IA industrial: visión artificial y mantenimiento predictivo

La IA en la industria se usa sobre todo para dos cosas: visión artificial que detecta defectos en piezas, y mantenimiento predictivo que anticipa averías con datos de las máquinas. En 2025 la utilizaba el 17,5 % de las empresas industriales españolas de 10 o más empleados, por debajo de la media (ONTSI, 2026). Conviene empezar por un defecto concreto.

Esta guía está pensada para dirección de planta, calidad, mantenimiento o ingeniería de procesos de una pyme industrial. Explica qué casos funcionan, qué datos necesitas, cuánto cuesta una primera prueba, qué normativa llega en 2027 y 2028 y cómo comparar proveedores. Si todavía estás decidiendo por dónde empezar, te conviene leer antes cómo implementar IA en una empresa paso a paso.

¿Cuánto usa la IA la industria española?

Menos de lo que sugiere el ruido. Según el ONTSI, con datos del INE, el 20,5 % de las empresas españolas de 10 o más empleados usaba alguna tecnología de IA en 2025, 9,1 puntos más que un año antes. En la industria la cifra era del 17,5 %, casi tres puntos por debajo de la media (ONTSI, 2026). El salto por tamaño pesa más que el salto por sector: el 17,4 % de las pequeñas empresas usa IA, frente al 30,2 % de las medianas.

Fuente ↗

Dos datos más del mismo informe ayudan a situar a la industria. Entre las empresas que usan IA, la tecnología más extendida es la identificación de objetos o personas a partir de imágenes (55 %), y el 21,1 % aplica la IA a sus procesos de producción. Es decir, la visión artificial ya no es una rareza de laboratorio: es la forma de IA más común en la empresa española.

La lectura práctica es sencilla. Si diriges una planta de 20 a 200 personas, lo normal es que todavía no tengas IA en producción, y que la primera aplicación razonable sea de visión o de datos de máquina, no un asistente conversacional.

¿Qué problemas resuelve la visión artificial en una planta?

La visión artificial combina cámaras industriales, iluminación controlada y un modelo entrenado con imágenes de tu producto. Hace tres tipos de trabajo:

• Inspección de calidad: detectar grietas, manchas, rebabas, errores de impresión, piezas incompletas o mal ensambladas.
• Verificación y trazabilidad: leer códigos, lotes y fechas, comprobar etiquetas y contar unidades.
• Guiado y clasificación: indicar a un robot dónde coger una pieza o separar materiales por tipo o color.

La diferencia con la visión clásica, basada en reglas fijas, es que un modelo de aprendizaje automático tolera mejor la variabilidad natural: texturas distintas, productos alimentarios, materiales reciclados. A cambio, necesita ejemplos etiquetados de defectos reales, y esos ejemplos suelen ser lo más difícil de conseguir, porque los defectos son, por definición, poco frecuentes.

EXPERTUNO · FRAMEWORK

Cómo avanza un proyecto de visión artificial en una línea

1. 01
   Definir el defecto

   Qué se considera defecto, con fotos de ejemplo y un criterio que calidad y producción acepten.

2. 02
   Capturar imágenes

   Cámara, óptica e iluminación instaladas en la línea real, a la velocidad real.

3. 03
   Etiquetar y entrenar

   Imágenes clasificadas por personas que conocen el producto, con especial atención a los defectos raros.

4. 04
   Validar en paralelo

   El sistema inspecciona junto al operario y se miden aciertos, falsos rechazos y defectos escapados.

5. 05
   Integrar y mantener

   Conexión con el PLC o el MES para apartar piezas y reentrenamiento cuando cambian producto o materia prima.

Un caso documentado ilustra el orden de magnitud. Gràfiques Manlleu, una pyme familiar fundada en 1919 que fabrica etiquetas para botellas y envases alimentarios, implantó con Eurecat y el hub DIH4CAT un sistema de inspección con cámaras industriales y algoritmos de IA supervisada, financiado por el programa público PADIH (PADIH, 2025).

Fíjate en cómo se mide el éxito: no en la "precisión del modelo", sino en errores entregados, horas de inspección y material desperdiciado. Esas son las métricas que debes pedir a cualquier proveedor.

¿Qué condiciones necesita un proyecto de visión para salir bien?

La cantidad de imágenes importa menos que su representatividad. Un modelo entrenado con fotos tomadas en una mesa de laboratorio suele fallar en la línea, donde cambian la luz, la velocidad, el polvo y la posición de la pieza. Por eso la captura debe hacerse en condiciones reales desde el principio. También ayuda acordar entre calidad y producción qué es exactamente un defecto: si dos personas del equipo clasifican distinto la misma pieza, el modelo aprenderá esa misma confusión. Y conviene decidir de antemano qué error es más caro para ti, dejar pasar un defecto o rechazar una pieza buena, porque el sistema se ajusta para priorizar uno de los dos.

¿Qué es el mantenimiento predictivo y cuándo compensa?

El mantenimiento predictivo usa datos de la máquina, como vibración, temperatura, consumo eléctrico, presión u horas de funcionamiento, para estimar cuándo va a fallar un componente e intervenir justo antes. Se diferencia del correctivo, que repara tras la avería, y del preventivo, que sustituye piezas por calendario aunque estén bien.

