En 1940, Alan Turing, terminaba de construir a Enigma, la máquina que logró decodificar los mensajes encriptados de los Nazis y con ello contribuyó a adelantar la finalización de la Segunda Guerra Mundial. Por lo anterior, la genialidad de Turing es ampliamente reconocida en el mundo.

Sin embargo, en los 30’s, Turing había propuesto el modelo de computación teórica tal y como la conocemos actualmente, y de este modo, 20 años antes de que existiera la primera computadora operable del mundo (conocida como ENIAC), Alan Turing no solo visualizó el desarrollo de la computación, sino que también advirtió sobre su potencia a futuro teorizando sobre las posibilidades de llegar a convertirse en máquinas tan hábiles que podían competir con los seres humanos en la solución de problemas. Es por ello que la prueba de “Inteligencia” aceptada en la comunidad científica se le conoce como “Prueba de Turing”. Para pasar la prueba, una Máquina debe interactuar con un ser humano a quien no puede ver directamente. Si al final de la prueba la persona no puede distinguir si interactuó con una persona o con una máquina, se acepta que la máquina es inteligente.

Las actuales herramientas de IA como Chat GPT (Open IA), Gemini (Google), Copilot (Microsoft) pueden pasar la prueba de Turing fácilmente. No solo eso, también pueden enseñarnos, corregirnos y en general orientarnos en áreas donde muchas personas no podrían hacerlo. Más aún, algunas tareas como Aprendizaje, Análisis, Diseño, Razonamiento, Síntesis, Diagnóstico y Comprensión ya son actividades básicas de muchas de estas herramientas de IA. Por lo anterior la amenaza de muchas tareas rutinarias o no tan rutinarias donde las máquinas puedan ser mejores que los humanos es un absoluto hecho. Por ahora, ningún científico o autor futurista pone en tela de juicio si muchos trabajos serán reemplazados o no por máquinas. El único debate es “Cuando” las máquinas nos reemplazaran.

Cruzando información de autores en este tema como Andrés Openhaimer en su libro “Sálvese quien pueda” y con consultas a Chat-GPT (irónicamente), en seguida se presenta una serie de los principales trabajos que pueden ser reemplazados en 10 años o menos:

Operadores de Telemarketing, Todo tipo de capturistas de datos, Trabajos Técnicos (Ingenieros de Software, Desarrolladores de Software, Analistas de Datos), Trabajos en Medios (Especialistas de Publicidad, Creadores de contenido, Periodistas, Diseñadores Gráficos, Conductores de TV), Trabajos Legales (Abogados, Asistentes legales), Administradores (En Oficinas, Auxiliares, Asistentes, Especialistas de RH), Maestros (de cualquier nivel), Trabajos Financieros (Analistas financieros, Asesores financieros, Contadores), Comerciales (Analistas de Mercados, Directores de ventas, Vendedores, Agentes de servicio a clientes), Artistas (Músicos, Pintores, Actores, Cineastas, Guionistas), Obreros, Diseñadores (de interiores, de modas), Médicos Generales, Taxistas, Choferes, Repartidores, Pilotos, Entrenadores (de cualquier deporte o gimnasios), Cajeros (en tiendas o en cualquier actividad), Chefs, Meseros, Trabajadores Agrícolas, Trabajadores de Construcción.

Mas allá de 10 ó 15 años, casi cualquier actividad podría ser reemplazada por la IA, pero, estemos o no la lista inmediata, no todo está perdido. La IA y los robots podrán hacer muchos de nuestros trabajos, pero esto solo nos impulsará hacer cosas que solo los humanos pueden hacer mejor y con ello tendremos la oportunidad para lograr de este mundo, un mejor lugar para vivir alcanzando grandes transformaciones y nuevos ecosistemas. Uno de los futuristas de la IA más respetado, Max Tegmark en su libro “Life 3.0” llega a proponer hasta 7 panoramas variantes del futuro de la humanidad que la IA puede provocar. Algunas catastróficas, algunas casi ideales, pero dado que la mejor forma de predecir el futuro es creándolo, me quedo en un futuro donde el trabajo estará orientado solo a actividades altamente valiosas que requieren de Inspiración, Creatividad, Investigación, Innovación, Sabiduría, Conciencia, Emoción, Ética, Humanismo, Pasión, Justicia, Respeto, Responsabilidad, Empatía, Propósito, etc. Con lo anterior como referencia, muchos expertos establecen ya, que las personas que están naciendo o por nacer, les tocará hacer estudios en alguna especialidad que no existe y las aplicarán en “trabajos” que aún no se inventan.

