La IA en la industria de la automoción: casos de uso, beneficios e impacto

La inteligencia artificial en la industria de la automoción abarca toda la cadena de valor — desde los sensores que guían a un vehículo por una autopista hasta los algoritmos que detectan el fallo de una matriz de estampación antes de que detenga una línea. En contextos de automoción, la IA no es una única tecnología. Es un conjunto de capacidades: modelos de machine learning, sistemas de visión artificial, arquitecturas de fusión de sensores y herramientas de IA generativa, cada una desplegada donde aporta el retorno operativo más claro.

Los beneficios de la IA en la industria de la automoción son medibles. Entre ellos se incluyen una detección de defectos más rápida, una reducción de las paradas no planificadas, ciclos de desarrollo más cortos y vehículos que siguen mejorando después de salir de la línea de producción. Sin embargo, la brecha entre las organizaciones que ejecutan pilotos aislados y las que obtienen resultados a escala se amplía cada año. Este artículo aborda los principales usos de la IA en las operaciones de la industria de la automoción, tanto en los vehículos como en las fábricas, y explica la disciplina de implementación que distingue los programas que aportan valor real de los que se han estancado en la fase de prueba de concepto.

Dónde se integra la IA en la cadena de valor de la automoción

La innovación en la automoción impulsada por la IA opera en dos escenarios simultáneamente. El primero es el vehículo en sí: cómo percibe su entorno, asiste a los ocupantes, se conecta a la infraestructura y evoluciona mediante actualizaciones de software. El segundo es la operación de fabricación y de la cadena de suministro: cómo se diseña, fabrica y entrega el vehículo de forma eficiente y a escala.

Ambos escenarios comparten una dependencia común: datos de alta calidad y bien gobernados. La analítica de datos de la automoción es la base de cada uno de ellos. Sin canalizaciones de datos fiables, ni la tecnología de vehículos autónomos ni la automatización de las líneas de producción impulsada por IA cumplen las especificaciones. La siguiente tabla mapea los principales dominios de aplicación, las tecnologías de las que dependen y los resultados operativos que persiguen.

Figura 1 – Aplicaciones de la IA en la cadena de valor de la automoción

La IA en la seguridad del vehículo: sistemas avanzados de asistencia al conductor (ADAS) y el camino hacia la autonomía

Los ADAS representan la forma de IA más implantada comercialmente en los vehículos en la actualidad. Sus funciones —frenado de emergencia automático, asistente de mantenimiento de carril, control de crucero adaptativo y monitorización de ángulos muertos— dependen de la fusión de sensores: la combinación en tiempo real de flujos de datos procedentes de cámaras, radar y sensores LiDAR de conducción autónoma en un único modelo del entorno sobre el que el vehículo puede actuar.

Cada modalidad de sensor aporta algo que las demás no pueden replicar por completo. Las cámaras proporcionan riqueza semántica: leer las señales de límite de velocidad, clasificar a los peatones y distinguir las marcas viales en superficies de carretera complejas. El radar ofrece datos fiables de velocidad y distancia bajo la lluvia o la niebla densa, condiciones en las que el rendimiento de las cámaras se degrada drásticamente. El LiDAR genera nubes de puntos tridimensionales precisas, proporcionando al sistema una geometría espacial exacta a distancias que las cámaras no pueden resolver. El algoritmo de fusión debe reconciliar los tres flujos de datos bajo restricciones de latencia de milisegundos y producir decisiones que sean simultáneamente seguras, deterministas y explicables ante el escrutinio regulatorio, una restricción que descarta muchos enfoques clásicos de IA en favor de arquitecturas cuyos resultados puedan ser rastreados y auditados.

Los sistemas de monitorización del conductor añaden una capa de inteligencia en el habitáculo que es cada vez más normativa que opcional. Las cámaras de infrarrojos rastrean la dirección de la mirada, las tasas de cierre de los ojos y la posición de la cabeza para detectar fatiga, distracción o incidentes médicos. Los vehículos modernos se clasifican según los niveles de automatización de la Society of Automotive Engineers (SAE), que van desde el Nivel 0 (sin automatización) hasta el Nivel 5 (autonomía total); a partir del Nivel 2, el sistema controla la dirección y la velocidad de forma simultánea, lo que convierte la monitorización de si el conductor sigue en condiciones de retomar el control en un requisito crítico para la seguridad, más que en una función de comodidad. En estos sistemas, el estado del conductor, una vez supervisado, puede desencadenar alertas de intensidad creciente o, en casos extremos, iniciar una parada controlada. Los sistemas de seguridad para vehículos de este tipo son ahora obligatorios en los vehículos nuevos vendidos en la UE en virtud del Reglamento 2019/2144, lo que impulsa su adopción en las líneas de producto de los Original Equipment Manufacturer (OEM), desde los segmentos premium hasta los de gran volumen.

