Inteligencia artificial al servicio de la excelencia operativa en diferentes industrias

La capacidad de transformar datos en decisiones rápidas y fundamentadas se ha convertido en uno de los principales factores de diferenciación competitiva en las organizaciones modernas. En un contexto en el que el volumen de información disponible crece a un ritmo sin precedentes, la cuestión central ya no es la cantidad de datos: es la capacidad de interpretarlos, estructurarlos y movilizarlos en el momento adecuado.

Este caso de estudio abarca proyectos desarrollados en organizaciones de sectores distintos, todos unidos por un reto común: transformar datos dispersos, procesos manuales y decisiones intuitivas en sistemas inteligentes y automatizados. En cada uno de ellos, la solución implementada combinó modelos de inteligencia artificial, análisis geoespacial, machine learning o IA generativa con una integración cuidada en los procesos y tecnologías existentes de las organizaciones, donde fue posible obtener resultados medibles en términos de eficiencia operativa, calidad, fiabilidad de la información y capacidad de innovación. Los casos que siguen ilustran esta lógica de transformación en realidades operativas distintas.

Detección de fugas y anomalías de consumo en una red de suministro de agua

La organización opera en el ámbito del suministro municipal de agua. El proceso de detección de fugas lo llevaban a cabo varios equipos basándose en inspecciones sobre el terreno y comprobaciones de válvulas, lo que constituía una tarea compleja, laboriosa y que rara vez se completaba con la rapidez necesaria, lo que daba lugar a pérdidas significativas de agua, con consecuencias económicas y medioambientales considerables.

El enfoque para transformar la detección de fugas

Para responder a estos retos, se desarrolló e implementó una solución de inteligencia artificial capaz de clasificar el riesgo de fuga e identificar consumos anómalos en tiempo real, integrada en la plataforma de gestión existente.

La solución se basa en un modelo de IA que combina datos internos y externos para generar un mapa de riesgo dinámico de la red. Entre los datos utilizados, destacan:

• Datos internos: histórico plurianual de roturas, distribución espacial de la red de suministro, datos de presión y rendimiento de la red;
• Datos externos: temperatura y precipitación, densidad poblacional y tipo de suelo.

El sistema desarrollado procesa datos internos y externos mediante modelos de causalidad basados en IA, generando como output la localización probable de roturas, un mapa de riesgo actualizado y alertas de detección de consumo anómalo en tiempo real. El sistema tiene capacidad de autoaprendizaje e integra los sistemas existentes de la organización.

Figura 1 – Ejemplo del sistema implementado

Resultados obtenidos

La implementación de la solución de IA para la detección de fugas y anomalías de consumo generó impactos significativos en los principales indicadores operativos:

• El 80% de las tuberías con roturas fueron identificadas correctamente por el modelo;
• Reducción del 25% del agua no facturada, con impacto directo en los costes operativos;
• El 10% de las tuberías de la red fueron clasificadas como de alto riesgo;
• Reducción de los recursos asignados al proceso de detección de fugas;
• Mayor eficiencia en la detección, en tiempo real, de fugas en la red.

Inspección automatizada de blísteres en la industria farmacéutica

La empresa en cuestión opera en la industria farmacéutica, donde el proceso de envasado en blísteres exige una verificación rigurosa para asegurar que cada alvéolo contenga la medicación correcta, lo cual es un requisito crítico para la seguridad del paciente y la conformidad regulatoria del sector.

El reto operativo

Los equipos existentes requerían entre 25 y 40 minutos de calibración manual para cada nuevo lote o cambio de formato, lo que suponía un coste operativo significativo en términos de disponibilidad de la línea de producción.

Los sistemas convencionales de inspección se basaban en contrastes simples, tales como color y peso, lo que se revelaba insuficiente en escenarios de mayor complejidad o en equipos de diferentes generaciones.

Automatización de la inspección como solución

Se desarrolló una solución de visión por computador basada en modelos de Deep Learning, capaz de inspeccionar blísteres en tiempo real sin calibración previa. A partir de imágenes capturadas en la línea de producción y de una base de datos de diferentes formatos, el modelo detecta automáticamente cada alvéolo y lo clasifica como «Lleno» o «Vacío», emitiendo alertas para rechazo inmediato.

La solución funciona para envases de aluminio y de plástico transparente sin necesidad de reprogramación, con potencial para identificar defectos más complejos, incluyendo la contaminación por pigmentación, la rugosidad, las fisuras y los daños seccionales en los comprimidos, lo que abre camino a una inspección de calidad más amplia.

