Mantenimiento predictivo en la industria: reparar antes de que se averíe

Las máquinas suelen avisar antes de averiarse. Un rodamiento empieza a vibrar de otra manera, un motor pasa a consumir algo más de corriente, un reductor se calienta unos grados más. Muchas fábricas solo se dan cuenta cuando la línea se para.

En una fábrica grande, eso suma unas 27 horas al mes (Siemens, 2024). El mantenimiento predictivo es la disciplina de escuchar antes: leer la desviación en los datos de las máquinas y resolver el problema en una parada planificada, antes de que se convierta en una parada no planificada. Este artículo profundiza en lo que mostramos en el episodio 1 de AI Xplained: qué es el mantenimiento predictivo, qué dicen los estudios, dónde está la industria europea, y cómo empezar con una máquina y 90 días.

Cuánto cuesta, de verdad, una parada no planificada

El estudio de 2024 de Siemens estima que las paradas no planificadas cuestan a las 500 mayores empresas del mundo el 11 % de sus ingresos, casi 1,4 billones de dólares al año. Una fábrica grande pierde de media 27 horas al mes, frente a 39 en 2019, y una hora de línea parada en una gran fábrica de automoción cuesta hoy 2,3 millones de dólares (Siemens, 2024).

La mayoría de las empresas industriales europeas no son gigantes de la automoción. En la UE, una empresa de la industria manufacturera tiene, de media, unas 14 personas (Eurostat, 2023). La lógica vale para cualquier tamaño, porque el coste de una hora parada nunca es solo el de las piezas que no se fabricaron. Incluye operarios esperando, horas extra para recuperar, pedidos urgentes de recambios, desperdicio al reiniciar el proceso y, muchas veces, una entrega con retraso.

Una fórmula sencilla le pone número:

Horas de parada no planificada al mes × coste de una hora parada × 12 = coste anual

Como ejemplo, una fábrica con 12 horas de paradas no planificadas al mes y una hora parada que cuesta 800 € pierde 115.200 € al año. Los valores son un ejemplo, no una referencia del sector. Lo que importa es la fórmula: la mayoría de las fábricas nunca ha hecho esta cuenta.

Tres formas de hacer mantenimiento

Correctivo (o reactivo). Se repara después de la avería. No exige planificación, y por eso sigue existiendo, pero cada avería llega en el peor momento, con recambios a toda prisa y horas extra.

Preventivo. Se repara por calendario o por contador: cada 500 horas, cada trimestre, cada 10.000 ciclos. Convierte muchas sorpresas en paradas planificadas, pero parte de la base de que las piezas se desgastan con la edad. Muchas averías no siguen la edad, así que el calendario tanto sustituye piezas en buen estado como deja escapar fallos que aparecen entre intervenciones.

Predictivo. Se repara cuando los datos lo indican. Son las señales de la propia máquina las que deciden cuándo hay que intervenir. Según el Departamento de Energía de EE. UU., un programa predictivo bien implantado ahorra entre un 8 % y un 12 % frente a un programa solo preventivo (US DOE, 2010).

Los tres no son excluyentes. La mayoría de las fábricas mantendrá el mantenimiento correctivo para equipos baratos y poco críticos, y el preventivo donde el desgaste depende de verdad de la edad. El predictivo se justifica en las máquinas cuyas paradas cuestan más.

Cómo funciona

La mayoría de las líneas de producción ya registra más de lo que se piensa: temperatura, vibración, corriente y consumo, presión, recuento de ciclos y alarmas, guardados en autómatas (PLC), sistemas SCADA o controladores de las máquinas. Nueve de cada diez grandes fabricantes (87 %) ya recogen datos que hacen posible el mantenimiento predictivo (Siemens, 2024).

Un modelo predictivo usa ese histórico para aprender qué es normal en cada máquina y en cada condición de funcionamiento. El mismo motor se comporta de forma distinta a plena carga y en vacío, con un producto o con otro, así que la referencia tiene que ser específica. Con esa referencia definida, el modelo vigila la desviación: un cambio lento respecto a lo normal que todavía no hace saltar ninguna alarma.

