Cuando el activo empieza a cuidarse por sí mismo

DIEGO GALAR Professor at Luleå University of Technology and R&D VP at SISTEPLANT

El mantenimiento predictivo nos ha enseñado a detectar qué está fallando y a estimar cuándo puede producirse una avería. Pero ¿qué ocurre cuando un activo también puede decidir qué debería suceder a continuación?
En su ponencia de clausura de Asset Performance 2026, el profesor Diego Galar explorará el paso del análisis predictivo hacia la IA agéntica y presentará un concepto que podría transformar de manera fundamental el mantenimiento y la gestión de activos: el activo que se autopreserva.

A primera vista, los activos que se autopreservan parecen algo sacado de la ciencia ficción. Máquinas capaces de comprender su propio estado, anticiparse a las amenazas y actuar para protegerse parecen suponer un paso considerable más allá de los cuadros de mando, los sistemas de monitorización de condición y los modelos predictivos que se utilizan actualmente en la industria.
Sin embargo, Diego Galar, catedrático de la Universidad Tecnológica de Luleå y vicepresidente de I+D+i de SISTEPLANT, sostiene que los elementos necesarios para hacerlo posible ya están empezando a emerger.

«Un activo capaz de autopreservarse puede comprender su propio estado, anticiparse a las amenazas, evaluar las consecuencias e iniciar la respuesta más adecuada dentro de unos límites claramente definidos», explica.

Las palabras clave no son solo comprender y anticiparse. También lo es iniciar una respuesta. Para Galar, esta distinción marca un cambio importante en la evolución de la tecnología aplicada al mantenimiento.
Durante años, la industria ha desarrollado cada vez más capacidades para detectar anomalías, diagnosticar fallos y predecir averías. Pero saber que algo va a ocurrir no es lo mismo que decidir qué hacer al respecto.

La predicción nunca fue el destino final

El mantenimiento predictivo ha supuesto un enorme avance en nuestra capacidad para comprender el estado de los activos. Los sensores, la monitorización de condición, la analítica avanzada y los modelos de aprendizaje automático permiten cada vez más a las organizaciones saber qué está ocurriendo en el interior de sus equipos y, en determinadas aplicaciones, cuánto tiempo de operación útil puede quedar.

Pero aún existe una brecha. «El mantenimiento predictivo se centra en realizar un diagnóstico y un pronóstico precisos», explica Galar. «Nos indica qué está ocurriendo y cuándo se espera que se produzca un fallo. Pero está desconectado de la acción».

Ese último paso suele seguir estando en manos de las personas. Un ingeniero interpreta la predicción, comprueba el contexto operativo, tiene en cuenta las necesidades de producción y evalúa las consecuencias de las distintas intervenciones. ¿Debe detenerse la máquina de inmediato? ¿Puede continuar funcionando hasta la próxima parada planificada? ¿Deberían modificarse sus condiciones de operación? ¿Sería posible reprogramar la producción? ¿Existe alguna otra acción de mantenimiento que pueda llevarse a cabo?

La predicción es solo uno de los elementos que intervienen en una decisión mucho más amplia.

Los enfoques prescriptivos comenzaron a abordar esta cuestión incorporando distintos escenarios: ¿qué ocurre si elegimos la opción A en lugar de la opción B? Los activos capaces de autopreservarse van un paso más allá. Según Galar, la pregunta pasa a ser: ¿qué acción debe llevarse a cabo ahora para preservar tanto la salud del activo como la misión que se espera que cumpla?

Es precisamente esta conexión entre la información, la toma de decisiones y, en última instancia, la acción, lo que hace que el concepto sea fundamentalmente diferente. La IA agéntica cierra el ciclo: El rápido desarrollo de la inteligencia artificial está haciendo que esta conexión sea cada vez más realista.

La primera oleada de la IA industrial fue, en gran medida, analítica. Los algoritmos de aprendizaje automático ayudaron a identificar patrones en grandes volúmenes de datos operativos. Más recientemente, los grandes modelos de lenguaje han creado una interfaz intuitiva entre las personas y la información compleja. Ahora, la IA agéntica añade una nueva capacidad: sistemas de IA capaces de trabajar hacia un objetivo definido y determinar los pasos necesarios para alcanzarlo.

«La diferencia fundamental de los agentes es que conectan la información con la acción», explica Galar. Dentro de un marco cuidadosamente definido, un agente de IA puede recopilar información de diferentes fuentes, interpretar la situación, evaluar alternativas e iniciar el siguiente paso más adecuado. Aplicado al mantenimiento, esto plantea una propuesta muy diferente a la de un algoritmo que simplemente genera una alarma.

