Implementar IA en empresa industrial: guía específica para manufactura y logística

TL;DR

La PYME industrial española es donde la IA demuestra ROI más rápido porque todo se mide: downtime, scrap, OEE, MTBF. Siete casos concretos con cifras realistas para 2026:

1. Mantenimiento predictivo (sensores + ML): setup 15.000–25.000 €, mensual 400–700 €, plazo 6–10 semanas. ROI: -30/-50% paradas no programadas.
2. Visión artificial para QA: setup 18.000–40.000 € por línea, mensual 300–600 €, plazo 8–14 semanas. ROI: -60/-80% scrap por defecto.
3. Forecasting de demanda con LLM + ERP: setup 8.000–15.000 €, mensual 250–500 €, plazo 4–6 semanas. ROI: -20/-35% stock muerto.
4. Optimización de OEE con agentes que cruzan MES/ERP/SCADA: setup 12.000–22.000 €, mensual 350–600 €, plazo 6–8 semanas. ROI: +5/+12 puntos OEE.
5. Copiloto RAG sobre manuales y normativa: setup 6.000–12.000 €, mensual 150–350 €, plazo 3–5 semanas. ROI: -70% tiempo de consulta técnica.
6. Automatización de partes y reportes: setup 5.000–10.000 €, mensual 150–300 €, plazo 3–4 semanas. ROI: 4–8 h/operario/semana.
7. Detección de anomalías en logística: setup 8.000–18.000 €, mensual 250–500 €, plazo 5–8 semanas. ROI: -15/-25% incidencias de ruta.

Intro

Cuando un director de planta lee "IA para la industria" en una propuesta comercial, normalmente recibe un PowerPoint con palabras como Industria 4.0, transformación digital y digital twin. Lo que no recibe casi nunca es una cifra concreta. Cuánto cuesta arrancar. En cuántas semanas se ve el primer dato. Qué pasa si la planta tiene un MES de hace doce años, un ERP de SAP B1 y operarios que llevan veinte años trabajando con partes en papel. La PYME industrial española es uno de los segmentos donde más rápido se puede demostrar ROI de IA, pero los grandes proveedores hablan en abstracto y los pequeños integradores muchas veces no tienen el rigor metodológico para acompañar a una operación crítica.

Esta guía aterriza el terreno. Siete casos de uso reales, cada uno con coste de arranque, coste recurrente, plazo de implementación, retorno esperado y un ejemplo anonimizado de una planta española que lo ha hecho en 2025 o 2026. Está pensada para el director de planta, el gerente de operaciones o el responsable de mejora continua que tiene que justificar internamente una inversión de entre 15.000 y 50.000 € sin volver con un proyecto que se eternice un año y termine sin dato concreto.

Por qué la industria es donde más rápido se demuestra ROI de IA

La razón es simple y poco glamurosa: la fábrica está llena de números. Una hora de parada de una prensa de inyección puede costar 600 € en pérdida de producción. Un punto de OEE en una línea de envasado puede significar 80.000 € al año. Un 1% de scrap en piezas de automoción puede comerse el margen de un turno completo. Cuando el baseline numérico es así de claro, calcular el ROI de un proyecto de IA es ejercicio aritmético, no acto de fe.

Comparado con sectores de servicios, donde el ahorro de "tiempo de búsqueda de información" es real pero difícil de defender ante un consejo, la industria tiene la ventaja de que las métricas ya están sobre la mesa. El MES marca el OEE. El SCADA registra los paros. El sistema de calidad cuenta los defectos. La IA no aporta una métrica nueva; aporta una mejora medible sobre una métrica que llevas mirando años.

A esto se suma el contexto del mercado. Según Gartner, el 40% de las aplicaciones empresariales tendrán agentes IA integrados a finales de 2026, frente al 17% que ya los han desplegado a inicios de año. La industria, que históricamente ha ido por detrás del sector financiero en adopción de software, está cerrando ese gap a velocidad acelerada en 2026. Los integradores de MES y ERP están sacando módulos IA. Los fabricantes de sensores ofrecen analytics. El problema es que el director de planta de una PYME de 60 personas no quiere comprar un módulo nuevo a su proveedor de MES por 80.000 €; quiere arrancar con un piloto de 15.000 € que funcione en seis semanas y, si funciona, ampliarlo.

