El mantenimiento predictivo con IA en el sector automotriz empieza por el dato que la operación ya genera, no por el sensor nuevo. El primer paso es elegir un activo, un modo de fallo y una fuente de datos existente, como órdenes de servicio o telemetría, medir la calidad de ese historial y probar un modelo en semanas.
Qué cambia entre correctivo, preventivo y predictivo
El mantenimiento correctivo es reparar después de que algo se rompe. El preventivo es sustituir en un intervalo fijo, por kilometraje o por tiempo, siguiendo el plan del fabricante. El predictivo es intervenir cuando el dato indica que el fallo está cerca, ni antes ni después.
La diferencia práctica está en lo que cada enfoque exige en información. El correctivo vive sin ningún dato. El preventivo necesita un calendario y un odómetro. El predictivo necesita historial de fallos, lecturas continuas del activo y alguien que conecte las dos cosas. Ahí entra el machine learning, y ahí tropieza la mayoría de los proyectos.
| Enfoque | Cuándo ocurre el mantenimiento | Dato necesario | Primer paso típico |
|---|---|---|---|
| Correctivo | Después del fallo | Orden de servicio con fecha, pieza y causa | Estandarizar el registro de cada avería antes de cualquier modelo |
| Preventivo | En intervalo fijo, por km o por tiempo | Plan del fabricante, odómetro, calendario | Digitalizar el plan y medir adherencia y sustituciones hechas demasiado pronto |
| Predictivo | Cuando el dato indica riesgo | Historial de fallos etiquetado, telemetría o escáner, contexto de uso | PoC de 3 semanas para probar si hay señal, o de 4 a 6 semanas con integración a datos reales |
Ningún enfoque sustituye por completo a los demás. Una flota o una línea sana tiene los tres: correctivo para lo barato e imprevisible, preventivo para lo que el fabricante ya mapeó, predictivo para los componentes en los que la parada cuesta caro y el fallo avisa antes de ocurrir.
¿Qué datos necesita mi operación antes de hablar de IA?
Menos de lo que parece, pero con más calidad de la que suele tener. Para un primer modelo bastan tres fuentes:
- Historial de fallos etiquetado. Cada avería con fecha, componente, causa y lo que se hizo. Si la orden de servicio solo dice "motor", el modelo no aprende nada.
- Lecturas del activo a lo largo del tiempo. Telemetría de flota, lectura de escáner OBD, temperatura, consumo, vibración. No hace falta un sensor nuevo: lo que el vehículo ya registra suele bastar para empezar.
- Contexto de uso. Kilometraje, tipo de ruta, carga, conductor. Dos vehículos iguales con uso distinto fallan en momentos distintos.
La prueba es simple. Tome los últimos doce meses de órdenes de servicio e intente responder, para un único componente, cuántas veces falló y qué mostraban los datos en las semanas anteriores. Si la respuesta no sale de la hoja de cálculo, el problema es de datos, no de modelo. Escribimos sobre ese bloqueo en por qué los modelos de ML no llegan a producción: buena parte de los proyectos se detiene antes del modelo, en el dato.
Por dónde empezar sin gastar en sensores
Elija un activo y un modo de fallo
No empiece por "la flota". Empiece por un componente que detiene la operación cuando falla, que tiene historial razonable y que avisa antes de romperse. Batería, frenos, embrague, refrigeración e inyección son candidatos comunes en vehículos. En línea de montaje, motores, compresores y bombas. El criterio es el mismo: parada cara, fallo con precursores, dato disponible.
Mida lo que el preventivo ya entrega
Antes de predecir, mida. ¿Cuántas sustituciones preventivas se hicieron en piezas que aún tenían vida útil? ¿Cuántos fallos ocurrieron entre dos preventivos? Esos dos números dicen cuánto dinero hay sobre la mesa y definen la meta del modelo. Sin ellos, no hay forma de saber si el predictivo funcionó.
Ejecute un ciclo corto con datos reales
Un modelo predictivo de primera versión no necesita ser una red neuronal. Reglas de umbral y un clasificador simple sobre el historial ya muestran si existe señal. En Cortex IQ, ese ciclo cabe en la PoC Factory: 3 semanas para validar la hipótesis, o de 4 a 6 semanas cuando hay integración con datos reales. Lo que sale es una respuesta objetiva: el dato sostiene o no un modelo, y qué falta para sostenerlo.
Defina quién actúa cuando el modelo avisa
Una alerta que nadie abre no es mantenimiento predictivo. Antes de poner el modelo en producción, defina quién recibe el aviso, en qué sistema, y qué ocurre después: se abre orden de servicio, se agenda la sustitución, se retira el vehículo de la ruta. Si ese flujo no existe, el modelo se convierte en un gráfico.
¿La IA vale la pena para un taller o solo para flotas e industria?
Depende del volumen y del dato. Para flotas, concesionarios con posventa y fábricas de autopartes, el predictivo se justifica cuando hay decenas de activos iguales generando datos comparables. Para un taller independiente, la ganancia con tecnología suele venir antes de otro lugar: del diagnóstico asistido, de la agenda y de la presencia digital que trae al cliente hasta la puerta.
Un ejemplo del sector: Jean Auto Center, taller mecánico y de proyectos 4x4 en Parobé, Brasil, tenía nota 4,8 en Google con 24 reseñas y ningún sitio web. El proyecto con Cortex IQ fue de presencia digital, no de mantenimiento predictivo. Pero ilustra el punto: el taller ya hace diagnóstico por escáner y alineación por geometría 3D, es decir, genera datos técnicos en cada atención. Ese dato, acumulado y organizado, es la materia prima de cualquier modelo futuro. El primer paso de un taller es guardarlo de forma estructurada, no comprar sensores.
¿Qué errores retrasan más estos proyectos?
- Empezar por la herramienta. Comprar una plataforma de mantenimiento predictivo antes de saber si el dato existe. La herramienta no crea historial.
- Modelar toda la flota. Muchos componentes, muchos modos de fallo, ningún resultado en un plazo razonable.
- Ignorar el falso positivo. Un modelo que manda sustituir una pieza buena gasta más que el preventivo. La meta tiene que incluir precisión, no solo la tasa de fallos detectados.
- No cerrar el ciclo. Sin registro de lo que ocurrió después de la alerta, el modelo no mejora.
- Saltarse la pregunta de preparación. Las 5 señales de que la empresa está lista para la IA valen también aquí: dato accesible, proceso definido, responsable claro, métrica acordada y capacidad de actuar sobre el resultado.
El mantenimiento predictivo no es un modelo. Es un dato bien guardado, una meta medida y alguien que actúa cuando llega la alerta.
Siguiente paso
Si su operación tiene historial de órdenes de servicio y un componente que cuesta caro cuando se detiene, ese es el punto de partida. La página de machine learning explica cómo Cortex IQ estructura ese primer ciclo, y la página del sector automotriz muestra el trabajo ya hecho en el área.