificación y la elección de rutas plantean preguntas comparables, y en los servicios profesionales, donde la supervisión de los resultados del asesoramiento desempeña un papel comparable al control de calidad en el suelo de fábrica. También la cuestión de cómo dividir una ambición en partes que una organización realmente pueda abordar en un año se repite en todos los sectores, y se trata por separado en una explicación sobre cómo fasear una ambición demasiado grande para un año.
La pregunta que subyace a todos estos ejemplos no es si la IA puede asumir este tipo de trabajo en general. Es qué parte específica del trabajo en esta empresa concreta se puede asumir realmente, dados los datos, los sistemas y las personas que hay ahora. Esa pregunta se responde tarea por tarea con el escáner de trabajo de FTE TO AI, independientemente de la imagen que la propia dirección tenga al respecto.
Una ambición solo resulta útil cuando se desglosa en lo que la organización debe poder hacer, y se contrasta con lo que ya puede hacer. Con qué rapidez puede realmente cambiar una organización en ese tipo de puntos es una pregunta independiente de la ambición en sí y se desarrolla por separado en una reflexión sobre el ritmo real de cambio de las organizaciones.
Como primer paso existe un chequeo de preparación gratuito: ocho preguntas breves, una por dimensión, que ofrecen una imagen de en qué aspectos su organización está más avanzada y en cuáles aún menos. La prueba de ambición completa, con las cuatro capas desde la visión hasta el estado objetivo y su traducción a roles y derechos de decisión, está en construcción.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.