Además, la industria tiene tres propiedades que la hacen ideal para empezar con IA: procesos repetitivos (la misma línea hace lo mismo cada turno, lo cual facilita entrenar modelos), datos abundantes (un PLC genera miles de registros al día, aunque haya que limpiarlos) y objetivos cuantificados desde antes de que existiera la IA. No hay que inventar el KPI.

Los 7 casos de uso reales con coste y plazo

Caso 1: Mantenimiento predictivo (sensores + ML)

Qué problema resuelve: las paradas no programadas. La media en PYME industrial española está entre 8% y 15% del tiempo de producción según sector. Una parada no anticipada de una máquina crítica puede costar entre 400 y 2.000 € por hora de pérdida.

Stack típico: sensores de vibración, temperatura y consumo en motores y rodamientos críticos (entre 80 y 250 € por punto de medida), gateway IoT que envía datos a una plataforma cloud (Azure IoT, AWS IoT Greengrass o equivalente europeo), modelo de Machine Learning clásico (random forest, isolation forest o LSTM para series temporales). No hace falta LLM aquí: la mejor herramienta para detectar que un rodamiento se va a romper en siete días es un modelo estadístico bien entrenado, no un modelo generativo.

Coste setup: 15.000–25.000 € para 2–4 máquinas críticas (sensores + integración + modelo inicial + dashboard). Coste mensual: 400–700 € (plataforma cloud + retraining periódico + soporte). Plazo: 6–10 semanas hasta tener las primeras alertas fiables. ROI esperado: reducción del 30% al 50% en paradas no programadas en las máquinas instrumentadas durante el primer año.

Un fabricante de componentes metálicos de 55 personas (Comunidad Valenciana, marzo 2026) instrumentó tres centros de mecanizado críticos. Setup 22.000 €, mensual 580 €. A los cuatro meses redujo paradas no programadas de 9,2% a 5,1% del tiempo de producción. Payback estimado: 7 meses.

Caso 2: Visión artificial para QA en línea

Qué problema resuelve: detección de defectos en línea (rebabas, deformaciones, ausencia de componentes, defectos superficiales). En piezas pequeñas y de alta cadencia, los operarios no pueden inspeccionar el 100%, y el muestreo deja pasar defectos al cliente.

Stack típico: cámaras industriales (entre 1.500 y 6.000 € por puesto según resolución y velocidad), iluminación específica (a menudo es el factor que decide si el sistema funciona o no), un computador edge para inferencia, y un modelo de deep learning (CNN o transformer visual) entrenado con piezas buenas y defectuosas. Lo crítico no es el modelo: es el dataset y el control de la iluminación.

Coste setup: 18.000–40.000 € por línea (cámara + iluminación + edge + modelo + integración con el PLC para rechazar piezas). Coste mensual: 300–600 € (mantenimiento, reentrenamiento cuando entra un nuevo defecto, soporte). Plazo: 8–14 semanas. La parte larga es entrenar con suficientes ejemplos de defectos reales; si la planta no tiene un repositorio fotográfico de defectos previos, hay que empezar a crearlo. ROI esperado: 60–80% de reducción en defectos enviados al cliente y eliminación de mermas asociadas. En sectores con multas por PPM (piezas defectuosas por millón) como automoción, el ROI puede ser inmediato.

Un proveedor Tier-2 de automoción de 90 personas (País Vasco, noviembre 2025) implantó visión artificial en dos líneas de inyección plástica. Setup 62.000 € (dos líneas), mensual 1.100 €. PPM bajó de 380 a 90 en seis meses. El cliente OEM retiró una penalización contractual que costaba ~45.000 €/año.

Caso 3: Forecasting de demanda con LLM + ERP histórico

Qué problema resuelve: stock muerto, roturas y compras reactivas. La PYME industrial española típica tiene el 18–28% del capital circulante atrapado en stock que no rota. El forecasting clásico de Excel falla cuando hay estacionalidad cruzada, eventos externos o picos por cliente.

Stack típico: extracción del histórico del ERP (2–4 años de ventas, compras y producción), modelo de series temporales (Prophet, ARIMA o gradient boosting), combinado con un LLM que enriquece el forecast con variables cualitativas (cartera de pedidos, eventos comerciales, noticias del sector). El LLM no predice por sí solo; interpreta y contextualiza el output del modelo cuantitativo.

Coste setup: 8.000–15.000 € (extracción + limpieza + modelo + dashboard). Coste mensual: 250–500 € (cómputo + tokens del LLM + ajustes). Plazo: 4–6 semanas. ROI esperado: 20–35% menos stock muerto, 10–20% menos roturas. En empresas con almacén intensivo, el payback son 4–8 meses.