La IA entra en dos puntos: detectar anomalías en señales que un técnico no puede vigilar de forma continua y estimar la vida útil restante de un componente a partir del histórico. No sustituye al equipo de mantenimiento; lo necesita para etiquetar qué fue una avería real y qué fue ruido.

EXPERTUNO · COMPARATIVA

¿Qué es el mantenimiento predictivo y cuándo compensa?

Enfoque	Cuándo interviene	Ahorro de referencia	Qué necesita
Correctivo	Tras la avería	Punto de partida	Stock de repuestos y capacidad de reacción
Preventivo	Por calendario u horas de uso	Base de comparación	Plan de mantenimiento y registro de intervenciones
Predictivo	Cuando los datos anticipan un fallo	8-12 % frente al preventivo; más del 30-40 % en plantas muy reactivas	Sensores, histórico de fallos e integración con el GMAO

Las cifras de ahorro proceden de la guía de buenas prácticas de operación y mantenimiento del programa federal de gestión energética de Estados Unidos, elaborada por el laboratorio PNNL (PNNL, 2021): estima entre un 8 % y un 12 % de ahorro frente a un programa preventivo, y oportunidades superiores al 30-40 % en instalaciones que dependen mucho del mantenimiento reactivo. Son referencias generales, no una promesa para tu planta.

¿Cuándo compensa? Cuando se cumplen tres condiciones. La parada de esa máquina cuesta mucho, porque es un cuello de botella o el producto es perecedero. El fallo da señales previas medibles, como ocurre con rodamientos, motores, bombas o compresores. Y existe un histórico mínimo de averías o, al menos, alguien capaz de reconocerlas en los datos. Si la máquina falla poco y su parada no frena la planta, un buen preventivo suele ser suficiente.

EXPERTUNO · COMPARATIVA

Primera prueba de IA industrial: coste y plazo orientativos

Proyecto	Alcance típico	Coste orientativo	Plazo orientativo
Prueba de viabilidad de visión	Un defecto, imágenes de la línea e informe de aciertos y errores	5.000 – 20.000 €	4 – 8 semanas
Estación de inspección en una línea	Cámaras, iluminación, modelo e integración con el PLC	20.000 – 80.000 €	3 – 6 meses
Piloto de mantenimiento predictivo	Sensores en 1-3 máquinas críticas, modelo de anomalías y alertas	10.000 – 40.000 €	3 – 6 meses
Mantenimiento del sistema	Reentrenamiento, soporte y ajustes por cambios de producto	10 – 20 % anual de la inversión	Continuo

Estos rangos son conservadores y varían mucho según la velocidad de línea, el número de cámaras, si ya tienes sensores y lo accesibles que estén los datos del PLC. Como referencia real, el proyecto de visión de Gràfiques Manlleu citado arriba se ejecutó con 30.000 euros. Para calcular si te compensa, aplica el método de cómo medir el ROI de un proyecto de IA.

¿Qué otros usos de la IA funcionan en la industria?

Más allá de calidad y mantenimiento, hay aplicaciones con recorrido en pymes industriales:

• Previsión de demanda y planificación: modelos que anticipan pedidos por referencia o por cliente y ajustan compras y producción.
• Optimización de parámetros de proceso: ajustar temperaturas, tiempos o dosificaciones a partir del histórico de lotes buenos y malos.
• Clasificación de materiales: separar residuos, chatarra o textiles por tipo con cámaras y robots.
• Asistentes sobre documentación técnica: buscar en manuales, fichas y procedimientos internos con una arquitectura RAG, útil para mantenimiento y formación. Lo explicamos en qué es RAG y cuándo lo necesita una empresa.
• Oficina técnica y comercial: extraer datos de pedidos, planos o certificados y preparar ofertas.

Picvisa es un ejemplo de pyme que no solo usa visión artificial, sino que la vende integrada en máquinas (ACCIÓ, 2023). Muchos proveedores de visión en España tienen ese perfil: empresas pequeñas y muy especializadas en un material o un sector. Es una ventaja si su especialidad coincide con tu producto y un riesgo si intentan adaptar a tu caso una solución pensada para otro.

¿Qué normativa afecta a la IA en máquinas y líneas de producción?

Hay dos marcos que conviene tener en el radar, sobre todo si la IA interviene en funciones de seguridad o si fabricas maquinaria.

El primero es el Reglamento (UE) 2023/1230 de máquinas, que sustituye a la Directiva de máquinas y se aplica desde el 20 de enero de 2027. Contempla expresamente los casos en que módulos de IA con técnicas de aprendizaje garantizan funciones de seguridad, y exige evaluación de conformidad por terceros para las máquinas de alto riesgo (EU-OSHA).

El segundo es el Reglamento de IA. Tras el paquete de simplificación conocido como Ómnibus de IA, que entró en vigor el 27 de julio de 2026, las obligaciones para sistemas de alto riesgo integrados en productos regulados, como las máquinas, se aplican desde el 2 de agosto de 2028; las de los sistemas de alto riesgo independientes, desde el 2 de diciembre de 2027 (Comisión Europea, 2026).