Los vehículos autónomos se sitúan en el extremo más lejano de este espectro de capacidades. Los coches autónomos de Nivel 4 de la SAE, que operan sin intervención humana en dominios de diseño operativo definidos, se encuentran en una fase de despliegue comercial limitado en zonas urbanas geolocalizadas. La brecha entre el Nivel 2 y el Nivel 4 no es puramente tecnológica; implica cuestiones no resueltas de responsabilidad sobre el producto, aprobación regulatoria jurisdicción por jurisdicción, resiliencia ante casos límite en condiciones meteorológicas adversas y la enorme amplitud de los datos de entrenamiento necesarios para cubrir escenarios que las flotas de producción aún no han encontrado a gran escala.

El cambio arquitectónico que habilita la siguiente fase es el vehículo definido por software. Mientras que los vehículos tradicionales distribuían la inteligencia entre docenas de unidades de control electrónico específicas, cada una responsable de una función, el Software-Defined Vehicle (SDV) consolida los recursos de computación en procesadores centralizados de alto rendimiento que ejecutan software capaz de recibir actualizaciones por aire (OTA). La capacidad OTA significa que el rendimiento de los ADAS puede mejorar después de la entrega del vehículo: el mismo hardware gana nuevas funciones a medida que los modelos se reentrenan con datos de toda la flota. Esto cambia tanto la economía de la hoja de ruta del producto como la relación con el cliente: la capacidad del vehículo se convierte en una trayectoria de suscripción en lugar de una especificación fija en el momento de la venta.

La IA en la fabricación de automóviles: aplicaciones en la planta de producción

La planta de producción es el lugar donde la inversión en IA en el sector de la automoción ofrece algunos de sus beneficios operativos más evidentes y cuantificables. Tres áreas de aplicación predominan en la implementación actual: el mantenimiento predictivo, el control de calidad mediante visión artificial y la simulación basada en gemelos digitales.

Las aplicaciones de mantenimiento predictivo en la automoción utilizan el IoT en entornos de producción para monitorizar firmas de vibración, perfiles térmicos, emisiones acústicas y el consumo de energía de robots de soldadura, prensas de estampación, sistemas de transporte y cabinas de pintura. Los modelos de ML entrenados con estos datos de sensores identifican patrones de anomalías que preceden a los fallos en horas o días, lo que permite a los equipos de mantenimiento intervenir durante ventanas de producción planificadas en lugar de reaccionar precipitadamente tras una parada de línea no planificada. La reducción de costes industriales derivada del mantenimiento predictivo se acumula rápidamente: en el ensamblaje de gran volumen, una sola parada no planificada en una estación cuello de botella puede superar la inversión de todo un trimestre en infraestructura de sensores. El requisito previo son datos históricos limpios y etiquetados, razón por la cual la inversión en la base de datos determina el techo de los retornos del mantenimiento predictivo.

El control de calidad es el segundo ámbito de gran impacto. Los sistemas de visión computacional de automoción inspeccionan componentes y conjuntos a la velocidad de producción con una consistencia que ningún proceso manual iguala. Entrenados con conjuntos de datos de imágenes etiquetadas que cubren piezas aceptables y defectuosas, estos sistemas detectan defectos superficiales, desviaciones dimensionales, configuraciones de ensamblaje incorrectas y contaminación por objetos extraños en línea. La calidad desde el primer momento y la reducción de defectos son los KPI que se reflejan de forma más directa: cuando los sistemas de visión se integran en los ciclos de calidad en la propia estación, en lugar de añadirse como una etapa de inspección al final, la calidad y la productividad en la fabricación discreta mejoran en paralelo, en lugar de entrar en conflicto.