Los Sistemas Expertos (SE) son un área de la Inteligencia Artificial (IA) que proporciona soluciones muy específicas de diagnóstico o asesoría sobre alguna área del conocimiento humano que normalmente no es tan fácil de emular. El mejor ejemplo es una consulta médica en donde como pacientes informamos al doctor sobre nuestros síntomas y al final el doctor nos indica la enfermedad y el tratamiento. En este caso, si sustituyen al doctor por un sistema de software que hace las preguntas, nos escucha, analiza y genera el mismo diagnóstico que el doctor, entonces tenemos un sistema experto médico.

En 1975 la Universidad de Stanford (EU), desarrollo un Sistema Experto en el dominio de las enfermedades infecciosas. El proyecto se denominó MYCIN. En sus inicios, tuvo una serie de fracasos al comparar sus diagnósticos contra un panel de 8 médicos expertos. El sistema se mejoró año tras año y al final se logró perfeccionar la “Base de Conocimientos” (conjunto de reglas de decisión codificados en el software) y logró superar por mucho al mismo grupo de expertos en todos los pacientes reales que se le presentaron. Esto representó un gran logro académico e impulsó el desarrollo de la Inteligencia Artificial en diversas áreas desde la década de los 80´s.

El sistema nunca se usó de forma práctica debido a las limitaciones de hardware en ese entonces y a los planteamientos éticos que ya hacían ruido como por ejemplo quien sería responsable cuando eventualmente un diagnóstico no fuera correcto.

En 1989, la empresa CRYSEL (de Grupo CYDSA) que producía hilo sintético y estaba ubicada en El Salto, Jalisco, inició el uso del primer Sistema Experto aplicado a la manufactura que se ha reportado en México. El sistema se denominó SECAL y sus resultados fueron publicados por el Dr. Francisco Cantú en su libro “Expert Systems with Applications” en 1992. Este es un proyecto de Inteligencia Artificial que conozco bien dado que lo desarrollé en su totalidad mientras realizaba una estancia como investigador en el Centro de Inteligencia Artificial del ITESM en Monterrey, N.L.

La problemática de CRYSEL entonces era la no disponibilidad de su mayor experto en manejo de situaciones complicadas en un área específica de la planta con 7 máquinas especiales. Su experto acababa de jubilarse y con él se perdían de la empresa 30 años de experiencia en el manejo de crisis en equipo dedicado a la generación de vapor que alimentaba la mayor parte de las líneas de producción de la planta. El experto fue subcontratado por 6 meses para trabajar con nosotros y a través de muchas horas de trabajo y usando técnicas especiales para “extraer” el conocimiento, se documentaron unas 800 reglas de razonamiento sobre los problemas comunes en esas 7 máquinas.

Al final se logró construir una Base de Conocimientos suficientemente robusta para poder guiar a una persona novata a obtener un diagnóstico similar al del experto para diversos casos. Cabe clarificar que en unas cuantas “reglas” y con 6 meses de trabajo no se replican 30 años de experiencia, pero la pequeña fracción que se logró “programar” hizo una diferencia entre tener algo de apoyo experto contra el no tener nada.

De esta forma, cuando alguna de las 7 máquinas presentaba un comportamiento anormal mediante ruido, consumo, vibración, temperatura, presión o humo, el sistema podía ser consultado mediante un diálogo con preguntas (en pantalla) y respuestas (por teclado) y funcionado de forma similar a como lo hace un Bot hoy día. SECAL se usaba en una PC (IBM PCII 386 bajo DOS) que se protegía en una pequeña cabina acondicionada en piso junto a las 7 máquinas. El sistema se consultaba mínimo una vez por semana y con ello se evitaban problemas mayores.

El retorno de la inversión (ROI) nunca se determinó con precisión, pero estoy 100% seguro que cada uno de los problemas que se evitaron en los meses subsecuentes superaron el costo del desarrollo varias veces ya que, si una sola de las 7 máquinas fallaba, la planta entera tenía el riesgo de detener la producción por muchas horas.

