ML en la fábrica: automatizar el caos solo genera más caos

Imagine que decide construir el calendario de trabajo perfecto para una fábrica enorme, pero en lugar de cimientos tiene arenas movedizas hechas de notas en servilletas y de las fantasías de los capataces de taller de los últimos diez años. En esa trampa caen muchos directores de TI cuando deciden que el aprendizaje automático es una varita mágica capaz de calcular al instante la laboriosidad de la producción. En teoría todo parece ordenado: se alimenta el modelo con datos de pedidos pasados y este devuelve el tiempo ideal de cada operación. En la práctica resulta que la IA no solo se equivoca, sino que lo hace con una seguridad inquietante, escalando un desorden acumulado durante décadas.

El cálculo de la laboriosidad en la construcción de maquinaria no es solo una cuestión matemática, es una cuestión de supervivencia del negocio. De estas cifras depende todo: desde el coste de una pieza hasta la carga de las máquinas y el precio final para el cliente. Tradicionalmente lo hacen los normalizadores de tiempos (normirovshchiks), pero su trabajo suele ser subjetivo y lento. El deseo de sustituirlos por un algoritmo es comprensible, pero ignora una ley fundamental del trabajo con datos: basura entra, basura sale. Si sus datos históricos no reflejan el tiempo real de trabajo, sino el que el capataz «dibujó» en el informe para cobrar un bonus, el modelo de ML aprenderá a «dibujar», no a calcular.

Cuando un equipo de entusiastas empieza a entrenar modelos con datos «sucios», descubre enseguida que los algoritmos clásicos empiezan a alucinar. Los modelos probabilísticos son excelentes para encontrar patrones donde no los hay o, peor aún, para tomar errores sistemáticos por verdades. El resultado es un «acelerador de errores». Donde una persona dudaría al ver una cifra extraña, el sistema automatizado simplemente la engulle y entrega un resultado que parece sólido, pero que no tiene nada que ver con la realidad del taller. Eso crea una ilusión de control que le cuesta a la empresa más que no tener ninguna automatización.

¿Por qué ocurre? En la industria se ha abierto una brecha peligrosa entre quienes escriben código y quienes están junto a la máquina. Los científicos de datos suelen ver la fábrica como un conjunto de tablas en una base SQL, sin pensar en cómo llegaron allí esas cifras. Y llegaron por las manos de personas con sus propios incentivos, miedos y pereza. Si la empresa no tiene una cultura de recopilación de datos limpios ni una metodología única de normalización, cualquier intento de acoplar IA por encima es solo una forma cara de echar polvo a los ojos de la dirección. No se resuelve el problema, se lo conserva en formato digital.

El verdadero avance en la IA industrial llegará no cuando inventemos una nueva arquitectura de transformers, sino cuando las empresas comprendan la importancia de la «higiene de procesos». Antes de entrenar un modelo hay que montar un sistema de control objetivo, eliminar el factor humano del registro de tiempos y, posiblemente, tirar el 90 % de la basura digital acumulada. Es un trabajo aburrido, largo e ingrato que no se puede vender como «avance innovador», pero es justo lo que separa las soluciones que funcionan de las presentaciones vistosas que nunca saldrán del proyecto piloto.

Lo esencial: el aprendizaje automático no cura los procesos torcidos, los escala. ¿Está dispuesto a admitir que sus datos son basura antes de gastar millones en automatizarlos?