Las aplicaciones de gemelos digitales en automoción extienden la IA al dominio del diseño y la simulación. Un gemelo digital recibe datos en directo de sensores IoT y refleja el estado en tiempo real de un activo, ya se trate de una sola máquina, una línea de producción o un vehículo completo. En la fabricación, los gemelos digitales permiten a los ingenieros modelar escenarios de Value Stream Mapping (VSM), probar reconfiguraciones del flujo de producción y simular cambios en el diseño y el equilibrado de la línea antes de comprometerse con modificaciones físicas. En I+D, reducen considerablemente los ciclos de desarrollo: el rendimiento de las baterías, el comportamiento en caso de colisión, la aerodinámica y la gestión térmica pueden simularse con la fidelidad suficiente como para reducir el número de iteraciones de prototipos físicos necesarias.

La IA generativa en el sector de la automoción ha surgido como una capa de capacidades tanto para el diseño de producto como para la ingeniería de software. Los modelos de IA generativa producen iteraciones de la geometría de los componentes en función de restricciones de ingeniería —objetivos de peso, perfiles aerodinámicos, requisitos de rigidez estructural—, lo que permite preseleccionar candidatos antes de que comience la creación de prototipos físicos. En el ámbito del software integrado, las herramientas generativas ayudan en la generación de código, la documentación y la creación de casos de prueba para los cientos de millones de líneas de código de software que requieren los vehículos modernos, abordando así uno de los cuellos de botella más significativos en la transición hacia arquitecturas definidas por software. El machine learning en la automoción también está redefiniendo la programación de la producción: los modelos de aprendizaje por refuerzo optimizan los tiempos de cambio de formato, secuencian las tiradas de producción multivariante y equilibran la carga de las líneas en el ensamblaje de modelos mixtos de formas que los sistemas de planificación estáticos no pueden igualar.

Vehículos conectados, cadena de suministro y análisis de datos del sector de la automoción

El vehículo conectado genera datos que amplían el valor de la inteligencia artificial mucho más allá de las puertas de la fábrica. Los vehículos equipados con sensores IoT y conectividad 5G transmiten continuamente datos de funcionamiento, indicadores del estado del motor, patrones de comportamiento del conductor, condiciones de la superficie de la carretera y firmas de desgaste de los componentes, creando un bucle de retroalimentación que informa tanto a los programas de mantenimiento predictivo como a las prioridades de desarrollo de productos futuros. La comunicación V2X permite a los vehículos intercambiar datos con la infraestructura de tráfico, otros vehículos y plataformas en la nube en tiempo real, posibilitando avisos de seguridad cooperativos, optimización del flujo de tráfico y mapeo de peligros en la carretera que la IA de los vehículos individuales no puede lograr de forma aislada.

En lo que respecta a la cadena de suministro, la analítica de datos de automoción ha pasado decisivamente de la elaboración de informes retrospectivos al modelado predictivo y prescriptivo. La previsión de demanda impulsada por IA integra señales no estructuradas —alertas de interrupciones en el transporte marítimo, índices de congestión portuaria, datos de tendencias de precios de las materias primas e indicadores de riesgo geopolítico— junto a los patrones de pedidos históricos para generar planes de aprovisionamiento que son a la vez más precisos y sensibles a las condiciones emergentes. Durante periodos de graves restricciones de suministro, los OEM y los proveedores de Nivel 1 con capacidades analíticas maduras demostraron tiempos de respuesta significativamente más rápidos y una menor exposición al exceso de inventario que aquellos que dependían de la planificación tradicional basada en ERP. La transformación digital de la cadena de suministro no es un proyecto tecnológico; es un proyecto de gobernanza de datos y disciplina de procesos que la tecnología hace posible.

Los modelos de ML también están transformando la economía del servicio posventa en toda la red de distribuidores y concesionarios. Al combinar la telemetría de los vehículos conectados con el historial de los almacenes de piezas y los registros de los talleres, los OEM y sus redes de concesionarios pueden predecir qué componentes probablemente requerirán atención antes de una visita de servicio programada, lo que permite un aprovisionamiento proactivo de piezas, un menor tiempo de inmovilización del vehículo y una experiencia del cliente notablemente mejor. La misma infraestructura de datos que impulsa el mantenimiento predictivo en la fábrica —limpia, conectada, gobernada— es la que hace viable el servicio posventa habilitado por IA a escala de red.

Patrones de adopción de la IA por tipo de organización

Los retos y las oportunidades del despliegue de la IA difieren sustancialmente según el lugar que ocupe una organización en la cadena de valor de la automoción. Los OEM, los proveedores de Nivel 1 y los fabricantes de componentes de Nivel 2 se enfrentan a condiciones de arranque, presiones competitivas y restricciones de implementación distintas.

