Optimización de órdenes de trabajo en instalaciones múltiples con IA

Cómo la clasificación de órdenes de trabajo mediante IA ayuda a las instalaciones con múltiples sedes a reducir el riesgo, los costes y las emisiones de carbono.

Por qué la clasificación manual de las órdenes de trabajo no funciona en las instalaciones con múltiples sedes

Los equipos de instalaciones con múltiples sedes en sectores como la sanidad, la banca, la logística, el comercio minorista y la industria se enfrentan cada semana a la misma realidad: hay más solicitudes de mantenimiento que horas de trabajo de los técnicos. El volumen de trabajo acumulado de un lunes por la mañana puede incluir una avería en un sistema de refrigeración de un hospital, una alarma del SAI en el centro de datos de un banco, un problema con una rampa niveladora en un centro logístico y múltiples quejas relacionadas con el confort en las sucursales minoristas.

En teoría, los códigos de prioridad y los acuerdos de nivel de servicio (SLA) deberían determinar qué se hace primero. En la práctica, la clasificación suele depender de quién grita más fuerte, qué alarmas aparecen en qué pantalla y qué trabajos son más fáciles de programar. Las reparaciones críticas se quedan en el tintero, mientras que las tareas de menor impacto consumen la escasa capacidad disponible. La clasificación de órdenes de trabajo basada en IA ofrece una alternativa más disciplinada. En lugar de tratar cada ticket como un correo electrónico o una llamada telefónica aislados, los modelos de IA analizan el contexto completo: qué activo está afectado, qué importancia tiene para la seguridad y las operaciones, cuáles son los síntomas notificados, si fallos similares han provocado incidentes en el pasado y si la telemetría en tiempo real sugiere un fallo incipiente.

A continuación, asignan una prioridad dinámica y derivan el trabajo al equipo adecuado, convirtiendo una cola caótica en un plan basado en el riesgo. Los argumentos a favor del cambio son sólidos. Los análisis externos sobre los retrasos en el mantenimiento sugieren que muchas organizaciones acumulan entre 3 y 6 semanas de trabajo pendiente en términos de mano de obra, y que una parte significativa del tiempo de los técnicos se dedica a problemas que tienen un impacto limitado en la seguridad, el tiempo de actividad o el consumo energético. Los artículos sobre la priorización de órdenes de trabajo mediante IA muestran que, cuando las solicitudes se puntúan en función de la criticidad de los activos, el impacto de las averías y los resultados históricos, los equipos pueden reducir sistemáticamente las llamadas de emergencia y centrar los recursos donde más importan.

Otro ejemplo describe cómo el software de clasificación de incidencias del servicio de asistencia técnica basado en IA puede clasificar, deduplicar y derivar las incidencias en segundos en lugar de minutos, lo que libera a los coordinadores para que se ocupen de las excepciones y del rendimiento de los proveedores en lugar de realizar la clasificación manual. Para las organizaciones reguladas y con un gran número de activos, los beneficios van más allá de la eficiencia.

Cuando la clasificación mediante IA se integra en una plataforma de gestión de activos empresariales (EAM), como Nextbitt, cada decisión de priorización pasa a ser trazable. Las incidencias relacionadas con sistemas de alto riesgo —como los sistemas de climatización de hospitales que dan servicio a quirófanos y salas de aislamiento, la refrigeración y el suministro eléctrico de centros de datos, la gestión de equipajes en aeropuertos o la refrigeración en la logística farmacéutica o alimentaria— pueden ascender automáticamente en la cola y vincularse a categorías de riesgo específicas. Esto no solo reduce la probabilidad de que se produzcan incidentes graves, sino que también respalda la gobernanza de activos al estilo de la norma ISO 55001 y la elaboración de informes conformes con la CSRD, al mostrar cómo la capacidad de mantenimiento se dirige sistemáticamente hacia los activos con mayor impacto en la seguridad, el servicio y el rendimiento climático.

Diseño de un modelo de datos y de gestión de activos empresariales (EAM) preparado para la IA para las órdenes de trabajo

En carteras con múltiples emplazamientos, la clasificación de órdenes de trabajo mediante IA solo aporta valor cuando se basa en un modelo de datos limpio y compartido, y está integrada en la plataforma de gestión de activos empresariales (EAM) que ya coordina el mantenimiento. En la mayoría de las organizaciones reguladas, las solicitudes de trabajo llegan a través de numerosos canales: aplicaciones móviles para el personal de tiendas o sucursales, portales de servicio para inquilinos, centros de atención telefónica, correo electrónico, alarmas del sistema de gestión de edificios (BMS) y alertas del Internet de las cosas (IoT).