Una empresa de distribución de material eléctrico industrial de 35 personas (Madrid, febrero 2026) implantó forecasting sobre 1.200 SKUs. Setup 11.500 €, mensual 380 €. A los cinco meses redujo stock medio un 23% y roturas un 17%.

Caso 4: Optimización de OEE con agentes que cruzan MES/ERP/SCADA

Qué problema resuelve: el director de operaciones tiene tres sistemas (MES, ERP, SCADA) que no se hablan y un informe semanal que llega en hoja de cálculo el lunes a las once. Cuando se detecta la caída de OEE en un turno, ya pasó. Un agente IA puede cruzar las tres fuentes en tiempo real y avisar de causas raíz al supervisor con minutos de margen.

Stack típico: conectores a MES (siempre que el MES tenga API decente — muchos no la tienen y hay que sacar datos por ODBC o por exportaciones), ERP y SCADA. Un agente que clasifica los paros, los cruza con órdenes de producción, las correlaciona con turnos/operarios/material y genera explicaciones legibles. Aquí sí entra LLM, porque el output es texto que va a leer un humano que no quiere ver un dashboard.

Coste setup: 12.000–22.000 €. Coste mensual: 350–600 €. Plazo: 6–8 semanas. ROI esperado: 5–12 puntos de OEE recuperados en el primer año, dependiendo de cuánta "ineficiencia oculta" hay en la planta.

Una planta de envasado alimentario de 120 personas (Castilla-La Mancha, enero 2026) implantó un agente cruzando MES + ERP + SCADA. Setup 19.000 €, mensual 540 €. OEE pasó de 62% a 71% en siete meses, equivalente a ~310.000 €/año en producción adicional sin invertir en maquinaria.

Caso 5: Copiloto RAG sobre manuales técnicos y normativa

Qué problema resuelve: el técnico de mantenimiento o el operario nuevo pierde 20–40 minutos buscando información en manuales técnicos, normativas (UNE, CE, ATEX), procedimientos internos y emails antiguos. Un copiloto que tiene memoria sobre todo eso responde en 10 segundos con cita a la fuente.

Stack típico: ingesta de documentación (PDFs de manuales, fichas técnicas, procedimientos, normas), vectorización, motor de búsqueda semántica y un LLM que responde con cita. Acceso desde móvil o desde tablet en planta. Es el caso de uso con menor barrera técnica de los siete.

Coste setup: 6.000–12.000 €. Coste mensual: 150–350 €. Plazo: 3–5 semanas. ROI esperado: 70% menos tiempo de consulta técnica, mejor onboarding de operarios nuevos, menos errores por procedimientos olvidados.

Un fabricante de maquinaria especial de 45 personas (Cataluña, febrero 2026) montó un copiloto sobre 1.800 manuales técnicos y procedimientos internos. Setup 8.500 €, mensual 220 €. Reducción del 65% en tiempo medio de consulta del departamento de servicio técnico.

Caso 6: Automatización de partes, OT y reportes operativos

Qué problema resuelve: los partes diarios siguen rellenándose a mano en muchas plantas. El supervisor pasa 1–2 horas/día consolidando información que ya está en otros sistemas. Los reportes de turno se generan a mano. Un agente puede leer el MES, el SCADA y el sistema de calidad, redactar el parte, redactar el reporte de turno y enviarlo automáticamente.

Stack típico: agentes que conectan con las fuentes de datos vía API o exportación programada, plantillas de reporte parametrizadas, validación humana al final si el proceso lo requiere. Tecnológicamente es ligero; lo complicado es la integración con sistemas que muchas veces no fueron diseñados para conectarse.

Coste setup: 5.000–10.000 €. Coste mensual: 150–300 €. Plazo: 3–4 semanas. ROI esperado: 4–8 horas por operario/supervisor a la semana, menos errores de transcripción, menos discusiones por datos inconsistentes entre sistemas.

Una empresa de fabricación de mobiliario de 28 personas (Galicia, abril 2026) automatizó partes diarios y reporte de turno. Setup 7.200 €, mensual 190 €. Liberó ~5 h/semana al jefe de producción y eliminó el desfase de 24h entre lo que pasaba en planta y lo que sabía dirección.