OEM: transformación del software bajo la presión del desarrollo de vehículos

Para los fabricantes de equipos originales, la IA es a la vez una función de producto del vehículo, una palanca de eficiencia de fabricación y un reto de plataforma de software. La transición hacia arquitecturas de vehículos definidos por software exige a los OEM construir o adquirir capacidades en ingeniería de software a gran escala, operaciones de ML e infraestructura de datos en la nube que sus organizaciones tradicionales de desarrollo de productos no fueron diseñadas para producir. La presión competitiva es real: los OEM que no puedan ofrecer ciclos continuos de mejora por aire corren el riesgo de verse superados por competidores nativos del software en los segmentos en los que el software del vehículo es un factor de compra principal.

En la fabricación, los OEM suelen tener la escala y el capital para invertir en infraestructura de datos y programas de IA en fábrica. La barrera es organizativa: los programas de IA que abarcan múltiples plantas, múltiples dominios de ingeniería y múltiples sistemas de tecnología de la información (TI) y tecnología operativa (TO) requieren estructuras de gobernanza y modelos de propiedad de los datos que las jerarquías tradicionales del sector de la automoción rara vez cuentan. Las implementaciones más eficaces de los OEM construyen una función dedicada de despliegue de IA que se hace responsable de la canalización de datos, el ciclo de vida del modelo y la metodología de despliegue entre plantas, y que opera con la misma disciplina aplicada a cualquier otro proceso de producción: trabajo estándar, propiedad clara y resolución estructurada de problemas cuando los resultados se desvían del objetivo.

Proveedores de Nivel 1: doble presión de los OEM y de los nuevos integrantes

Los proveedores de primer nivel se enfrentan a una presión para adoptar la IA procedente de dos frentes simultáneamente. Sus clientes fabricantes exigen cada vez más, como condiciones contractuales, datos de calidad basados en IA, visibilidad de la producción en tiempo real e interfaces de gemelos digitales. Al mismo tiempo, competidores nativos en tecnología están entrando en los ámbitos de los proveedores de primer nivel, especialmente en sistemas ADAS, software y sistemas de gestión de baterías, procedentes de fuera de la base tradicional de proveedores.

Para los fabricantes de Nivel 1, el mantenimiento predictivo y el control de calidad por visión computacional suelen aportar los retornos a corto plazo más claros. Los requisitos de infraestructura de datos están más contenidos que a escala de OEM, y el caso de ROI es más directo. El modo de fallo común es integrar soluciones puntuales de IA en plantas brownfield sin abordar primero la brecha de conectividad de OT: sensores que no transmiten, historiadores de datos que no comparten y sistemas de producción que nunca se han conectado a una capa de datos común. Abordar esta base de conectividad antes de desplegar modelos de IA es la diferencia entre un programa sostenible y un proyecto que funciona en la planta piloto y se estanca en todas las demás.

Según nuestra experiencia trabajando en fábricas de Nivel 1, desde operaciones de ensamblaje hasta estampación, moldeo por inyección y electrónica, las plantas que alcanzan la mayor madurez en programas de IA son, de forma consistente, aquellas que han completado un despliegue sistemático de KAIZEN™ Diario y de trabajo estándar antes de que comience el proyecto de IA. La disciplina de medición, la detección estructurada de anomalías y los hábitos de resolución de problemas a nivel de equipo que construye el KAIZEN™ Diario crean la preparación organizativa que acelera, prolonga y mejora la autocorrectiva de la adopción de la IA cuando los modelos producen resultados inesperados.

Fabricantes de Nivel 2 y de componentes: IA de precisión para casos de uso concretos

Los fabricantes de componentes más pequeños suelen carecer del capital y los volúmenes de datos para construir programas de IA completos. Los puntos de entrada de mayor retorno son casos de uso concretos y de alta frecuencia: la inspección por visión para la calidad dimensional de piezas mecanizadas o estampadas de gran volumen, el mantenimiento predictivo en procesos críticos de una sola máquina donde la parada tiene un impacto inmediato aguas abajo, y la analítica de señales de demanda para la planificación de aprovisionamiento en categorías de productos básicos volátiles.