Resultados alcanzados

La implementación de la solución de inspección automatizada por IA generó impactos relevantes en los indicadores de calidad y eficiencia operativa:

• Reducción del tiempo de setup de aproximadamente 25 minutos a tan solo 0;
• Tasa de precisión del 100% en la clasificación de alvéolos llenos vs. vacíos en las pruebas realizadas;
• La solución puede implementarse en cualquier línea de producción, independientemente del número de alvéolos o del formato del comprimido.

Análisis geoespacial para la expansión de una red de estaciones de servicio

Con una presencia geográfica ya establecida, la empresa buscaba expandir su red de forma estructurada, basada en datos objetivos y en modelos predictivos, en lugar de tomar decisiones basadas exclusivamente en criterios empíricos.

El proceso de identificación de nuevas localizaciones para estaciones de servicio se llevaba a cabo sin recurrir a técnicas geoespaciales ni a datos de contexto geográfico, lo que limitaba la objetividad y la precisión de las decisiones de inversión. Adicionalmente, el potencial de cada localización para caracterizar el rendimiento futuro de la estación no se cuantificaba, lo que dificultaba la comparación entre alternativas y la priorización de oportunidades.

La organización identificó las siguientes lagunas en el proceso vigente:

• Ausencia de modelos de previsión de ventas por ubicación, impidiendo una evaluación objetiva de su potencial;
• Falta de datos geoespaciales integrados (movilidad, puntos de interés, demografía) para apoyar la toma de decisiones;
• Incapacidad para comparar el rendimiento real de cada estación con su potencial estimado.

El enfoque para identificar las ubicaciones ideales

Se desarrolló una solución inteligente de apoyo a la selección de localizaciones basada en modelos de machine learning y de análisis geoespacial. La solución integra datos internos y externos para construir un modelo predictivo robusto. Los datos internos comprenden el portafolio de estaciones existentes, tales como la ubicación, la oferta de productos y las ventas de combustible y no combustible. A partir de estos inputs, el modelo ejecuta cuatro procesos analíticos principales:

• Clustering de las estaciones existentes por perfil del entorno, agrupando estaciones con contextos geográficos similares;
• Desarrollo de modelos de previsión de ventas para cada cluster, a través de algoritmos de machine learning;
• Modelo de optimización para identificar las mejores localizaciones para nuevas estaciones de servicio;
• Comparación entre el rendimiento real de cada estación y su potencial estimado, identificando oportunidades de mejora operativa.

La solución se puso a disposición en forma de mapa interactivo, en el que los equipos pueden obtener previsiones de ventas para cualquier ubicación geográfica de interés.

Resultados cualitativos obtenidos

• La implementación de la solución inteligente de ubicación generó impactos directos en la capacidad estratégica y operativa de la organización: Identificación de las mejores ubicaciones para la expansión de la red, a partir de criterios objetivos y cuantificables, sustituyendo el enfoque empírico anterior;

Figura 2 – Mapa ilustrativo de la expansión de la red

• Comparación sistemática del rendimiento real frente al potencial estimado de cada estación;
• Creación de propuestas de oferta de productos diferenciadas por ubicación.

Gobernanza de datos: de la calidad a la toma de decisiones basada en datos

La empresa analizada en este proyecto opera en la industria de la pasta de celulosa y los productos forestales, un sector de capital intensivo y fuertemente orientado por datos operativos. Contaba con múltiples sistemas de información, con silos de datos desconectados y de calidad inconsistente, lo que generaba desconfianza en los datos como base para la toma de decisiones. La gestión de datos era predominantemente ad hoc, sin procesos estandarizados ni responsabilidades claras, y la calidad de los datos variaba significativamente entre plataformas, sin normas de validación uniformizadas.

El enfoque para implementar la gobernanza de datos

Se adoptó una metodología estructurada con el objetivo de construir una base de datos fiable y preparada para apalancar soluciones de inteligencia artificial. La fase inicial comprendió la evaluación de la madurez de la organización en gestión de datos, la definición de la estrategia de gobernanza y el diseño de la arquitectura de datos objetivo, culminando en la elaboración de un roadmap estratégico de 24 meses.