Un año antes de SECAL, desarrollé en conjunto con mi colega Ángeles Constantino (hoy con un doctorado en IA) el sistema SEEM que lidiaba con enfermedades del maíz. El usuario describía el estado de la planta y el sistema al final indicaba el diagnóstico y su tratamiento. Hoy, el mismo resultado puede lograrse con unas cuantas fotografías de una planta afectada y un sistema puede establecer la mejor línea de acción para atacar el problema. Como se puede observar, la tecnología de Sistemas Expertos aplica a cualquier área del conocimiento humano.

En Assetel se cuenta con esta experiencia para poder replicarla en nuevos posibles retos donde la Inteligencia Artificial puede seguir solucionando problemáticas dentro de la manufactura para las empresas mexicanas. Hoy día, claro está, hay muchas herramientas de IA adicionales y hardware con las que no contábamos en los 80´s para desarrollar proyectos con mayor rapidez, mayores alcances y mejor precisión.

A mucha gente le gusta cereal en el desayuno. Por lo menos eso es común en México.

En el 2004, una planta de manufactura ubicada en Querétaro de marca de cereal líder cuyo nombre inicia con “K” (por aquello de evitar mensajes publicitarios aquí), celebró una “gran triunfo” con fiesta, mensajes, eventos, mega anuncios en toda la planta y visibles desde la calle. La festividad fue por haber alcanzado un índice de eficiencia OEE (Overall Equipment Effectiveness) del 85%. En el mundo de la manufactura de clase mundial, llegar a ese nivel, se considera una productividad extraordinariamente alta. Esto lo tengo muy presente porque como proveedor externo, lideré la implementación del software para medición de efectividad de todas las líneas de producción en 7 plantas de la empresa “K” distribuidas en distintos países de América Latina.

Por años la industria de manufactura que busca mantenerse por lo menos a flote, ha realizado inversiones en sistemas de gestión (ERP´s) y otras tecnologías como equipos de medición, autodiagnóstico, paneles de control, alertas, PLC´s, sistemas de rechazo de scrap, sistemas andon, etc. Sin embargo, al momento de reportar la información sobre la producción, en muchos lugares se continúan usando plumones sobre pizarrones para registro hora por hora y hojas de papel que se recolectan al final del turno.

En estos casos, el escenario común es que el operador anota las piezas producidas, alguien lo transcribe a una hoja electrónica y alguien más lo traduce para capturarlo en el ERP (si existe).

Además, otra persona genera reportes semanales incluyendo las gráficas que van a los pizarrones (que nadie consulta, pero se ven llamativas) y al final alguien más hace los informes de cierre de mes para la dirección.

Desde luego que los números que llegan a la dirección son los que el operador indicó (protegiendo su turno), el supervisor revisó (protegiendo a su equipo), el gerente corrigió (protegiendo su área) y al final el director recibió un informe de eficiencia del 95% y con ello, todo el mundo está feliz. La empresa presume alta productividad y se encuentra dentro de un margen de confort que opaca áreas de oportunidad. ¿Suena familiar?  En mi experiencia esto es más común de lo que parece y no solo en empresas de manufactura.

La realidad es que si los datos no fueran anotados (algo sujeto a interpretación), capturados, en ocasiones recapturados (sujeto a errores humanos) y filtrados a diferentes niveles, los informes no “desviarían” la eficiencia real que con frecuencia esta abajo del 60%. Lo que no se puede medir no puede mejorar, y si la dirección no tiene información precisa, será improbable que impulse acciones de mejora. Aquí “eficiencia“, se traduce como la métrica estándar de los programas de mejora continua TPM (Total Productivity Maintenance), es decir el OEE, que casi toda la industria ya registra, pero solo queda como indicador y no lo usa en su propio beneficio.

Bajo este panorama, el Internet de las cosas industrial (IIOT por sus siglas en inglés) que es una de las principales tendencias tecnológicas, es potencialmente impactante en la industria y puede impulsar lo que ya se conoce como Industria 4.0. Esta tecnología va más allá de ámbitos como seguridad, monitoreo, optimización, etc.

El IIOT puede parecer un concepto asociado al futuro, complejo o caro, pero es importante hacer notar que hoy la industria de cualquier tamaño puede acceder a este tipo de tecnología por menos de Mil USD por la línea de producción y con ello es posible automatizar variables como el OEE y monitorear procesos en tiempo real. 