Para los fabricantes de Nivel 2, la restricción práctica son los datos de entrenamiento etiquetados. Un fabricante de componentes de acero estampado que produce cincuenta variantes puede no tener un historial de defectos suficiente en cada variante para entrenar un modelo de visión robusto sin años de acumulación. Los enfoques que transfieren el aprendizaje de familias de productos adyacentes o que combinan datos de defectos escasos con imágenes de entrenamiento sintéticas están cerrando esta brecha. La disciplina operativa requerida es idéntica a la de las organizaciones más grandes: procesos estables, medición fiable y calidad de los datos antes del despliegue del modelo. Una relación de suministro de planificación pull y sincronizada Just-In-Time (JIT) con el cliente OEM o de Nivel 1 también genera la consistencia de la señal de demanda que requieren los modelos de previsión de IA. Los patrones de pedido erráticos e impulsados por lotes producen datos de entrenamiento que enseñan a los modelos el comportamiento equivocado.

Del piloto a la implementación a gran escala: implementación de la IA en las operaciones de automoción

El patrón más común en los programas de IA de automoción que se estancan es aplicar el machine learning a procesos que no se han estabilizado. Los modelos entrenados con datos variables e inconsistentes aprenden el ruido y lo amplifican en la producción. El trabajo estándar y la estandarización de los procesos son condiciones previas para una IA que aporte resultados consistentes entre turnos, plantas y variantes de producto. Las organizaciones que enmarcan el despliegue de la IA como el paso final de una secuencia de mejora de procesos, en lugar de como punto de partida, avanzan significativamente más rápido y sostienen el rendimiento durante más tiempo.

Esto se aplica con especial relevancia a la planificación de la producción y al equilibrio de líneas. Un modelo de IA que optimice una secuencia de montaje de modelos mixtos solo puede superar a los planificadores humanos si el diseño subyacente de la línea, el takt time y el trabajo estándar del operario son estables. Si se aplica a una línea donde los tiempos de ciclo varían según el operario, donde el suministro de material es irregular y donde los procedimientos de cambio de formato difieren según el turno, las recomendaciones del modelo se convierten en ruido. Primero estabiliza el flujo de producción y el diseño de la línea; luego el modelo tendrá algo que optimizar.

La segunda barrera constante es la brecha de integración heredada. La mayoría de las plantas de automoción brownfield ejecutan tecnología operativa en sistemas de 15 a 20 años de antigüedad sin conectividad de datos nativa. El caso de uso de IA puede estar comercialmente claro; la canalización de datos necesaria para respaldarlo aún no existe. Reequipar sensores IoT, construir infraestructura de datos y establecer el gobierno de los datos operativos son inversiones poco vistosas, pero determinan si los modelos de IA tienen algo fiable de lo que aprender. No hay atajos para sortear esta base, y las organizaciones que intentan superponer modelos de IA sobre una infraestructura de OT no conectada informan de forma consistente del mismo resultado: un piloto que funciona cuando el científico de datos está en el sitio y falla cuando se marcha.

En nuestro trabajo con OEM y proveedores de Nivel 1 en operaciones de producción y logística, las implementaciones que sostienen el rendimiento comparten una característica: el equipo de despliegue empareja a científicos de datos con personas que tienen un profundo conocimiento del gemba, personas en el punto de creación de valor que pueden verificar si los resultados del modelo tienen sentido operativo. La IA y el KAIZEN™ comparten una lógica fundacional: observar el proceso real, comprender la variación, mejorar sistemáticamente. El gemba walk que identifica un problema de calidad o una ineficiencia de programación es el mismo acto de observación estructurada que genera los datos de entrenamiento etiquetados que requiere un modelo de ML. La excelencia operativa en automoción y la madurez de la IA se refuerzan mutuamente en lugar de competir por la atención de la organización.

La capacidad de la fuerza laboral es igualmente estructural. Los ingenieros de datos, los especialistas en operaciones de ML y los responsables de datos de procesos son roles que las canteras tradicionales de RR. HH. de la automoción no producen al ritmo que exige la adopción de la IA. Las organizaciones que más avanzan invierten en programas de recualificación que combinan competencias técnicas con conocimiento del dominio de la fabricación, formando a personas que pueden interrogar los resultados de los modelos con el mismo rigor que aplican a los datos de producción y traducir entre los requisitos de la ciencia de datos y las realidades operativas en la planta de producción.

