Laboratorio Dr. Lantos

6507 seguidores

23 de junio de 2026

En WearCheck adoptamos tecnologías de vanguardia y soluciones impulsadas por inteligencia artificial (IA), donde la precisión extrema de los datos utilizados para evaluar y diagnosticar la condición de los equipos es fundamental.

Sin embargo, es importante entender que ciertas responsabilidades de diagnóstico no pueden delegarse exclusivamente en herramientas de IA sin considerar la intervención, la experiencia y el criterio humano.

Cada vez escuchamos con más frecuencia afirmaciones preocupantes por parte de actores de la industria y clientes: que si se incorpora suficiente información proveniente de análisis de vibraciones, análisis de aceite, termografía, sensores de proceso, ultrasonido y emisiones acústicas (AE) en un sistema de IA, este será capaz de construir una imagen perfecta de la salud de una máquina e incluso indicar exactamente qué acción correctiva debe tomarse.

Es una idea atractiva. De hecho, suena como el futuro. Pero no estoy convencido.

Y no porque esté en contra de la tecnología; todo lo contrario. Llevo muchos años trabajando en diagnóstico de maquinaria y conozco el valor que aporta cada herramienta disponible. Pero también he aprendido algo fundamental: las máquinas no se comportan de acuerdo con la teoría. Y la IA no comprende eso.

Por ejemplo, sigo encontrándome con el mito de la “convergencia”: la idea de que todas las tecnologías de monitoreo de condición pueden fusionarse para generar una única verdad absoluta sobre el estado de una máquina. Esta teoría parte de la premisa de que los equipos se comportan de manera predecible y repetible.

Pero no es así.

Podés instalar diez bombas del mismo fabricante (OEM), operando bajo las mismas condiciones de proceso, en la misma planta y utilizando el mismo lubricante. Aun así, no van a envejecer de la misma manera. Una puede funcionar perfectamente durante seis años, mientras que otra puede fallar gravemente en apenas ocho meses. Y ninguna cantidad de datos provenientes de sensores va a explicar con certeza por qué ocurrió.

¿Por qué?

Porque las máquinas no son clones. Tienen imperfecciones. Se fabrican dentro de tolerancias, no bajo condiciones de perfección absoluta. Las superficies mecanizadas presentan diferencias microscópicas y los procesos de ensamblaje nunca son exactamente iguales.

Y una vez que se suman factores humanos, objetivos de producción, paradas apresuradas y decisiones tomadas durante un turno nocturno, resulta prácticamente imposible incorporar todas esas variables dentro de un algoritmo.

Por eso es fundamental considerar el contexto real al evaluar un activo.

La IA depende de los datos, pero los datos solamente reflejan aquello que los sensores pueden detectar; no registran lo que hizo un técnico de mantenimiento cuando nadie estaba observando. No capturan esa leve holgura que un especialista percibió al tacto pero nunca documentó. No registran que alguien agregó una grasa incorrecta, omitió verificar un torque o puso en marcha un ventilador desacoplado durante unos minutos.

Ningún historiador de datos registra ese tipo de situaciones.

Y sin esa información del mundo real, la IA opera prácticamente a ciegas frente a muchas de las causas que realmente generan las fallas.

Creo firmemente que cada tecnología de monitoreo de condición tiene su lugar… y también sus limitaciones.

El análisis de vibraciones permite comprender el comportamiento mecánico de un equipo. El análisis de aceite revela el estado del lubricante y la presencia de contaminación. La termografía detecta anomalías térmicas y desequilibrios de carga. Las técnicas de emisión acústica y ultrasonido permiten identificar tempranamente fenómenos asociados a fricción, turbulencia o descargas eléctricas. Los datos de proceso brindan el contexto operativo.

Pero ninguna de estas tecnologías, por sí sola, explica la causa raíz de una falla. Y sus resultados tampoco convergen de manera automática hacia una única respuesta.

De hecho, nunca fueron diseñadas para eso.

No se trata de combinarlas para obtener una verdad superior, sino de compararlas para comprender diferentes perspectivas de un mismo problema. Esa es precisamente la fortaleza del monitoreo de condición: funciona como un trabajo en equipo, no como una actuación individual.

¿Podemos confiar en la IA?

La IA es útil, pero no de la manera en que muchos proveedores suelen presentarla.

Puede identificar cambios a lo largo del tiempo. Puede priorizar riesgos. Puede filtrar ruido y destacar anomalías. Todo eso aporta un valor enorme.

Sin embargo, la IA no conoce la historia particular de cada eje, rodamiento o carcasa.

No puede comprender por qué un cambio de lubricante dio excelentes resultados en una caja reductora y no en otra aparentemente idéntica.

No puede interpretar ciertos comportamientos mecánicos sutiles que un técnico experimentado detecta de inmediato.

Y tampoco puede anticipar cómo distintas personas, en distintos turnos, operan un mismo equipo.

En otras palabras: la IA puede ayudar a identificar dónde mirar, pero no necesariamente qué hacer cuando llegás allí.

Siempre les he dicho a nuestros clientes que las máquinas son complejas, y que eso no es un problema: es simplemente la realidad.

La verdad es que las máquinas tienen personalidad.

No literalmente, por supuesto, pero sí en la forma en que se desgastan, responden y se comportan bajo determinadas condiciones.

Y gran parte de esa realidad no tiene relación directa con el diseño de ingeniería ni con el control de procesos. Tiene que ver con la historia de mantenimiento, la intervención humana y aspectos físicos que ningún modelo de IA, por sofisticado que sea, puede aprender completamente.

La idea de que la IA logrará integrar todas las tecnologías y generar una única decisión correcta ignora esta complejidad. Reduce el diagnóstico a un problema puramente lógico, cuando en realidad combina ciencia, experiencia práctica y contexto.

Permitamos que la IA nos acompañe. Que nos ayude a escalar capacidades, identificar patrones y trabajar de manera más inteligente.

Pero dejemos de pensar que puede reemplazar la comprensión profunda de un especialista o diagnosticar equipos con la misma efectividad que un ingeniero experimentado.

Porque las máquinas no viven en la nube. Viven en el mundo real.

Y en el mundo real, el objetivo no es la convergencia.

El objetivo es la claridad.