Cada solicitud presenta distintos niveles de detalle y puede estar vinculada o no a un activo específico. El primer paso es poner orden en este caos. Esto comienza con la jerarquía de activos y ubicaciones. Los hospitales, bancos, centros logísticos y redes minoristas necesitan una estructura común que refleje cómo prestan sus servicios: regiones, emplazamientos, edificios, plantas, zonas y sistemas (climatización, electricidad, protección contra incendios, seguridad, refrigeración, producción o equipamiento clínico). Dentro de esta estructura, cada activo recibe un identificador único y una clasificación de criticidad que refleja el impacto en materia de seguridad, funcionamiento, cumplimiento normativo y criterios ESG.

Por ejemplo, una unidad de refrigeración que da servicio a los quirófanos, un SAI en un centro de datos o un cuadro eléctrico principal en un centro logístico deberían situarse en un nivel de criticidad más alto que un fan coil en una zona administrativa. Una vez implantado este modelo, cada orden de trabajo —desde una solicitud de mantenimiento mediante código QR en el vestíbulo de una sucursal hasta un ticket automatizado procedente de un sensor de fugas conectado al IoT— debe estar vinculada a un activo específico o, como mínimo, a una ubicación precisa dentro de la jerarquía. A continuación viene la estandarización de los datos de las órdenes de trabajo. Las descripciones de texto libre siguen siendo útiles, pero los modelos de IA rinden mejor cuando también pueden basarse en campos estructurados: categoría (climatización, electricidad, fontanería, tejidos, limpieza, zonas exteriores), síntoma (falta de refrigeración, ruido, fuga, disyuntor disparado), impacto (seguridad, servicio, confort, aspecto), origen (alarma del sistema de gestión de edificios [BMS], evento de IoT, informe de usuario) y clase de SLA. Puede empezar por definir una taxonomía concisa que refleje sus problemas más habituales y, a continuación, utilizar la IA para clasificar los tickets históricos en estas categorías.

El motor de clasificación de la IA se sitúa entonces entre los canales de recepción y la cola del EAM. Cuando llega una solicitud, la IA analiza su texto, los archivos adjuntos, el contexto del activo y el origen para inferir la información que falta: categoría probable, síntoma probable, incidentes anteriores relacionados e impacto potencial en el negocio. Puede detectar duplicados —por ejemplo, varias quejas sobre el mismo ascensor— y fusionarlos en una única orden de trabajo más completa. Lo más importante es que asigna una puntuación de prioridad dinámica en lugar de basarse únicamente en etiquetas estáticas como «P1» o «P3». Esa puntuación suele depender de tres elementos: la criticidad del activo, la gravedad del problema notificado y el contexto, como la hora del día, el modo de funcionamiento actual y la carga estacional.

Cuando esta lógica se implementa en una plataforma de gestión de activos empresariales (EAM), cada dato metadato —ID del activo, criticidad, emplazamiento, categoría, síntoma, puntuación de IA— queda disponible para el seguimiento de los indicadores clave de rendimiento (KPI) y la mejora continua. A medida que el modelo de datos madura, las organizaciones pueden enriquecer las funciones de IA con telemetría en tiempo real y señales ESG. Por ejemplo, una orden de trabajo activada por una alarma de refrigeración en un almacén de la cadena de frío puede recibir una puntuación más alta si la monitorización energética del IoT muestra un consumo anormalmente elevado en el mismo circuito, o si el equipo afectado maneja productos farmacéuticos sujetos a estrictas normativas de temperatura.

Del mismo modo, las fugas o anomalías relacionadas con el agua en un hospital podrían recibir una mayor ponderación cuando el centro se encuentre en una región con estrés hídrico, tal y como se destaca en las evaluaciones de doble materialidad de la CSRD. De este modo, la clasificación de órdenes de trabajo mediante IA se convierte en un puente entre el mantenimiento diario y las prioridades estratégicas en materia de riesgo y sostenibilidad, lo que ayuda a los equipos a actuar allí donde cada hora de trabajo de los técnicos tenga el mayor impacto combinado en el tiempo de actividad, la seguridad y las emisiones de carbono.