La secuencia de despliegue que funciona de forma consistente: estabilizar el proceso y establecer el trabajo estándar primero; construir la infraestructura de datos y la capa de conectividad en segundo lugar; desplegar los modelos de IA en condiciones controladas con supervisión humana en tercer lugar; escalar a sitios y casos de uso adicionales en cuarto lugar. No se trata de un enfoque lento, sino del enfoque que evita los reinicios y las pérdidas que caracterizan a los programas en los que se invierte el orden.

La ventaja competitiva no es la tecnología

La IA en la industria de la automoción ya no es una cuestión de si invertir, sino de cómo construir la capacidad organizativa para capitalizar esa inversión. La tecnología se está volviendo accesible para cualquier organización con capital y un equipo de ciencia de datos. Lo que no se está convirtiendo en un bien de consumo es la disciplina operativa necesaria para implementarla allí donde genere un valor duradero en un proceso estable, con datos limpios y con personas que comprendan tanto el modelo como la máquina que se pretende mejorar.

Kaizen Institute ha apoyado a fabricantes de automoción, proveedores de Nivel 1 y Nivel 2 y redes de concesionarios a lo largo de esta transformación, desde la estabilización de los procesos de producción y la construcción de las bases de datos que requiere la IA hasta el despliegue de sistemas de KAIZEN™ Diario que crean la preparación organizativa para una adopción sostenida. Para las organizaciones que buscan pasar del piloto a la escala, nuestros servicios de consultoría en automoción aportan experiencia basada en el gemba que la capacidad técnica por sí sola no puede sustituir.

¿Todavía tienes alguna duda sobre la IA en la industria de la automoción?

¿Cuáles son las principales aplicaciones de la IA en la industria de la automoción?

La IA en la industria de la automoción opera en dos dominios principales. Las aplicaciones en el vehículo incluyen los ADAS, la tecnología de conducción autónoma, los sistemas de monitorización del conductor, las plataformas de coche conectado y las arquitecturas de vehículos definidos por software con capacidad de actualización por aire. En las aplicaciones de fabricación y cadena de suministro, el mantenimiento predictivo, el control de calidad basado en visión artificial, la automatización de líneas de producción, la simulación con gemelos digitales, la previsión de demanda y el diseño y desarrollo de software asistidos por IA generativa son áreas clave. La madurez y el retorno de cada aplicación dependen en gran medida de la base de datos y la estabilidad de procesos que la organización haya establecido antes del despliegue.

¿Cómo mejora la IA la seguridad del vehículo?

La IA mejora la seguridad del vehículo principalmente a través de los ADAS, que utilizan la fusión de sensores para combinar cámaras, radar, LiDAR y ultrasonidos con el fin de proporcionar a los vehículos un modelo del entorno en tiempo real. Esto permite el frenado de emergencia automático, la corrección de salida de carril, el control de crucero adaptativo y los avisos de ángulo muerto. Los sistemas de monitorización del conductor utilizan la visión artificial para detectar la fatiga y la distracción dentro del habitáculo. A medida que madura la tecnología de vehículos autónomos, estas capacidades reducen progresivamente el papel del error humano, que es la causa de la mayoría de las colisiones de tráfico. Las nuevas normativas de la UE exigen ahora la monitorización del conductor en todos los vehículos nuevos, lo que convierte los sistemas de seguridad del vehículo habilitados por IA en equipamiento de serie en lugar de en opciones premium.

¿Cómo funciona el mantenimiento predictivo en la fabricación de automóviles?

El mantenimiento predictivo en la fabricación de automoción utiliza sensores IoT en los equipos de producción para capturar datos continuos sobre vibración, temperatura, consumo de corriente, presión y firmas acústicas. Los modelos de ML entrenados con estos datos aprenden el rango normal de funcionamiento de cada máquina y detectan patrones anómalos que preceden a los fallos. El mantenimiento se programa entonces antes de que se produzca el fallo, durante una ventana de producción planificada. Esto sustituye tanto al mantenimiento reactivo (tras la avería) como al mantenimiento preventivo de calendario fijo (según un calendario independientemente del estado real del equipo), reduciendo las paradas no planificadas, el coste total de mantenimiento y el inventario de piezas. El requisito previo son datos históricos suficientemente limpios del tipo de equipo específico; los modelos genéricos rara vez funcionan de forma fiable sin un entrenamiento específico del sitio.