La implementación abarcó múltiples dimensiones: la creación de informes certificados, la implementación de capacidades de self-service, la gestión de datos y el desarrollo de un programa transversal de alfabetización de datos a la organización. Se crearon los siguientes elementos de apoyo:

• Informe de estrategia de datos y página interna con información del programa;
• Roadmap y plan de comunicación publicados internamente;
• Framework de gobernanza de datos puesto a disposición de toda la organización;
• Comité de datos mensual y sesiones de formación y workshops regulares;
• Glosario de negocio, catálogo de reporting y procesos de gestión de la demanda documentados;
• Alineación entre el roadmap tecnológico y el roadmap de datos.

Los resultados alcanzados

La implementación del programa de gobernanza de datos generó mejoras medibles en la calidad de la información, en la eficiencia de los procesos y en la cultura organizacional:

• Más de 200 KPIs con fiabilidad garantizada, asegurando mayor consistencia en los indicadores críticos de la organización;
• Reducción de 185 horas mensuales dedicadas a la preparación de informes;
• Establecimiento de una única fuente fidedigna de datos, con reporting certificado y trazabilidad completa de la información;
• Definición clara de responsabilidades y estándares de calidad en toda la organización;
• Infraestructura de datos preparada para la IA.

Planificación de la producción basada en datos: sincronización entre fábricas y reducción de ineficiencias

La empresa pertenece a la industria transformadora, con dos fábricas distintas, siendo una dedicada a la producción de semielaborados y la otra a las operaciones de customización y envasado, y eran gestionadas por planificadores independientes. Así, la fuerte interdependencia entre las dos unidades convertía el alineamiento del plan de producción en un reto operativo permanente.

La complejidad inherente a la coordinación entre ambas fábricas generaba ineficiencias recurrentes que afectaban la fiabilidad del plan y la utilización de la capacidad instalada.

Además, la organización disponía de una visibilidad reducida sobre el impacto de los cambios en el plan a lo largo de toda la cadena, lo que dificultaba una respuesta rápida y fundamentada ante las perturbaciones en el ámbito operativo.

Transformación de la planificación de la producción

Se desarrolló una solución de planificación integrada y automatizada, basada en algoritmos de optimización y lógica de sincronización entre fábricas, que elimina la necesidad de coordinación manual y genera planes fiables en tiempo real. La plataforma de planificación procesa inputs de demanda, datos del sistema y aplica tres capacidades analíticas centrales:

• Lógica de sincronización para alinear automáticamente los planes de las dos fábricas;
• Enrutamiento con conocimiento del inventario, optimizando el flujo de materiales en función de los stocks disponibles;
• Optimización basada en restricciones de capacidad, setups y limitaciones operativas, generando un plan viable para productos semiacabados, así como para la personalización y el embalaje.

Resultados disruptivos

La implementación de la solución de planificación generó impactos significativos en la fiabilidad operativa y en la eficiencia de los recursos:

• Aumento de 20 puntos porcentuales en la tasa de cumplimiento entre la producción de semiacabados y la personalización y el embalaje;
• Mejora de 15 puntos porcentuales en la adherencia al plan de producción;
• Reducción del 80% en el tiempo dedicado al proceso de planificación;
• Reducción de 4 días en el proceso de decisión de inversión (CAPEX);
• Coordinación en tiempo real entre los dos planificadores y las dos fábricas, reduciendo errores de comunicación y retrabajo.

Web Scraping con IA para I+D: monitorización inteligente de información estratégica

La organización opera en la industria de los compuestos avanzados, un sector en el que la ventaja competitiva se basa en la innovación continua y en la capacidad de aplicar materiales sostenibles a mercados técnicos exigentes. La misma cuenta con múltiples equipos de I+D que dependen del acceso continuo a conocimiento externo para impulsar la innovación. Sin embargo, la recopilación de esta información se realizaba manualmente, de forma fragmentada y no escalable, lo que consumía recursos significativos sin garantizar una cobertura sistemática de las fuentes relevantes.

El elevado volumen de datos externos no estructurados, provenientes de múltiples fuentes y en diferentes idiomas, convertía la recopilación manual en algo ineficiente e incompleto. La duplicación de esfuerzos entre equipos y la ausencia de un proceso estandarizado de selección agravaban este problema.

Así, la falta de estandarización y estructuración de los insights obtenidos por los diferentes equipos generaba silos de información y reducía la capacidad de apalancamiento del conocimiento acumulado. La organización no disponía de mecanismos eficaces para compartir y consolidar los resultados de la monitorización de forma transversal.

Además, la ausencia de mecanismos sistemáticos de validación de la información recogida ponía en riesgo la precisión, consistencia y fiabilidad de los datos utilizados en las decisiones de I+D, exponiendo a la organización a errores basados en fuentes no verificadas.