Los elementos a aprovechar son:

1) Sensores sencillos que detecten cada producto que las líneas entregan y nos genera el dato preciso de producción, velocidad y paros de equipo que se registran en un sistema sin intervención humana

2) Sistemas de comunicación entre máquinas, por ejemplo redes inalámbricas inmunes al ruido electromagnético

3) Software estadístico y de análisis

4) El Internet para conocer el estado de un equipo, su eficiencia y/o alertas, sin la necesidad de estar físicamente en la línea o en planta.

Lo anterior potencia la visibilidad de la producción, evita escribir, capturar o interpretar datos y tener en tiempo real información que la organización puede aprovechar para tomar decisiones efectivas al momento que sucede cualquier evento y no quedarse solo en conocer lo qué pasó con informes al cierre el mes.

Entre el 2012 y 2014 tuve la oportunidad de participar en 3 iniciativas de implementación de OEE en tiempo real mediante equipos IIOT para diferentes empresas del sector Automotriz. Las etapas de prueba o demostración de uso de los equipos resultaron totalmente exitosas. Sensores precisos, comunicación inalámbrica impecable, software de analítica muy probado, en fin, todo prácticamente perfecto. El indicador OEE se obtenía automáticamente y nadie podía desviar o cambiar ningún dato.

Sorpresivamente, ninguna de las 3 empresas adoptó la tecnología. ¿Qué pasó? Resulta que el indicador que por años tenían reportando a su casa matriz en el extranjero no coincidía con la medición real del sistema.  Su OEE reportado estaba arriba del 95% cuando lo real entregado por el sistema (demostrado y aceptado por cada organización) no superaba el 65%.

De esta forma, para ellos era totalmente inviable adoptar un sistema de medición autónomo, real y que no pudieran “ajustar”. Como podemos ver, la adopción de Industria 4.0 no solo es cuestión de tecnología, de iniciativa, de inversiones o de talento capacitado. Desafortunadamente, factores culturales o políticos también influyen.

En Assetel tenemos toda esta experiencia y contamos con la tecnología para apoyar a la industria de manufactura a medirse, retarse, mejorar y crecer siempre y cuando los factores culturales de cada organización lo permitan.

Del tipo de organizaciones más complejas de administrar que existen, están las empresas Constructoras y las Logísticas. Sin un buen respaldo tecnológico que incluye software empresarial, procesos automatizados, innovación y liderazgo, es muy difícil de controlar, visualizar y administrar una organización dentro de estas categorías. En el 2005 tuve la oportunidad de apoyar a la ferroviaria Ferrosur como consultor externo desarrollando un sistema de software orientado a permitir la trazabilidad de costos de sus servicios logísticos. Comparto la experiencia.

Ferrosur, con sede en la ciudad de Veracruz (México), es la tercera ferroviaria del país por número de operaciones y cobertura en el sureste mexicano. Para el proyecto, Ferrosur marcó el objetivo de calcular lo mejor posible los costos de sus servicios. Se buscaba tener parámetros más precisos para mejorar las cotizaciones a sus clientes y con ello ser más competitivos. En ese entonces, la empresa contaba con más de 900 clientes que se atendían con unos 80 mil carros de ferrocarril de al menos 25 tipos distintos (Granos, Autos, Químicos, Cemento, etc.). Ferrosur contaba con el sistema de administración empresarial SAP, pero solo usaba algunos módulos administrativos mínimos. Nóminas, Tráfico, Control de trenes, Mantenimiento y muchas otras áreas se llevaban en Excel o en otros sistemas.

Calcular el costo real de las operaciones (Cliente, Origen, Destino, Carga, Peso, Fechas) en una empresa que ejecuta unos 35 mil servicios mensuales es un reto enorme. Muchos de los servicios dependen no solo de los factores que son controlables, sino también de factores externos como eventos sociales que involucran cierres temporales de vías, control de velocidad por lluvia, accidentes eventuales, invasión de migrantes, vandalización de infraestructura, y un largo etc.

La mejor tecnología para el logro del objetivo planteado fue la implementación de un sistema de costos basado en actividades o Costeo ABC (por sus siglas en inglés). La idea fue tomada de las empresas ferroviarias en EU que ya llevaban años usando exitosamente esta herramienta financiera. Con un desarrollo a medida para Ferrosur, la integración al final fue exitosa. El proceso, aunque interesante por el alto aprendizaje, fue complejo y con resultados muy sorpresivos al final. Después de meses de trabajo junto con el personal interno y extrayendo datos de diferentes sistemas a todos los niveles, se integró el software que podía analizar la operación de cierre de cada mes y generaba en forma automática el costo aproximadamente real de cada servicio ejecutado.