Los ingenieros de fiabilidad llaman a esta ventana intervalo P-F: el tiempo entre el momento en que un fallo en desarrollo se vuelve detectable (P) y el momento en que la máquina se avería (F). Las alarmas por umbral suelen saltar cerca de F. El mantenimiento predictivo busca detectar cerca de P, cuando todavía hay tiempo para pedir la pieza, programar la parada y hacer la reparación como es debido.

El último paso es humano. El modelo señala la desviación, un técnico la confirma y una persona aprueba la orden de trabajo. El mantenimiento predictivo no sustituye al equipo de mantenimiento; le da tiempo. Escribimos sobre cómo diseñar estas aprobaciones sin frenar la operación en Humano en el circuito.

Qué dicen los estudios

Las cifras principales son coherentes entre estudios, con una salvedad: son medias de empresas que ya hacen mantenimiento predictivo, no lo que consigue un primer piloto.

• Paradas y vida útil. El mantenimiento predictivo reduce normalmente las paradas de las máquinas entre un 30 % y un 50 % y alarga su vida útil entre un 20 % y un 40 % (McKinsey, 2017).
• Usuarios europeos. En una encuesta a 268 empresas de Bélgica, Alemania y Países Bajos, las empresas que están implantando o probando mantenimiento predictivo avanzado declararon, de media, un 9 % más de disponibilidad, un 12 % menos de costes, un 14 % menos de riesgos de seguridad, salud, medio ambiente y calidad, y un 20 % más de vida útil en los equipos más antiguos (PwC y Mainnovation, 2018).
• Adopción. Casi la mitad de las empresas encuestadas por Siemens ya tiene equipos de mantenimiento predictivo, el doble que en 2019, y las horas perdidas por fábrica han bajado en el mismo periodo (Siemens, 2024).

La misma encuesta europea muestra lo lejos que está todavía la mayoría de las empresas de ese nivel. Solo el 11 % había llegado al mantenimiento predictivo avanzado. La mayoría hacía inspecciones visuales (25 %) o inspecciones con instrumentos (42 %), y el 20 % tenía monitorización en tiempo real sin la capa predictiva (PwC y Mainnovation, 2018).

Dónde está la industria europea

La adopción de IA en Europa todavía es baja. En 2025, el 20 % de las empresas de la UE con 10 o más personas empleadas usaba IA, con grandes diferencias entre países: un 42 % en Dinamarca frente a un 5 % en Rumanía (Eurostat, 2025). El tamaño también cuenta: usaba IA el 17 % de las pequeñas empresas, el 30 % de las medianas y el 55 % de las grandes.

La forma de usar la IA también depende del tamaño. Entre las empresas europeas que ya usan IA, un tercio de las grandes (33,5 %) la aplica a los procesos de producción, frente al 19 % de las pequeñas (Eurostat, 2025). En la planta, las pequeñas empresas son las que van más atrasadas, y la mayoría de la industria europea es aún más pequeña: casi el 85 % de las empresas manufactureras de la UE tiene menos de 10 personas (Eurostat, 2023).

Los motivos dicen mucho. Entre las empresas europeas que se plantearon usar IA y no dieron el paso, el 71 % señala la falta de conocimientos especializados, el 53 % la falta de claridad sobre las consecuencias legales y el 49 % la preocupación por la protección de datos y la privacidad (Eurostat, 2025). En la encuesta europea sobre mantenimiento, el 63 % de las empresas sin planes para adoptarlo dijo que no se podía construir un buen caso de negocio o que no era relevante para su negocio, y el 23 % que no tenía datos suficientes (PwC y Mainnovation, 2018).

Conocimiento, caso de negocio y datos. Los tres se pueden probar en una sola máquina, antes de pasar a un programa en toda la fábrica.

Qué hace falta: tres cosas

Datos de la máquina. Temperatura, vibración y consumo son el punto de partida habitual, y la mayoría de las líneas ya registra al menos uno de ellos. Cuando una máquina crítica no tiene sensores, normalmente se pueden instalar sensores de vibración y temperatura sin rediseñar la línea. Los datos no tienen que ser perfectos para empezar, como explicamos en Tus datos no necesitan estar perfectos.

