¿Duermen los datos de su GMAO? Lo que ya revelan sobre su mantenimiento

Abra su GMAO y observe el número de órdenes de trabajo cerradas desde su puesta en servicio. Miles de líneas, a veces decenas de miles. Cada una relata una avería, una intervención, una pieza cambiada, un tiempo dedicado.

Este historial ha costado caro producirlo. Cada técnico registró, cada planificador cerró. Sin embargo, en muchas plantas, estos datos sirven sobre todo para una cosa: probar que una intervención tuvo lugar. Rastrear, no decidir.

La cuestión no es, por tanto, añadir un sensor ni lanzar un proyecto predictivo. Antes de eso, hay un yacimiento ya presente, ya pagado, que espera a ser leído. Veamos qué dice ya su historial sobre su mantenimiento.

¿Qué datos contiene realmente una GMAO?

Más allá de las órdenes de trabajo, una GMAO acumula un material rico, a menudo sin que nadie mida su valor analítico. Cada intervención deja un rastro fechado, vinculado a un equipo, con un tiempo y a veces una causa.

Tomadas de forma aislada, estas líneas no dicen gran cosa. Reunidas y releídas, dibujan el comportamiento real de su parque. Cada tipo de dato ilumina un aspecto diferente.

La tabla se desplaza horizontalmente en pantallas pequeñas.

Ninguna de estas columnas requiere una nueva herramienta para existir. Ya están ahí, ante sus ojos, desde la puesta en servicio.

Estos tiempos de parada, una vez clasificados por equipo, sirven además más allá del mantenimiento: ayudan a detectar un cuello de botella en producción, allí donde una línea se estanca sin causa evidente.

¿Por qué sigue infrautilizado este historial?

Si estos datos fueran fáciles de leer, todo el mundo lo haría. El terreno complica la lectura, y a menudo nadie tiene el tiempo ni el mandato de ponerse a ello.

• Registro heterogéneo. Tres técnicos describen la misma avería de tres maneras, en campos libres, sin vocabulario común.
• Códigos de fallo mal cumplimentados. El campo de causa existe, pero está vacío, o siempre relleno con el mismo valor por defecto.
• Nadie cuya función sea esa. El responsable de mantenimiento apaga fuegos; analizar miles de líneas no entra en su jornada.
• Un dato concebido para rastrear. La GMAO se implantó para probar y planificar, no para producir indicadores de decisión.

El resultado es una paradoja habitual: una planta que posee la información pero nunca la mira. El dato duerme, no porque falte, sino porque releerlo a mano exige un esfuerzo que nadie asume.

¿Qué indicadores extraer?

Una vez releído el historial, unos pocos indicadores simples bastan para orientar las prioridades. No requieren un modelo sofisticado, solo una lectura rigurosa de lo que ya tiene.

• Averías recurrentes. Los fallos que vuelven sobre los mismos equipos, mes tras mes.
• Equipos más costosos y que más tiempo consumen. Unas pocas máquinas concentran a menudo lo esencial del tiempo y de las piezas.
• MTBF por equipo. El tiempo medio entre dos fallos, un índice de fiabilidad.
• MTTR por equipo. El tiempo medio de reparación, un índice de su capacidad para reiniciar rápido.
• Ratio preventivo / correctivo. La parte de mantenimiento anticipado frente a la parte sufrida.

Dos siglas vuelven sin cesar. El MTBF (tiempo medio de buen funcionamiento entre averías) mide la fiabilidad: cuanto más largo, más aguanta el equipo. El MTTR (tiempo medio de puesta en servicio) mide la reactividad: cuanto más corto, menos cuesta una parada. Un equipo poco fiable pero reparado rápido no tiene el mismo perfil que un equipo fiable pero lento en reiniciar. El segundo inmoviliza mucho tiempo cuando cae, el primero cae a menudo pero arranca rápido; los dos exigen respuestas opuestas.

Para profundizar en el uso de estos indicadores, el tema se une al de la optimización del mantenimiento preventivo: los mismos datos sirven para ajustar los planes en lugar de fijarlos de una vez por todas.

¿Qué cambia concretamente la IA?

El punto de bloqueo casi nunca es el cálculo. Es la lectura previa: miles de líneas en lenguaje libre, con códigos incoherentes, que el ojo humano no puede recorrer a esa escala.

• Leer campos libres. Extraer sentido de descripciones redactadas a mano, sin estructura impuesta.
• Agrupar las etiquetas equivalentes. Reunir bajo un mismo título formulaciones que designan la misma avería.
• Sacar a la luz recurrencias y correlaciones. Detectar que una misma causa vuelve en varios equipos, o que una avería precede a menudo a otra.

Seamos honestos sobre el papel de la IA aquí. Lee y relaciona lo que ya existe; no crea ningún dato ni decide. Transforma un historial ilegible en una vista ordenada, y propone agrupaciones. La elección de la prioridad sigue siendo humana.

Este trabajo de lectura se une a una lógica más amplia de IA aplicada a la industria: menos producir nuevos datos que hacer explotables los que ya existen.

¿Dónde está el límite?

El límite cabe en una frase: la calidad de los datos fija la calidad de los indicadores. Una GMAO mal cumplimentada no produce indicadores aproximados, produce indicadores falsos, que parecen correctos.

Si la mitad de las órdenes de trabajo no tienen tiempo de parada registrado, su MTTR no significa nada. Si el campo de causa está vacío, no es posible ningún análisis de modo de fallo. Y descubrir que no se sabe calcular el MTBF sobre los propios datos ya es un resultado útil: indica dónde reforzar el registro.

• Confundir volumen de intervenciones y criticidad.El equipo más reparado no siempre es el más costoso; una sola avería larga puede pesar más que diez pequeñas.
• Fiarse de un MTBF calculado sobre datos incompletos.Un indicador preciso sobre una base incompleta inspira una confianza que no merece.
• Analizar solo una vez al año.Un balance anual llega a menudo demasiado tarde para actuar; la lectura gana al volverse continua para orientar las decisiones sobre la marcha.

Una precisión de perímetro, por último. La GMAO cubre el dato estructurado del mantenimiento. Pero gran parte del estado real de su parque duerme en otro lugar, en informes de inspección en PDF no estructurados, fuera de la GMAO. Es el papel de una capa de inteligencia documental como Integrity Loop hacerlos explotables, aguas arriba, sin sustituir a la GMAO ni duplicarse con ella.

Para quien posee estos datos pero ignora qué casos de uso son realmente explotables, el enfoque de Assets 4.0 parte de los datos, del proceso y de los objetivos para identificar los casos prioritarios, en lugar de imponer una tecnología sobre una necesidad difusa.

¿Qué conviene retener?

Su GMAO ya contiene lo suficiente para iluminar sus decisiones de mantenimiento, sin nueva inversión. El historial indica dónde están sus averías recurrentes, sus equipos costosos, su ratio preventivo/correctivo. La IA ayuda a leer y agrupar esta masa ilegible; el humano decide. La condición, no negociable, sigue siendo la calidad de registro: en este punto, más vale un indicador asumido que una cifra engañosa.