Todos los ejecutivos se capacitaron en Costos ABC y estaban convencidos de que era la herramienta adecuada para ellos, pero algo parecía no estar bien. Revisión tras revisión, el resultado era el mismo. Investigando información histórica, encontré que Ferrosur había realizado diversos acuerdos comerciales con este cliente debido a sus altos volúmenes que representaba. Se había accedido a eliminar costos de ciertos servicios para apoyar a su cliente consentido y se habían realizado esfuerzos extraordinarios para bajar al máximo las tarifas con tal de tener al cliente contento y mantuviera sus contratos año tras año. Si les suena familiar, es porque la situación es más común de lo que parece ya sea en Construcción, Logística o en Manufactura.

Todos los ejecutivos se capacitaron en Costos ABC y estaban convencidos de que era la herramienta adecuada para ellos, pero algo parecía no estar bien. Revisión tras revisión, el resultado era el mismo. Investigando información histórica, encontré que Ferrosur había realizado diversos acuerdos comerciales con este cliente debido a sus altos volúmenes que representaba. Se había accedido a eliminar costos de ciertos servicios para apoyar a su cliente consentido y se habían realizado esfuerzos extraordinarios para bajar al máximo las tarifas con tal de tener al cliente contento y mantuviera sus contratos año tras año. Si les suena familiar, es porque la situación es más común de lo que parece ya sea en Construcción, Logística o en Manufactura.

En una tercera presentación formal del proyecto, Ferrosur se dio cuenta de que, en efecto, la diversidad de servicios con otros clientes y el uso de métodos tradicionales de análisis financieros ocultaban las pérdidas que CEMEX provocaba. Ferrosur siempre ha mantenido una rentabilidad alta. Su operación global es exitosa, pero ese resultado está distribuido entre sus cientos de otros clientes, que claro, no eran atendidos como CEMEX. Al final Ferrosur pudo renegociar nuevos contratos con ese cliente en los años subsiguientes y enmendó parte de las malas prácticas que no podían haber visto sin métodos ni herramientas tecnológicas adecuadas. Además, su margen de rentabilidad aumentó.

De una manera muy simplificada Costos ABC funciona así: Tu eres el administrador de una planta de Manufactura ACME (el del Coyote y el Correcaminos) y solo se fabrican 2 productos: A y B. El último mes ACME fabricó 90 mil piezas A y 10 mil piezas B. Supongamos que solo contabilizamos la nómina para medir nuestros costos. La nómina total en el mes fue de $20 mil. Bajo contabilidad tradicional, $20 mil / (90 mil + 10 mil) piezas es el costo de producción de cada pieza. Es decir, cada pieza A y cada pieza B tiene un costo de $0.20. Con un precio de venta al público final de $1 por pieza A ó B. Desde luego estas feliz de obtener utilidades de $0.80 por pieza.

Bajo el enfoque ABC, se buscan factores probados que puedan orientar el costeo y ese factor se aplica de forma adecuada. Para el ejemplo, con ABC encontramos que la línea donde se fabrica el producto A usa menos espacio en la fábrica y usa maquinas más eficientes (menos cambios, menos paros, etc.) lo que implica al final que solo usa el 25% de todo el personal.

Con esta información, las piezas A tienen un costo de manufactura más real de (20 Mil * 25%) / 90 Mil = $0.06, mientras que las piezas B tienen un costo más real de (20 Mil * 75%) / 10 Mil = $1.50. Con ABC puedes ver como la pieza B en realidad genera pérdidas (como en el caso de Ferrosur) y ahora tienes más elementos para tomar mejores decisiones. ¿invertirás en la nueva campaña de marketing para el producto B dado que sus ventas son bajas?  ¿Autorizamos la solicitud de más personal para la línea B? ¿Autorizamos la inversión en mejoras en la línea A?, ¿y si maquilo el producto B?, etc. El siguiente diagrama hace una comparativa de contabilización con método tradicional contra ABC:

Después de ABC, la siguiente tecnología que Ferrosur adoptó fue la de Internet de las Cosas (IOT), lo que se extendió hacia Ferromex y Ferrovalle. En Assetel tenemos toda esta experiencia y contamos con la tecnología para apoyar a organizaciones de cualquier tamaño para aplicar mejores prácticas de negocio incluyendo Costos ABC e IOT.