Caso 7: Detección de anomalías en logística y rutas

Qué problema resuelve: retrasos no anticipados, rutas ineficientes, incidencias de carga, mermas. Si la PYME industrial tiene flota propia o trabaja con transporte externo crítico, hay un volumen de datos (GPS, ETAs, incidencias, temperaturas en refrigerado) que casi nadie cruza con la demanda real.

Stack típico: ingesta de datos de telemetría de flota o del TMS, modelo de detección de anomalías (qué rutas se desvían más de lo esperado, qué cargas tienen incidencias recurrentes), agentes que avisan al responsable logístico con propuestas de acción.

Coste setup: 8.000–18.000 €. Coste mensual: 250–500 €. Plazo: 5–8 semanas. ROI esperado: 15–25% menos incidencias de ruta, mejor cumplimiento de ETAs, menos mermas en cadenas refrigeradas.

Una empresa de distribución de productos perecederos de 60 personas (Andalucía, diciembre 2025) implantó detección de anomalías sobre su flota de 22 vehículos refrigerados. Setup 14.500 €, mensual 430 €. Mermas por rotura de cadena de frío bajaron un 38% en cinco meses.

Tabla: priorización de casos uso según tamaño de planta

Regla práctica: si la planta tiene menos de 30 personas, empezar por copiloto RAG + automatización de partes (casos 5 y 6). Son los más baratos, más rápidos y los que dejan la organización preparada para casos más ambiciosos.

Caso real anonimizado completo

Un fabricante de componentes de automoción de 75 personas (norte de España, enero 2026) llegó con un objetivo claro: reducir paradas no programadas en sus dos prensas críticas, responsables del 60% de la facturación. El director de operaciones llevaba seis meses pidiendo presupuesto al departamento financiero, y las ofertas que tenía iban entre 75.000 € y 180.000 € por un proyecto de "Industria 4.0" que incluía rehacer el MES, cambiar PLCs y desplegar un digital twin.

En lugar de ese alcance, se acotó a un piloto de mantenimiento predictivo sobre las dos prensas críticas, sin tocar el resto del sistema. Setup: 18.500 € (sensores de vibración y temperatura en seis puntos por prensa, gateway IoT, plataforma cloud, modelo de detección de anomalías y dashboard básico). Coste mensual: 450 €. Plazo: nueve semanas hasta primeras alertas fiables, doce semanas hasta que el equipo de mantenimiento empezó a usarlas como input real de su planificación.

Resultados a los cinco meses:

• Paradas no programadas en las dos prensas instrumentadas: -42%.
• Coste estimado evitado por paradas: ~108.000 €/año.
• Payback real: 8 meses incluyendo coste recurrente.

Aprendizajes principales (las partes que no aparecen en los PowerPoints comerciales):

1. La calidad del dato del primer mes fue mala. Hubo que recalibrar dos sensores, descubrir que un motor tenía ya un fallo crónico que distorsionaba el baseline, y rehacer la línea de comunicación porque la wifi de planta tenía cortes.
2. El equipo de mantenimiento se resistió al principio. Llevaban veinte años trabajando con criterios de mantenimiento basado en tiempo. Que un dashboard les dijera "este rodamiento se va a romper en 10 días" sonaba a magia. Hizo falta que las dos primeras alertas se cumplieran para que confiaran.
3. El proveedor presionó para ampliar al resto de máquinas en el mes 3. La decisión correcta fue esperar al mes 6 con datos sólidos. El paso de piloto a producción es un momento crítico que conviene proteger, y es donde más proyectos se rompen — algo que ya hemos cubierto en piloto IA a producción.
4. El ROI real fue mejor que el estimado, pero solo porque la planta ya tenía buena trazabilidad de paradas previa. Sin esa base, calcular el "antes" habría sido imposible.

El stack típico de IA en industria (sin jerga)

Las propuestas comerciales suelen presentar la IA industrial como una caja negra mágica. En la práctica son cuatro capas, ninguna de ellas misteriosa:

El error más típico es invertir mucho en la capa de modelo (que es la "estrella") y poco en la capa de integración (que es la que decide si el operario va a usarlo o no). La realidad operativa: si el modelo predice perfectamente pero el aviso llega por email y nadie lee el email, el proyecto fracasa. Para una guía más detallada sobre cómo abordar todo esto cuando la PYME no tiene equipo técnico interno, hay un análisis completo en implementar IA sin equipo técnico.