EXPERTUNO · COMPARATIVA

Calendario normativo que afecta a la IA industrial

Fecha	Norma	Qué cambia para una planta
27 de julio de 2026	Ómnibus de IA	Entra en vigor la simplificación del Reglamento de IA y se retrasan las obligaciones de alto riesgo
20 de enero de 2027	Reglamento (UE) 2023/1230 de máquinas	Sustituye a la Directiva de máquinas y contempla la IA en funciones de seguridad
2 de diciembre de 2027	Reglamento de IA (Anexo III)	Obligaciones para sistemas de alto riesgo independientes, como los usados en gestión de personal
2 de agosto de 2028	Reglamento de IA (Anexo I)	Obligaciones para sistemas de alto riesgo integrados en productos regulados, como las máquinas

Traducido a decisiones de compra:

• Un sistema de visión que solo aparta piezas defectuosas no es, en principio, un componente de seguridad. Uno que detiene una máquina cuando detecta a una persona sí puede serlo, y eso cambia el proveedor que necesitas y la documentación que te debe entregar.
• Si fabricas maquinaria con funciones basadas en IA, planifica ya la evaluación de conformidad y la documentación técnica.
• Si las cámaras captan a trabajadores, hay tratamiento de datos personales: información a la plantilla, minimización y, según el caso, evaluación de impacto. Tienes un repaso más amplio en riesgos de la IA en la empresa.

¿Cómo elegir proveedor de visión artificial o mantenimiento predictivo?

En España conviven cuatro perfiles: integradores de visión y automatización, fabricantes de plataformas de monitorización con sensores propios, consultoras de datos que construyen modelos a medida, y centros tecnológicos o hubs de innovación digital que hacen pruebas de viabilidad. No hay uno mejor. Depende de si tu problema es sobre todo de hardware e integración o de datos y modelos.

Lo que conviene exigir en cualquier propuesta:

• Prueba con tus piezas o tus señales, en tu línea o con una muestra representativa, antes de comprometer la inversión completa.
• Métricas de planta: defectos escapados, falsos rechazos, paradas evitadas y horas de inspección, no solo "precisión".
• Condiciones reales: velocidad de línea, iluminación, polvo, vibraciones y cambios de formato.
• Integración: cómo se comunica el sistema con el PLC, el MES o el GMAO, y quién la mantiene.
• Plan de reentrenamiento: qué pasa cuando cambias de producto, de proveedor de materia prima o de cámara.
• Propiedad de datos e imágenes, y posibilidad de migrar el modelo si cambias de proveedor.

Tienes una guía general para comparar ofertas en cómo elegir proveedor de IA.

Checklist antes de contratar IA para tu planta

• [ ] Has elegido un defecto o una máquina concretos, con un coste de no calidad o de parada estimado.
• [ ] Tienes imágenes de defectos reales o un histórico de averías que alguien puede etiquetar.
• [ ] Sabes qué métrica decide el éxito: defectos escapados, falsos rechazos, horas de inspección o paradas.
• [ ] El proveedor ha hecho una prueba con tus piezas o tus datos, no una demo genérica.
• [ ] La propuesta incluye la integración con PLC, MES o GMAO, no solo el modelo.
• [ ] Hay un plan de reentrenamiento y un coste anual de mantenimiento por escrito.
• [ ] Has revisado si la IA interviene en funciones de seguridad y qué implica el Reglamento de máquinas.
• [ ] Si las cámaras captan personas, has tratado la protección de datos con tu asesoría.
• [ ] El contrato fija la propiedad de imágenes, datos y modelos.

Veredicto del consejo

Mercado. La industria española usa IA algo menos que la media, un 17,5 % frente al 20,5 %, y la visión artificial ya es la tecnología de IA más extendida. Hay oferta local especializada, a menudo pymes técnicas. El reto no es encontrar tecnología, sino un proveedor que conozca tu material y tu línea.

Económico. Una prueba de viabilidad acotada cuesta poco en relación con una estación completa y elimina buena parte del riesgo. El caso de Gràfiques Manlleu muestra que con 30.000 euros se puede medir un retorno claro en errores y desperdicio. En mantenimiento predictivo, prioriza las máquinas cuello de botella: ahí es donde se paga.

Técnico. El cuello de botella son los datos: imágenes de defectos raros, históricos de averías etiquetados y acceso a las señales del PLC. Diseña para las condiciones reales de planta, valida en paralelo con el operario y presupuesta el reentrenamiento desde el principio.

Comprador. Compra una métrica de planta, no un modelo. Exige prueba con tus piezas, integración incluida y plan de mantenimiento, y revisa pronto si hay implicaciones de seguridad de máquina. Si el proveedor no te pregunta por tu tasa actual de defectos, todavía no ha entendido tu problema.

Si quieres comparar integradores y consultoras con pruebas, filtra el directorio de especialistas en visión artificial y plantea a cada uno el mismo defecto, con las mismas imágenes y la misma métrica de éxito.