Un activo del futuro podría combinar el conocimiento sobre su estado actual con sus requisitos operativos, su historial de mantenimiento, modelos de fiabilidad e información sobre el contexto global de producción. En lugar de limitarse a informar de que un componente se está deteriorando, el sistema podría ayudar a determinar cómo debería responder la organización.

Esto no significa necesariamente enviar de inmediato un robot para sustituir un rodamiento. La respuesta adecuada podría ser mucho menos drástica: ajustar los parámetros de operación, modificar la planificación de la producción, solicitar una inspección o preparar una intervención de mantenimiento.

El cambio importante es que el sistema comienza a razonar en función de un objetivo operativo, en lugar de detenerse en el diagnóstico.

Y es precisamente aquí donde Galar considera que la IA resulta especialmente interesante para la gestión de activos.

La autonomía sin gobernanza no es autonomía

Permitir que la IA participe en las decisiones operativas plantea inmediatamente otra cuestión: ¿cuánta libertad debería tener?

Las decisiones de mantenimiento tienen consecuencias que van mucho más allá de la salud del equipo. Una intervención puede influir en la seguridad, la calidad del producto, la producción y los costes. Por tanto, un sistema de IA que optimice una única variable sin comprender las restricciones globales podría tomar una decisión técnicamente racional, pero con consecuencias empresariales inaceptables.

Para Galar, esta es precisamente la razón por la que el debate sobre el mantenimiento autónomo no puede comenzar hablando únicamente de IA.

Uno de los conceptos erróneos en torno a la IA industrial, sostiene, es pensar que una tecnología suficientemente avanzada puede compensar unas bases deficientes de mantenimiento.

No puede. «Si tienes una política de mantenimiento realmente mala, la inteligencia artificial no va a conseguir que, de repente, el mantenimiento sea bueno», afirma.

La inteligencia de un agente depende del entorno en el que se le permite operar. Las empresas necesitan políticas de mantenimiento sólidas, fuentes de datos fiables y reglas claras que definan los niveles de riesgo aceptables. Estos principios se convierten en los límites dentro de los cuales puede actuar un agente.

Por tanto, la gestión del riesgo deja de ser una disciplina de gestión paralela para convertirse en parte de la propia arquitectura de toma de decisiones autónomas. La organización debe traducir sus políticas en restricciones: ¿qué puede decidir el sistema de forma independiente? ¿Cuándo debe solicitar aprobación? ¿Qué riesgos son aceptables? ¿Qué decisiones deben quedar fuera de su ámbito de actuación?

Sin este marco, una mayor autonomía no produce necesariamente mejores decisiones. Simplemente puede generar decisiones más rápidas y sin control.

Para las organizaciones de mantenimiento atraídas por las posibilidades de la IA agéntica, esta es una importante llamada de atención: el camino hacia la autonomía comienza con la gobernanza, no con un algoritmo.

El ser humano no desaparece, pero su trabajo cambia

La respuesta obvia sería asumir que, por tanto, una persona debe seguir estando al final de cada proceso de decisión. Galar no está necesariamente de acuerdo.

Algunas decisiones seguirán requiriendo el criterio humano porque implican incertidumbre, consecuencias más amplias o un conocimiento del contexto que no puede codificarse fácilmente. Otras, sin embargo, podrían llegar a tomarse de forma autónoma.

«La cuestión no es si siempre ponemos a una persona al final del proceso de decisión», afirma. «La cuestión es dónde aportan mayor valor el conocimiento humano, la visión humana del contexto y la comprensión de las consecuencias».

Esta distinción podría tener importantes implicaciones para las organizaciones de mantenimiento.

Los profesionales altamente cualificados siguen dedicando una parte considerable de su tiempo a moverse entre información fragmentada: consultar historiales de órdenes de trabajo, comparar mediciones, buscar documentación, recopilar datos y reconstruir el contexto antes de poder tomar realmente una decisión. Los agentes de IA podrían asumir parte de este trabajo previo y de coordinación.

De este modo, la experiencia humana se concentraría en aquellas situaciones en las que aporta mayor valor.

Y a medida que las tecnologías autónomas sigan desarrollándose, algunas acciones podrían dejar de limitarse a una recomendación. Los agentes podrían interactuar potencialmente con sistemas automatizados y, con el tiempo, incluso con robots autónomos, permitiendo que determinadas decisiones pasen de la detección al razonamiento y, finalmente, a la ejecución sin requerir la intervención humana en cada paso intermedio.

Dónde deben situarse exactamente esos límites no es una cuestión puramente tecnológica.

