Cómo preparar datos para IA industrial

Preparar datos para IA industrial es el paso que decide si un proyecto puede pasar de piloto a capacidad operativa. La mayoría de los proyectos de IA industrial no se frenan por falta de modelos, sino por falta de datos listos para operar. Antes de hablar de copilotos, mantenimiento predictivo o previsión de demanda, conviene revisar si la empresa sabe qué datos tiene, dónde viven, quién los usa y con qué fiabilidad llegan a operación.

Preparar los datos para IA no significa montar un lago de datos enorme ni abrir un programa tecnológico abstracto. Significa ordenar las fuentes que de verdad soportan un caso de uso, eliminar ruido, definir identificadores consistentes y conectar sistemas como ERP, CRM, MES o BI con un criterio operativo claro. Ese trabajo previo es el que convierte una prueba de concepto en una capacidad útil.

Sin datos preparados no hay caso de uso sostenible

Cuando una empresa industrial dice que quiere aplicar IA, la pregunta relevante no es qué modelo va a usar, sino qué decisión quiere mejorar. Si el dato llega tarde, está duplicado o no se puede relacionar entre sistemas, la IA solo acelera una confusión existente. Por eso conviene separar desde el principio la narrativa comercial del trabajo real de preparación.

Ese punto conecta directamente con el gobierno del dato en industria: sin ownership, reglas básicas y trazabilidad, el proyecto se apoya en información débil. Pero preparar datos para IA exige además aterrizar ese marco en un checklist operativo orientado a un caso de uso concreto.

Qué datos para IA industrial revisar antes de lanzar el proyecto

No hace falta inventariar toda la empresa para empezar. Lo útil es identificar las fuentes mínimas que alimentan la decisión que se quiere mejorar y comprobar si comparten estructura suficiente para trabajar juntas.

• ERP: maestros de producto, pedidos, costes, proveedores, órdenes y trazabilidad administrativa.
• CRM: oportunidades, histórico comercial, reclamaciones, segmentación y señales de demanda.
• MES o sistemas de planta: producción, paradas, scrap, tiempos de ciclo, incidencias y turnos.
• BI y reporting: indicadores agregados, cuadros de mando, definiciones de KPI y series históricas consumidas por dirección.
• Fuentes complementarias: mantenimiento, calidad, SCADA o sensores si el caso de uso realmente los necesita.

La clave es verificar si esas fuentes comparten identificadores, periodos temporales y reglas de negocio compatibles. Si no se puede relacionar una orden, un producto, una máquina o un cliente entre sistemas, el esfuerzo debe ir primero a esa base, no al algoritmo.

Qué nivel de calidad del dato hace falta de verdad

La calidad necesaria depende del caso de uso, pero en industria hay un mínimo común. Un dato útil para IA debe ser suficientemente completo, consistente y contextualizado para soportar una acción. No hace falta perfección teórica, pero sí fiabilidad práctica.

• Completitud: los campos críticos no pueden llegar vacíos de forma sistemática.
• Consistencia: el mismo activo, cliente o referencia no puede aparecer con nombres incompatibles en cada sistema.
• Trazabilidad temporal: las marcas de tiempo deben permitir ordenar eventos y reconstruir secuencias.
• Granularidad adecuada: un KPI mensual puede servir para dirección, pero no para una alerta operativa.
• Contexto de negocio: el dato debe poder leerse con estado, causa, unidad y responsable.

Si la empresa todavía está definiendo qué valor puede obtener, conviene revisar también dónde aporta valor la IA en operaciones industriales antes de pedir más datos de los necesarios.

Cómo unir ERP, CRM, MES y BI sin crear más ruido

La integración útil para IA no consiste en volcarlo todo a una nueva plataforma. Consiste en construir un flujo mínimo y gobernable para el caso de uso elegido. En muchos entornos industriales, el error está en intentar una arquitectura total antes de demostrar una utilidad concreta.

1. Definir una pregunta operativa concreta: por ejemplo, anticipar retrasos, priorizar mantenimiento o detectar variaciones de calidad.
2. Seleccionar solo las tablas, eventos y KPIs necesarios para responder esa pregunta.
3. Normalizar identificadores clave: producto, orden, máquina, cliente, turno o lote.
4. Alinear la frecuencia de actualización entre sistemas para no comparar datos de ventanas temporales distintas.
5. Documentar reglas simples de negocio y excepciones antes de automatizar decisiones.

Ese enfoque permite trabajar con criterio y evita que el proyecto dependa de una promesa genérica de transformación digital. Si la base no está clara, la IA hereda la fragmentación del stack existente.

Qué no conviene automatizar todavía

Hay señales claras de que un caso de uso aún no está listo para IA operativa:

• La empresa no tiene una definición compartida del KPI que quiere mejorar.
• Las decisiones siguen dependiendo de hojas manuales con versiones contradictorias.
• No existe ownership claro sobre el dato fuente.
• Los históricos son demasiado cortos o no incluyen incidencias relevantes.
• La integración entre planta y sistemas de negocio es más aspiracional que real.

En ese escenario, lo prudente es consolidar primero estructura y calidad. Automatizar antes de tiempo suele generar más trabajo de corrección que valor operativo.

Checklist mínimo antes de pasar a piloto

1. Hay un caso de uso priorizado con owner y criterio de éxito.
2. Las fuentes de ERP, CRM, MES y BI necesarias están identificadas.
3. Los identificadores críticos permiten relacionar registros entre sistemas.
4. Los datos tienen una calidad mínima razonable para la decisión objetivo.
5. Se conocen lagunas, supuestos y reglas de negocio relevantes.
6. El equipo sabe qué no va a automatizar todavía.
7. Existe un responsable de mantener el dato útil cuando el piloto pase a operación.

Preparar los datos para IA industrial no es un paso burocrático. Es la forma de reducir fricción, acotar el problema y evitar que el proyecto muera en la integración. Si quieres revisar si este punto está bien planteado en tu empresa, puedes conocer mejor el enfoque de Vicente Millán en estrategia tecnológica industrial.