Kuken Industries encuentra planos de repuestos en 4,5 minutos en lugar de una hora con la API de OpenAI

Es una historia conocida en cualquier empresa con más de diez años de trayectoria: el conocimiento existe, pero está guardado en un archivo, y solo quien lleva veinte años allí sabe encontrar lo necesario. La japonesa Kuken Industries, uno de los mayores fabricantes de torres de refrigeración del país, abordó este problema con la API de OpenAI. Se trata de un caso de cliente publicado por la propia OpenAI, así que conviene interpretar las cifras teniendo en cuenta la fuente. Pero el caso de uso es muy concreto y aplicable mucho más allá de la industria.

Cuál era el problema

Las torres de refrigeración extraen calor del agua en circulación: refrigeran centros comerciales, fábricas y equipos de centros de datos. Cuando hay que sustituir una pieza en una de estas instalaciones, un repuesto moderno no siempre encaja en el diseño antiguo. Sin el plano original, a veces el ingeniero tiene que diseñar y fabricar un recambio desde cero.

El problema es que, durante 70 años, Kuken ha adaptado sus equipos a las necesidades de cada cliente. Las especificaciones dependen del cliente y de la fecha de instalación, y una búsqueda por modelo o nombre de pieza devuelve varios planos a la vez. Antes, cuando el archivo era de papel, la búsqueda llevaba medio día. La digitalización tampoco facilitó las cosas: había que saber qué nombre o número introducir y dónde estaba el archivo. Los recién incorporados pedían ayuda a compañeros con experiencia, que tenían que interrumpir su propio trabajo.

Cómo funciona la solución

Kuken trabajó con Recursive, una startup japonesa de IA y socio oficial de OpenAI. Juntas crearon un sistema de búsqueda y una aplicación móvil para los ingenieros que trabajan sobre el terreno. Partieron del archivo real y de las peticiones de los propios ingenieros.

Antes de elegir un modelo, el equipo probó varias opciones con distintos planos y comparó la precisión con la que cada una extraía los detalles y su coste. Los modelos de OpenAI ofrecieron buenos resultados en ambos criterios. El artículo no especifica qué modelos se utilizaron ni con cuáles se compararon.

En la aplicación se puede introducir el número de un plano o de una pieza, o subir una imagen o un PDF con un plano o una lista de repuestos. Una captura de la lista evita tener que introducir manualmente cada número: la aplicación lee los números y devuelve posibles coincidencias, incluidos planos de diseños similares. La elección final sigue en manos de una persona, que comprueba las especificaciones de la torre y los registros de sustituciones anteriores. Aquí la IA acota la búsqueda, pero no toma la decisión.

Resultados y matices

Según Kuken, ahora se tarda 4,5 minutos en encontrar el plano adecuado, frente a casi una hora antes. La empresa prevé reducir alrededor de un 90% el tiempo dedicado a las búsquedas a lo largo del año. Es una previsión, no un resultado anual confirmado. Además, los ingenieros consultan los planos directamente en la aplicación, lo que reduce los costes de impresión. Los empleados con experiencia dedican parte del tiempo liberado a orientar a sus compañeros, mientras que los recién incorporados asumen una mayor variedad de tareas de forma autónoma.

El siguiente paso es una herramienta para revisar los planos que preparan las empresas colaboradoras. Actualmente, los ingenieros los cotejan visualmente con las especificaciones y buscan piezas o cantidades que no coinciden. El prototipo está pensado para señalar esas discrepancias. Según Kuken, alrededor del 90% de los problemas que detectó resultaron ser discrepancias reales. La herramienta todavía no se utiliza en producción, por lo que se trata de un resultado de pruebas.

Qué lecciones se pueden aplicar

En primer lugar, el valor suele estar en la búsqueda rutinaria entre documentos acumulados, donde importan tanto el texto como las imágenes, más que en un «chat inteligente». Si se dispone de un archivo de documentos escaneados, PDF o capturas de pantalla, esta puede ser la vía más corta para obtener resultados útiles.

En segundo lugar, hay que elegir el modelo probándolo con los documentos propios. Kuken comparó distintas opciones por su precisión al extraer datos y por su precio utilizando planos reales, en lugar de basarse en pruebas de rendimiento públicas. Para documentos con una maquetación compleja, es la única forma honesta de evaluarlas.

En tercer lugar, conviene diseñar la entrada de datos según los hábitos reales de los usuarios. Poder pegar una captura de una lista de piezas parece un detalle menor, pero es precisamente lo que elimina la tarea repetitiva de introducir los datos a mano.

Por último, hay que dejar la verificación en manos de una persona. El sistema devuelve candidatos, incluidos planos similares, y el ingeniero confirma la coincidencia según las especificaciones. En tareas en las que un error se traduce en una pieza defectuosa, este esquema tiene más sentido que la automatización total.

Las limitaciones también son evidentes. Es un caso de marketing del proveedor, las métricas proceden de las declaraciones de la empresa y no se aporta información sobre la arquitectura, el volumen de datos ni la proporción de búsquedas fallidas. Aun así, el artículo resulta útil como ejemplo de aplicación de modelos multimodales en una industria con archivos antiguos.