El director de operaciones de un operador privado de aguas industriales recibe una propuesta comercial de una empresa de sensorización. El paquete es concreto: instrumentación por vibración, corriente y temperatura para las cuarenta bombas críticas de su cartera de plantas de tratamiento, analítica en la nube que promete detectar la degradación tres a seis semanas antes del fallo, y una tarifa combinada de ciento ochenta mil euros de inversión inicial más veinticuatro mil anuales de suscripción. El comercial habla de un caso publicado con un cuarenta por ciento de reducción de correctivos y llama al modelo el futuro del mantenimiento. El director de operaciones tiene que decidir. El mantenimiento preventivo actual sobre esas mismas bombas cuesta en torno a ocho mil euros por activo y año, todo incluido. La cuenta tiene que cerrar antes de firmar. Antes de la reunión con dirección financiera hay que producir una lectura defendible.
El mantenimiento predictivo se sitúa hoy en la frontera entre el discurso comercial y el valor operativo real. Para algunas clases de activos y algunos perfiles de operación produce retorno medible en un horizonte razonable; para otras clases añade coste, complejidad y ruido operativo sin beneficio significativo. La cuestión no es si adoptar predictivo como filosofía general de mantenimiento, sino sobre qué activos concretos, en qué momento, con qué expectativa realista de reducción de correctivo. Cuatro condiciones concretas deciden si el salto compensa en un contexto operativo dado.
Qué es realmente el mantenimiento predictivo
Antes de las condiciones, la definición técnica ayuda a evitar el hype. El mantenimiento predictivo es la observación continua o de alta frecuencia del comportamiento de un activo mediante sensorización, con detección de patrón por umbral, por análisis de tendencia o por modelo estadístico de firma de fallo. Se distingue del preventivo tradicional en que este último actúa por calendario, y del condition-based simple en que este último aplica lecturas puntuales sin análisis de patrón. La capa predictiva añade coste de sensores, de conectividad hacia la plataforma central, de infraestructura de datos y de interpretación de alertas. Ese coste no es marginal, y por eso la comparación con el ahorro esperado de correctivo tiene que hacerse por clase de activo, no como decisión global de política de mantenimiento.
Las cuatro condiciones que sostienen el caso
La primera condición es el coste alto del fallo no planificado por activo. Se compone de tres elementos que hay que sumar antes de comparar con el coste de la sensorización: coste de indisponibilidad valorado al margen del negocio durante las horas de fuera de servicio, coste directo de la reparación bajo escenario correctivo urgente frente a intervención planificada, y coste de la cascada operativa si el fallo afecta a activos aguas abajo o a arrendatarios con SLA. Cuando la suma de los tres es sustancialmente mayor que el coste anualizado del paquete de sensorización, la primera condición se cumple; cuando es del mismo orden o menor, no.
La segunda condición es la disponibilidad de histórico de fallos suficiente para entrenar modelos o para calibrar umbrales con seriedad. Un modelo predictivo sin datos de comportamiento previos del activo, o sin acceso a un corpus industrial equivalente y bien mapeado, es un umbral fijo con nombre elegante. Si la clase de activo cuenta con dos o tres años de trazabilidad estructurada y con eventos de fallo suficientes para caracterizar patrones, la segunda condición se cumple; si no, la instrumentación funciona pero la analítica es especulativa.
La tercera condición es la economía por activo. El paquete de instrumentación tiene un umbral mínimo de sensato: si el valor unitario del activo y su coste anualizado de fallo son modestos, el paquete no llega a amortizar. Como orden de magnitud, activos con valor de reposición por debajo del entorno de los veinticinco a cincuenta mil euros suelen no justificar sensorización predictiva individualizada, salvo que su criticidad sea excepcional. Por encima de ese entorno, la sensibilidad económica cambia y el caso se sostiene con mayor frecuencia.
La cuarta condición es la madurez operativa para actuar sobre las alertas predictivas. Un aviso de degradación tres semanas antes del fallo no genera ahorro por sí solo: genera ahorro cuando la organización tiene ventana de mantenimiento planificable, cuando dispone del repuesto necesario y cuando el proceso de intervención sobre alerta —no sobre fallo— está definido, dotado y practicado. Sin madurez operativa, las alertas se acumulan sin traducirse en actos, y el sistema predictivo se convierte en una fuente de ruido que la organización empieza silenciosamente a ignorar.
Los tres modos de fallo cuando se salta demasiado pronto
Cuando la decisión se toma sin evaluar las cuatro condiciones, tres modos de fallo predecibles aparecen a los pocos meses. El primero es la instrumentación de activos cuyo coste esperado de fallo es inferior al coste anualizado del paquete de sensorización; el sistema funciona técnicamente pero no genera retorno. El segundo son las alertas predictivas que nadie actúa: se emiten con la cadencia prevista pero la cadena de intervención no está preparada para tratarlas. El tercero es la fatiga de falsos positivos: modelos mal calibrados o umbrales mal ajustados generan alertas que en su mayoría no anticipan fallo real, y el equipo de mantenimiento aprende a ignorarlas, con lo que los verdaderos positivos también se pierden.
La integración operativa como precondición
Lo que Maptainer aporta es la base sobre la que esa decisión se sostiene: un registro de activos georreferenciado con criticidad, historial de correctivo y preventivo vinculado al activo específico y contratista responsable, accesible por una API documentada en OpenAPI y sincronizable con sistemas externos por APIs REST. La plataforma de sensorización y el modelo de fallo viven fuera; lo que reciben de Maptainer es un historial limpio y trazable, que es la materia prima de cualquier modelo. Esta base no elimina la necesidad de que las cuatro condiciones se cumplan, pero es lo que permite que, cuando se cumplen, el resultado se traduzca operativamente en decisiones y no en dashboards paralelos.
La decisión granular por clase de activo
El mantenimiento predictivo no es una filosofía de mantenimiento que se adopta para la cartera completa. Es una inversión que se hace sobre clases de activos específicas donde las cuatro condiciones se cumplen. El asset manager que dice "no predictivo" en una clase donde las condiciones no se sostienen está haciendo el mismo trabajo técnico defensible que el que dice "sí predictivo" en la clase donde sí se sostienen. La conversación con dirección financiera se sostiene mucho mejor cuando la propuesta identifica dos o tres clases donde la sensorización compensa con detalle económico y descarta explícitamente el resto de la cartera con la misma disciplina. Esa selectividad es lo que separa a un operador que invierte en predictivo con criterio de uno que se lo compra al comercial que le llama.