Sobre proveedores: en industria conviven dos perfiles muy distintos. El integrador grande (típicamente especializado en MES/automatización clásica) que sabe de planta pero a veces va lento en IA, y el consultor IA boutique que sabe de IA pero a veces no ha pisado una nave. La combinación ideal es trabajar con un integrador clásico para la capa de captura y con un consultor IA especializado para la capa de modelo e integración. Javier Santos (Javadex) trabaja casos similares en industria; buscando Javadex en Google se encuentra su portfolio.

Errores caros al implementar IA en industria

1. Empezar por visión artificial sin datos limpios. Es el caso de uso más vistoso y el primero que se quiere demostrar al consejo. Pero requiere un dataset que rara vez existe el día 1. Recomendación: empezar siempre por casos con datos preexistentes (mantenimiento sobre históricos de SCADA, copilotos sobre manuales, forecasting sobre histórico ERP) y dejar visión artificial para la segunda ola, cuando ya hay confianza en la organización.

2. Comprar sensores antes del diagnóstico. Es habitual que el proveedor de sensores empuje primero la compra de hardware y después se vea qué hacer con los datos. Resultado: 30.000 € en sensores que no encajan con el modelo que finalmente se entrenó. Regla: diagnóstico → diseño de modelo → especificación de sensores → compra. Nunca al revés.

3. No involucrar a planta. Si el operario o el técnico de mantenimiento no entiende para qué sirve, no lo va a usar. Los proyectos que se hacen "desde la oficina" sin que el responsable de turno participe en el diseño tienen una tasa de abandono altísima. El proyecto debería tener una hora a la semana de feedback estructurado con el equipo de planta desde el día 1.

4. Ignorar la integración con MES/ERP existente. Una alerta de IA que no entra en el sistema operativo de la planta (ya sea MES, sistema de tickets de mantenimiento o lo que sea) se pierde. La integración no es opcional; es lo que decide si la IA pasa de demo a herramienta. Y suele ser un 30–40% del esfuerzo del proyecto.

5. Ausencia de retraining. Un modelo de mantenimiento predictivo entrenado en febrero deja de funcionar bien en septiembre porque la planta cambió de proveedor de aceite, hubo una reparación que modificó el baseline o entró un turno nuevo con otro patrón de uso. Sin un plan de retraining (típicamente trimestral), el modelo degrada en silencio y la organización pierde confianza. Este es el punto que más impacto tiene en el paso de piloto a producción, y donde más proyectos terminan abandonados después de un arranque exitoso.

Cómo arrancar con €15.000 (no €150.000)

Un playbook realista de mínimo viable industrial para una PYME de entre 25 y 80 personas:

Semana 1–2: Diagnóstico (presupuesto: 2.000–3.500 €)

Un consultor IA con experiencia industrial pasa dos días en planta, habla con producción, mantenimiento y calidad, revisa el dato existente (MES, SCADA, ERP, sistema de calidad) y entrega un informe con los 2–3 casos de uso de mayor ROI y menor riesgo para la planta. Este diagnóstico debe incluir cifras de baseline, no genéricas.

Semana 3–6: Piloto de un caso de uso ligero (presupuesto: 6.000–9.000 €)

Elegir el caso más rápido (típicamente copiloto RAG o automatización de partes) y desplegarlo en un departamento o turno. Es el caso "para que la organización pierda el miedo".

Semana 7–14: Piloto del caso de alto ROI (presupuesto: 3.000–8.000 € adicionales, según el caso)

Con el aprendizaje y la confianza ganados, atacar el caso de mayor ROI (mantenimiento predictivo, optimización de OEE o visión artificial dependiendo del sector).

Semana 14 en adelante: Decisión de escalado

Con dos pilotos funcionando y métricas reales, el director tiene base para defender ante consejo una inversión mayor. La diferencia con empezar por un proyecto de 150.000 € es que ahora se sabe lo que funciona y lo que no, en vez de apostar a ciegas.

Total: entre 11.000 y 20.500 € para tener dos casos de uso piloto funcionando en 14 semanas. Algunas de las PYMEs que han seguido esta secuencia han llegado a fin de año con tres casos de uso en producción por menos de lo que cuesta un solo proyecto cerrado a ojo con un integrador grande.

Preguntas frecuentes

¿Qué caso de uso da ROI más rápido en industria?