Es una de las cuestiones que las propias organizaciones de mantenimiento y gestión de activos tendrán que definir.

Las empresas que empiecen por lo básico podrían avanzar más rápido

Para las organizaciones que se preguntan hasta qué punto está cerca realmente todo esto, el consejo de Galar resulta sorprendentemente tradicional.

No empieces buscando un activo capaz de autopreservarse.

Empieza por reforzar los cimientos que un activo de estas características necesitaría.

Las políticas de mantenimiento deben ser claras. Los datos sobre el estado de los activos deben estar disponibles y ser fiables. El sistema también necesita información sobre la misión del activo y su contexto operativo. La información estructurada y no estructurada debe ser accesible en un formato que la IA pueda utilizar. Y, por encima de todo, la organización necesita un enfoque claro de gestión del riesgo.

Estos principios de mantenimiento no son precisamente nuevos. Lo que cambia es su importancia cuando el software deja de limitarse a presentar información y puede llegar a actuar sobre ella.

«La política de mantenimiento debe ser definida por las personas», subraya Galar. «La IA no va a sustituir esa base». En última instancia, esto podría marcar la diferencia entre una IA industrial realmente útil y una mera demostración tecnológica. Las organizaciones mejor posicionadas para avanzar hacia un mantenimiento agéntico quizá no sean las que experimenten con un mayor número de herramientas de IA, sino aquellas capaces de combinar las nuevas tecnologías con décadas de conocimiento en fiabilidad y mantenimiento.

Una nueva generación redefinirá el mantenimiento

Mirar diez años hacia el futuro entraña riesgos en un ámbito que evoluciona tan rápidamente como la inteligencia artificial. Sin embargo, Galar considera que hay otro desarrollo que podría resultar tan significativo como la propia tecnología.

Durante la próxima década, una proporción cada vez mayor de los profesionales del mantenimiento que se incorporen a puestos operativos habrá nacido plenamente en la era digital. A diferencia de las generaciones anteriores, que pasaron de las tecnologías analógicas a las digitales a lo largo de su trayectoria profesional, estos ingenieros y técnicos habrán crecido interactuando de forma natural con sistemas digitales y con la inteligencia artificial.

Galar se describe a sí mismo como un «inmigrante digital». La próxima generación será diferente.

«No van a ser simplemente sustituidos por la IA o por los robots», afirma. «Van a desarrollar una relación con la IA que les permitirá alcanzar sus objetivos de una forma mucho más profesional».

Pero esta predicción lleva asociada una advertencia importante. Tener soltura con la IA no elimina la necesidad de comprender el mantenimiento. Todo lo contrario.

A medida que la IA sea cada vez más capaz de transformar la información en acción, el conocimiento especializado del ámbito será crucial para determinar si esa acción tiene sentido. La ingeniería de fiabilidad, las estrategias de mantenimiento, el comportamiento de los activos y la gestión del riesgo proporcionan el conocimiento y las restricciones dentro de los cuales pueden operar los agentes inteligentes.

Por tanto, el profesional del mantenimiento del futuro podría combinar dos mundos: una capacidad natural para trabajar junto a sistemas inteligentes y un profundo conocimiento de los principios de ingeniería desarrollados durante décadas. Esta combinación, más que la IA por sí sola, podría determinar en última instancia hasta dónde puede llegar el mantenimiento autónomo.

De las predicciones inteligentes a los activos inteligentes

El concepto del activo capaz de autopreservarse plantea preguntas tan incómodas como estimulantes. ¿Cuánta autonomía debería tener un activo? ¿Cómo pueden traducirse las políticas de riesgo de una organización en límites que un agente de IA pueda comprender? ¿Qué decisiones de mantenimiento siguen requiriendo criterio humano y cuáles seguimos realizando manualmente simplemente porque siempre se han hecho así?

No existen respuestas universales.

Y Galar no pretende ofrecerlas todas de antemano.

Durante su ponencia de clausura en Asset Performance 2026, llevará el concepto más allá del marco teórico y mostrará un ejemplo concreto de un agente de IA ejecutando acciones de autopreservación. Qué hace exactamente ese agente —y hasta dónde puede llegar ya la cadena que va de la información a la decisión y, finalmente, a la acción— es algo que Galar se reserva para Amberes.

Lo que ya está claro es que el debate sobre la IA aplicada al mantenimiento está entrando en una nueva fase.

La cuestión ya no es únicamente si podemos predecir qué hará un activo a continuación.

La cuestión empieza a ser si el propio activo puede decidir qué debería suceder a continuación.