Automatizar la monitorización de I+D

Se desarrolló una solución end-to-end de web scraping con IA, basada en dos agentes inteligentes en comunicación, que automatiza la recogida, validación, estructuración y distribución de información estratégica para los equipos de I+D. El sistema utiliza dos agentes de IA complementarios:

• Agente 1 (recopilación): realiza scraping inteligente de páginas web con preprocesamiento de HTML, identificación de noticias relevantes por palabras clave y validación del contenido a partir de los criterios definidos;
• Agente 2 (análisis): procede al análisis en profundidad de los artículos completos, generando resúmenes ejecutivos estructurados a través de modelos de IA generativa.

Los outputs generados son una base de datos estructurada con las noticias y oportunidades identificadas, un informe PDF con un resumen de los hallazgos relevantes generado automáticamente, e integración con Microsoft Teams para la interacción y colaboración de los equipos en torno a la información recopilada.

El flujo de trabajo es orquestado por un «planificador» automático integrado con Power Automate, garantizando que el proceso de monitorización se ejecuta de forma continua, sin necesidad de intervención manual. La solución se encuentra totalmente integrada en el stack tecnológico existente de la organización.

Resultados obtenidos

La implementación de la solución de web scraping con IA generó impactos expresivos en la eficiencia operativa y en la capacidad de innovación de los equipos de I+D:

• Monitorización automática y estructurada de más de 300 fuentes de información;
• Reducción de 150 horas semanales dedicadas a la recopilación y síntesis de información estratégica;
• Eliminación de tareas sin valor añadido;
• Procesamiento de información repetible y validada, con trazabilidad garantizada por los agentes de IA;
• Aceleración de la innovación mediante la anticipación de tendencias globales.

Previsión basada en IA para la planificación de la construcción

La empresa en cuestión es una referencia en el sector de la construcción, especializada en unidades industriales, y afrontaba retos para estimar con precisión la duración de las tareas en las fases de presupuestación y de planificación inicial de proyectos complejos de construcción industrial.

La falta de precisión en la planificación inicial impactaba directamente en los cronogramas y en los costes de los proyectos. A este reto se sumaba la existencia de riesgos no detectados durante las fases clave de la construcción, así como una dificultad para ajustar los planes en función de variables externas.

El enfoque para una previsión más precisa

Se desarrolló una solución basada en modelos de IA, capaz de prever la duración de las tareas e identificar riesgos de retraso mediante diversas fuentes de datos. Entre los datos utilizados, destacan:

• Datos históricos de proyectos: reconocimiento de patrones de duración por tipo de tarea, ubicación y características del proyecto;
• Indicadores macroeconómicos y regionales: disponibilidad de mano de obra, inflación y otros factores económicos locales relevantes;
• Histórico y previsiones meteorológicas:  efectos del clima en actividades sensibles a las condiciones meteorológicas (por ejemplo, cimentaciones y cubiertas);
• Capacidad de los subcontratistas y proveedores: datos sobre promociones y descuentos que aumentan la precisión de la previsión.

La solución orquestada posibilita además la generación automática de cronogramas de tareas a partir de las características del proyecto, el envío de alertas en tiempo real durante la ejecución que indican posibles retrasos, y la actualización continua del modelo utilizando datos reales de la ejecución del proyecto.

Figura 3 – Ejemplo de cronograma

Resultados cualitativos obtenidos

La implementación de la solución de IA para la previsión y la planificación generó impactos cualitativos relevantes en la capacidad de planificación de la empresa:

• Capacidad de simulación de escenarios, que permitió una mejor planificación de contingencias y una asignación de recursos más eficiente;
• Visualización de riesgos y seguimiento de desviaciones en tiempo real;
• Toma de decisiones más rápida y mejor fundamentada;
• Aprendizaje continuo del modelo en cada proyecto, creando una base de conocimiento en constante evolución.

Conclusión: el impacto transformador de la inteligencia artificial en diferentes industrias

Este caso de estudio demuestra que la adopción de soluciones de inteligencia artificial y de análisis avanzado de datos no es un fin en sí mismo, es un medio para construir organizaciones más ágiles, más fiables y más capaces de responder a las exigencias de un mercado en constante transformación.

El camino hacia una organización verdaderamente orientada por datos es continuo, y es precisamente ahí donde Kaizen Institute y sus soluciones digitales especializadas marcan la diferencia.

Respetamos los acuerdos de confidencialidad de nuestros clientes. Aunque hemos cambiado u omitido nombres, los resultados son reales.