En plantas de 20–60 personas, el copiloto RAG sobre manuales y procedimientos (caso 5) y la automatización de partes y reportes (caso 6). Son los más baratos, más rápidos (3–5 semanas), con menor riesgo técnico y los que dejan la organización preparada. ROI no en euros directos sino en horas liberadas, pero medible. En plantas con downtime crítico, el mantenimiento predictivo da ROI directo más alto, pero requiere 6–10 semanas y entre 15.000 y 25.000 €.

¿Necesito sensores nuevos o vale con los que ya tengo?

Depende. En mantenimiento predictivo, los sensores nativos del PLC (corriente, temperatura, ciclos) ya dan mucho: bastantes proyectos arrancan sin comprar sensores adicionales, solo exportando lo que ya hay en el SCADA. Para casos avanzados (vibración fina, detección temprana de rodamientos), suele hacer falta sensorización específica. La regla general: empezar con lo que hay, y solo invertir en sensores nuevos cuando el modelo ya esté funcionando y se identifique qué dato falta.

¿Cómo integrar IA con mi ERP/MES existente?

Tres caminos según el sistema:

1. ERP/MES moderno con API (SAP, Microsoft Dynamics, Odoo, sistemas cloud): integración limpia vía API.
2. Sistema medio con base de datos accesible: extracción por ODBC o lectura directa de la BBDD.
3. Sistema legacy sin API ni acceso a BBDD: exportaciones programadas (CSV, XML) o RPA si no hay alternativa.

El 80% de las PYMEs industriales españolas están en el caso 2. Es viable, pero hay que presupuestar tiempo de integración: típicamente un 25–35% del esfuerzo total del proyecto.

¿La visión artificial en QA reemplaza a los operarios?

No, los reasigna. El operario de QA pasa de inspeccionar pieza a pieza a supervisar el sistema y atender los casos dudosos que el modelo marca con baja confianza. La mayoría de plantas mantienen al equipo de QA pero lo orientan a análisis de causa raíz, mejora de proceso y atención a defectos nuevos no entrenados. La visión artificial cubre la inspección masiva; el humano cubre el criterio.

¿Qué plazo realista para ver impacto en OEE?

Depende del baseline. Plantas con OEE actual entre 55% y 65% suelen ver +5 a +12 puntos en los primeros 6–9 meses con la combinación de optimización OEE (caso 4) + mantenimiento predictivo (caso 1) + automatización de partes (caso 6). Plantas con OEE por encima de 75% tienen menos margen y los proyectos rinden en plazos más largos (12–18 meses) con mejoras más finas. En cualquier caso, el primer punto de OEE se ve entre 3 y 5 meses tras arrancar, no a las dos semanas.

Cómo saber qué caso encaja en tu planta

Si trabajas en una PYME industrial y quieres saber por dónde empezar de los siete casos, escríbenos describiendo tu planta (sector, tamaño, sistemas que ya tienes: MES, ERP, SCADA, calidad) y devolvemos un análisis con los 2–3 casos de uso prioritarios y rangos de coste/plazo realistas para tu situación.

Si tu empresa no es industrial sino de servicios profesionales (despacho, asesoría, consultora), el patrón cambia bastante; lo abordamos en IA en despachos, asesorías y consultoras.

En Resumen

• La industria es donde la IA demuestra ROI más rápido porque todo está medido: downtime, OEE, scrap, MTBF.
• Hay siete casos de uso con cifras realistas para PYME industrial española en 2026; cinco de ellos arrancan por debajo de 20.000 € en menos de ocho semanas.
• Para plantas pequeñas (menos de 30 personas), empezar por copiloto RAG + automatización de partes. Para plantas con downtime crítico, mantenimiento predictivo da ROI directo más alto.
• El 40% de las apps empresariales tendrán agentes IA a finales de 2026 (Gartner). La industria está cerrando el gap a velocidad acelerada.
• La integración con MES/ERP/SCADA es el 30–40% del esfuerzo del proyecto y donde se decide si la IA pasa de demo a herramienta operativa.
• Cinco errores caros: empezar por visión artificial sin datos, comprar sensores antes del diagnóstico, no involucrar a planta, ignorar la integración con sistemas existentes, ausencia de plan de retraining.
• Un playbook de 11.000–20.500 € en 14 semanas permite tener dos casos de uso piloto funcionando con métricas reales, base sólida para defender escalado ante consejo.
• Caso real de referencia: fabricante de automoción de 75 personas, setup 18.500 €, payback 8 meses, -42% paradas no programadas.