De marketplace industrial a plataforma de IA para operación de líneas de producción. Made inició como una plataforma orientada a conectar fabricantes con clientes industriales, cuando la falta de digitalización dificultaba la identificación de capacidades productivas locales. Sin embargo, la evolución del modelo respondió a una limitación: la conexión comercial no resolvía los problemas de variabilidad, calidad y control de proceso dentro de la planta.
“Conectar oferta y demanda no resolvía el problema de fondo. No teníamos trazabilidad ni visibilidad real de lo que estaba pasando en la línea de producción”, explicó Gerardo Peña, fundador de Made.
Durante su primera etapa, la empresa 100% mexicana operó como un marketplace industrial en sectores como plásticos y textiles, donde gestionó millones de dólares en órdenes de compra. La experiencia operativa evidenció que los principales cuellos de botella estaban dentro de la línea y no en el acceso a proveedores.
“Los clientes nos regresaban muestras porque no cumplían con la calidad exacta. Aunque teníamos fichas técnicas, no veíamos realmente qué estaba haciendo el fabricante en proceso”.
Analítica predictiva para reducir paros no planeados en líneas de producción
A partir de ese aprendizaje, Made migró hacia un modelo de intervención directa en planta, integrando datos de PLC, sensores industriales y sistemas de visión por computadora para analizar el comportamiento real de la línea.
“Hoy nos involucramos en la línea de producción. Analizamos información de PLC, cámaras y sensores para entender qué está ocurriendo y generar recomendaciones operativas”, explicó Peña.
El sistema se orienta a ir más allá del monitoreo, con un enfoque en soporte a la toma de decisiones en tiempo real. “No es solo un dashboard. La idea es que el sistema entienda el estado de la línea y le diga al operador qué acción tomar cuando se detectan desviaciones”.
Nube y edge computing
La plataforma puede operar bajo un esquema híbrido, dependiendo de los requerimientos de latencia y la criticidad del proceso.
• Procesamiento en la nube, para líneas donde la latencia no es crítica.
• Edge computing en sitio, para líneas de alta velocidad que requieren análisis local con latencia cercana a cero.
“En líneas de alta velocidad, donde cada milisegundo cuenta, implementamos procesamiento en sitio. En otros casos, el análisis puede correr en la nube”, explicó Peña.
Un aspecto relevante es que el sistema se integra, en la mayoría de los casos, con la infraestructura existente. “Trabajamos con los sensores y PLC que ya tiene la planta. El objetivo es modernizar el uso de esa información mediante modelos de inteligencia artificial”, señaló.
Reducción de microparos y paros no planeados
El principal foco operativo es la reducción de microparos recurrentes y paros no planeados, que impactan directamente en indicadores como disponibilidad, OEE y cumplimiento de producción.
“En muchas líneas se observan entre 20 y 30 horas de paro no planeado al mes. El objetivo es identificar señales tempranas para corregir condiciones antes de que se conviertan en una falla mayor”.
El análisis continuo permite detectar desviaciones en variables como temperatura, velocidad, comportamiento del PLC o patrones anómalos captados por visión por computadora.
Industria 4.0: IA en planta para optimizar OEE y disponibilidad
De medición a prevención: tres etapas operativas
La implementación se estructura en tres fases:
- Implementación e integración (en sitio o en la nube).
- Medición y generación de reportes operativos, con análisis del comportamiento real de la línea.
- Prevención predictiva, con parametrización y modelos que anticipan desviaciones.
“Durante al menos 30 días, el sistema aprende el comportamiento de la línea. A partir de ahí se definen rangos operativos y un esquema tipo semáforo para identificar cuándo el proceso sale de condiciones normales”.
Esta fase convierte datos históricos y en tiempo real en criterios operativos formales, alineados con los estándares de proceso de cada planta.
Enfoque en líneas de alto valor agregado
El modelo está dirigido principalmente a líneas de alto valor agregado, donde el costo por hora de paro no planeado tiene un impacto directo en costos, entregas y utilización de activos. “Entre mayor es el costo de una hora de paro, mayor es el retorno potencial. Por eso el foco está en procesos de alto valor, independientemente de la región”, señaló Peña.
La empresa ha validado su tecnología en líneas de producción en México y actualmente se encuentra en proceso de expansión en Chile, particularmente en procesos de alta velocidad.
De “cajas negras” a operación basada en datos
Desde la perspectiva técnica, el objetivo es avanzar desde esquemas donde la línea opera como una “caja negra”, hacia entornos donde las variables críticas estén correlacionadas y utilizadas para soporte operativo.
“Muchas líneas todavía operan con lógica fija y sin analítica predictiva. El paso es convertir esa información en un sistema que permita anticipar desviaciones y no solo reaccionar cuando el paro ya ocurrió”.
Innovación abierta
Finalmente, Peña señaló que uno de los retos para acelerar la adopción de estas tecnologías en México es la limitada estructura de innovación abierta en algunas empresas.
“Si el operador no sabe que existen estas soluciones, difícilmente las va a pedir. Se requieren más canales formales entre corporativos y startups para acelerar la adopción tecnológica”, concluyó.