Histórico de mantenimiento. Averías y reparaciones pasadas, incluso las que están en papel o en una hoja de cálculo. Es el histórico lo que permite al modelo relacionar un patrón en la señal con una avería real, y al equipo entender si una alerta tiene sentido.

Alguien que actúe. Una alerta sin responsable es ruido. Cada alerta necesita una persona que la confirme y decida, y un camino hasta el sistema de órdenes de trabajo que el equipo ya usa. Un modelo que alerta demasiadas veces acaba ignorado, así que los umbrales se ajustan con el equipo de mantenimiento, y no a sus espaldas.

La parte legal es más sencilla de lo que parece

Más de la mitad de las empresas europeas que se plantearon usar IA y no dieron el paso señala la falta de claridad sobre las consecuencias legales (Eurostat, 2025). En el mantenimiento predictivo cuentan dos normas europeas, y ambas ayudan más de lo que parece.

Reglamento de Datos (Data Act). Desde el 12 de septiembre de 2025, quien usa productos conectados, incluidas las máquinas industriales, tiene derecho a acceder a los datos que genera su equipo, sin coste y, cuando sea técnicamente posible, de forma continua y en tiempo real. También puede pedir a quien tiene esos datos que los comparta con un tercero de su elección. Los productos conectados que se comercialicen en el mercado europeo después del 12 de septiembre de 2026 tienen que estar diseñados para permitir ese acceso (Reglamento (UE) 2023/2854). En la práctica, es mucho más difícil mantener los datos que una máquina produce sobre sí misma encerrados en un contrato de asistencia del fabricante.

Reglamento de IA (AI Act). El mantenimiento predictivo no está en la lista de usos de alto riesgo. Pasaría a estarlo si el sistema de IA fuera un componente de seguridad de un producto que exige evaluación por terceros con arreglo a la legislación europea de productos, como algunas máquinas, o un componente de seguridad en la gestión de infraestructuras críticas, como el suministro de electricidad, gas o agua (Reglamento (UE) 2024/1689). Un modelo que recomienda cuándo hacer el mantenimiento de un motor, con una persona que aprueba la orden de trabajo, queda claramente fuera de esa categoría. Los casos concretos deben confirmarse con asesoría jurídica. Nuestro artículo AI Act: lo que debe saber quien dirige operaciones cubre el resto.

Cómo empezar: una máquina, 90 días

Día 0. Elegir la máquina. La que más cuesta por hora cuando se para, normalmente el cuello de botella de la línea. Una máquina basta para demostrar el caso. Explicamos cómo elegir en Cómo elegir el primer proceso para poner la IA a trabajar.

Días 1 a 30. Conectar lo que ya existe. Sensores, registros de los autómatas y el histórico de mantenimiento que el equipo ya lleva. Rellenar solo los huecos que importan.

Días 31 a 60. Aprender lo normal. El modelo construye la referencia para cada condición de funcionamiento. Las alertas van al equipo de mantenimiento para que las revise, y el equipo ayuda a decidir qué cuenta como desviación real.

Días 61 a 90. Actuar y medir. El equipo actúa sobre las alertas que importan. Se comparan las paradas no planificadas, las horas perdidas y su coste con el mismo periodo anterior.

Volviendo al ejemplo: una fábrica que pierde 115.200 € al año en paradas no planificadas y las reduce un 30 %, el límite inferior del intervalo de McKinsey, ahorra 34.560 € al año. Un piloto de 90 días en una máquina no llega ahí el día 90, ni lo necesita. Lo que tiene que hacer es demostrar, con los números de la propia fábrica, que la desviación era visible antes de la avería. Definir esa medida antes de que empiece el proyecto es el tema de Cómo medir el retorno de un proyecto de IA antes de empezar.

Reparar antes de la avería, no después

El mantenimiento predictivo no es una idea nueva. Lo que ha cambiado es el coste de ponerlo en práctica: los datos ya están en la mayoría de las fábricas, los modelos están maduros y la ley europea da hoy a las empresas el derecho a los datos que producen sus máquinas. La mayor distancia que queda por cerrar es la del conocimiento, y es la más fácil, una máquina cada vez.