Gobernanza, indicadores clave de rendimiento (KPI) y guías de implementación para la clasificación de órdenes de trabajo mediante IA

La gobernanza, los KPI y las guías de implementación determinan si la clasificación de órdenes de trabajo mediante IA se convierte en un elemento de confianza en el funcionamiento de los equipos de instalaciones o si sigue siendo un experimento utilizado por unos pocos entusiastas. Dado que muchos clientes de Nextbitt operan en sectores regulados, las decisiones influidas por la IA deben ser explicables, auditables y estar alineadas con los marcos existentes de gestión de activos y de criterios ESG. El punto de partida de la gobernanza es la responsabilidad.

Un grupo multifuncional —que suele incluir a las áreas de instalaciones, operaciones, HSE, ESG, TI y finanzas— debe ser el responsable de la política de clasificación mediante IA. Esta política define lo que se permite que haga la IA (por ejemplo, sugerir prioridades y categorías; aprobar automáticamente el enrutamiento de incidencias de bajo riesgo), en qué casos se requiere la aprobación humana (por ejemplo, reordenar las prioridades de los trabajos críticos para la seguridad o aplazar las inspecciones reglamentarias) y cómo se registran las excepciones.

Alinear estas medidas de seguridad con la gobernanza de la gestión de activos al estilo de la norma ISO 55001 y con las descripciones de riesgos de la CSRD ayuda a tranquilizar a los auditores y reguladores, ya que les garantiza que la IA es una herramienta controlada, no una «caja negra». Los KPI, a su vez, hacen visible el valor. Antes de activar la clasificación mediante IA, establezca una referencia del estado actual: antigüedad media de los tickets pendientes por centro y nivel de criticidad, proporción entre trabajos de emergencia y planificados, cumplimiento de los SLA y porcentaje de tickets vinculados a activos críticos.

Tras la implementación, realice un seguimiento de las tendencias en estos indicadores, junto con métricas más matizadas, como la proporción de horas de los técnicos dedicadas a activos de alta criticidad, la reducción de tickets duplicados o mal encaminados y las mejoras en la exhaustividad de los campos de datos. Los casos prácticos externos sobre flujos de trabajo de órdenes de trabajo impulsados por IA indican reducciones en el tiempo de clasificación de un 30 % o más y descensos significativos en los tickets mal priorizados, lo que libera a los responsables para que se centren en la planificación y el rendimiento de los proveedores en lugar de tener que apagar incendios en la bandeja de entrada.

Los manuales de adopción traducen la estrategia y los KPI en comportamientos cotidianos. Una secuencia práctica consiste en empezar en modo «copiloto»: la IA sugiere categorías y prioridades, pero los planificadores mantienen el control total y deben confirmar o ajustar cada recomendación. Esta fase proporciona valiosos datos de entrenamiento —cada anulación es un ejemplo etiquetado que puede mejorar el modelo— y ayuda a generar confianza, ya que los equipos ven en qué aspectos la IA coincide con su criterio y en cuáles necesita ajustes. Las sesiones periódicas de retroalimentación utilizan tickets reales para revisar las decisiones de la IA, debatir casos límite y perfeccionar las taxonomías.

Una vez que aumenta la confianza, las organizaciones pueden automatizar los segmentos de bajo riesgo de la carga de trabajo. Por ejemplo, la IA podría encargarse por completo de la clasificación y el enrutamiento de incidencias no críticas relacionadas con el confort o la apariencia, al tiempo que sigue proponiendo (pero sin imponer) prioridades para los tickets críticos para la seguridad o relacionados con el cumplimiento normativo. Con el tiempo, la clasificación mediante IA también puede aprender a agrupar el trabajo entre activos y emplazamientos cercanos, lo que reduce los desplazamientos y permite un uso más eficiente de los contratistas especializados —una palanca cada vez más importante tanto para los gastos operativos (OPEX) como para la reducción de las emisiones de carbono—. En todo momento, la comunicación es clave.

Los técnicos y los responsables locales deben comprender que la IA está ahí para ayudarles a dedicar más tiempo a tareas significativas, no para supervisarles ni sustituirlos. Compartir casos de éxito concretos —como un posible fallo en el centro de datos de un banco o en la sala de máquinas de un hospital que se detectó a tiempo porque la IA sacó a la luz el ticket a tiempo— ayuda a hacer tangibles los beneficios.

Cuando se combina con una plataforma como Nextbitt, que ya unifica activos, telemetría del IoT y análisis de sostenibilidad, la clasificación de órdenes de trabajo mediante IA se convierte en una extensión natural de los flujos de trabajo existentes, lo que ayuda a las instalaciones con múltiples emplazamientos a pasar de una gestión reactiva a un mantenimiento proactivo y basado en el riesgo que respalda tanto los objetivos de resiliencia como los de descarbonización.