Puntuación de riesgo de activos mediante IA para hospitales y bancos

Por qué los hospitales y los bancos necesitan ahora la evaluación del riesgo de los activos mediante IA

Los hospitales y los bancos europeos se ven sometidos a una presión simultánea para mejorar la resiliencia operativa, reducir los gastos operativos (OPEX) y demostrar que controlan los riesgos relacionados con el clima y los activos. En ambos sectores, el fallo de un solo activo crítico puede acarrear consecuencias desmesuradas: que se dispare el sistema de refrigeración de un quirófano durante una intervención quirúrgica, que un fallo en el cuadro eléctrico de un centro de datos deje fuera de servicio los sistemas de pago, o que un fallo en un SAI (sistema de alimentación ininterrumpida) comprometa tanto el tiempo de actividad como la seguridad.

Al mismo tiempo, marcos normativos como la CSRD y la ESRS, junto con normas de gestión de activos como la ISO 55001, están elevando las expectativas sobre cómo las organizaciones identifican, evalúan y gestionan los riesgos de infraestructura. Las matrices de criticidad tradicionales y las evaluaciones periódicas del estado ya no son suficientes por sí solas. Son estáticas, se basan poco en datos y, a menudo, están desconectadas de lo que los activos hacen realmente en el día a día. La puntuación del estado de los activos basada en la inteligencia artificial ofrece una forma de modernizar este panorama. Al combinar la telemetría en tiempo real procedente de sensores IoT y sistemas BMS/SCADA con el historial de mantenimiento y los datos contextuales en una plataforma de gestión de activos empresariales (EAM), los hospitales y los bancos pueden calcular puntuaciones de riesgo dinámicas para instalaciones de climatización, infraestructura eléctrica, sistemas contra incendios y otros activos críticos.

Estas puntuaciones ayudan a los equipos de instalaciones y de gestión de riesgos a ver, de un solo vistazo, qué activos se están desplazando hacia bandas de riesgo más elevadas y por qué. En los hospitales, las primeras implementaciones de la evaluación del estado de los activos basada en la IA se centran en los equipos que afectan directamente a la seguridad de los pacientes y al control de infecciones: unidades de tratamiento de aire de los quirófanos, instalaciones de esterilización, generadores de emergencia y dispositivos médicos críticos.

En el caso de los bancos, se están aplicando modelos similares a los cuadros de distribución, los sistemas SAI, las unidades CRAC y la infraestructura de seguridad en centros de datos y sucursales principales, alineando la información sobre el riesgo de los activos con los requisitos de resiliencia operativa y la presentación de informes, conformes con la CSRD, sobre incidentes y consumo energético. La clave está en evitar tratar la puntuación mediante IA como un experimento aislado. Por el contrario, debe integrarse en un marco sólido de gestión de activos empresariales (EAM) y de gestión de riesgos que ya defina las jerarquías de los activos, los criterios de criticidad y las reglas de decisión.

Las directrices centradas en la norma ISO 55001 sobre la criticidad de los activos y la gestión de riesgos hacen hincapié en que la criticidad es una función de la consecuencia y la probabilidad (guía de riesgos de activos de la ISO 55001). La IA refuerza el aspecto de la «probabilidad» al convertir los datos en tiempo real sobre el estado y el rendimiento en indicadores cuantitativos, mientras que la consecuencia sigue derivándose de su comprensión empresarial y clínica. Cuando se implementa de esta manera —e integrada con plataformas como Nextbitt que unifican activos, el IoT y la sostenibilidad—, la puntuación de estado de salud basada en IA se convierte en una herramienta fiable para priorizar las órdenes de trabajo, justificar el CAPEX y demostrar a los organismos reguladores que el riesgo se gestiona de forma proactiva, no reactiva.

Diseño de puntuaciones de estado y riesgo de activos basadas en IA para carteras críticas

Diseñar puntuaciones de estado y riesgo de activos basadas en IA que funcionen para hospitales y bancos significa partir de la gobernanza, no de los algoritmos. Los organismos reguladores, la auditoría interna y los comités clínicos o de riesgos solo aceptarán decisiones asistidas por IA si pueden ver una línea clara entre los objetivos empresariales, los datos de entrada y los resultados de los modelos. Un enfoque práctico consiste en integrar la puntuación del estado de los activos en el sistema de gestión de activos ISO 55001 ya existente.

Dicha norma ya exige que se definan la criticidad de los activos, los criterios de riesgo y los objetivos de rendimiento; la IA se convierte simplemente en otra forma de cuantificar la parte de «probabilidad» de la ecuación de riesgo utilizando datos en tiempo real sobre el estado y el rendimiento, en lugar de basarse únicamente en fallos históricos. En la práctica, lo primero es definir qué debe representar una puntuación de estado. En el caso de una máquina de refrigeración de un hospital que abastece a los quirófanos, o del cuadro eléctrico principal de un banco en un centro de datos de nivel III, la puntuación debe reflejar tanto el estado técnico (¿a qué punto está de fallar?) como el impacto en el servicio (¿qué riesgo supone para los pacientes, las transacciones o el cumplimiento normativo?).

Las directrices sobre criticidad y riesgo de la norma ISO 55001 (Guía de criticidad y riesgo de la ISO 55001) sugieren una matriz de consecuencias en materia de seguridad, operativas, medioambientales, financieras y de reputación, combinadas con la probabilidad de fallo. Los modelos de IA se centran entonces en predecir la probabilidad, mientras que las consecuencias se derivan de la evaluación de criticidad. A continuación, se seleccionan y conectan las fuentes de datos. En el caso de los sistemas de climatización, alimentación eléctrica y seguridad de las personas, esto suele incluir puntos del sistema de gestión de edificios (BMS) o del sistema SCADA (temperaturas, presiones, corrientes), sensores de Internet de las cosas (IoT) (vibraciones, calidad de la energía, calidad del aire interior) y el historial de gestión de activos (EAM) (antigüedad, modos de fallo, órdenes de trabajo).

En las instalaciones bancarias, surgen patrones similares en torno a los sistemas SAI, los conmutadores y las unidades de refrigeración de los centros de datos, donde pequeños cambios en el consumo eléctrico o en la estabilidad de la temperatura suelen preceder a los incidentes. El propio diseño del modelo debe favorecer la transparencia. En lugar de una única puntuación opaca, muchas organizaciones utilizan un pequeño conjunto de componentes interpretables —como el estado, el rendimiento, la utilización y la calidad de los datos— combinados en un índice de estado general.

Cada componente se rige por una combinación de reglas (por ejemplo, «inspección atrasada» o «más allá de la vida útil prevista») y características de aprendizaje automático (por ejemplo, anomalías en las tendencias de vibración o temperatura). Este enfoque híbrido facilita explicar a los auditores por qué ha cambiado la puntuación de un activo: tal vez se hayan retrasado las inspecciones, hayan variado los perfiles de carga o las tendencias de los sensores indiquen fallos incipientes. Las políticas de activos compatibles con la norma ISO 55001 pueden definir entonces qué acciones corresponden a los distintos rangos de puntuación: supervisión rutinaria, inspección específica, planificación acelerada de la renovación o mitigación inmediata del riesgo.

Por último, se necesita un ciclo de retroalimentación. Los técnicos e ingenieros deben poder confirmar, refinar o anular las puntuaciones generadas por la IA sobre el terreno, y sus decisiones deben incorporarse al reentrenamiento del modelo. Con el tiempo, este enfoque «human-in-the-loop» mejora la precisión y la confianza: las puntuaciones de estado que coinciden con frecuencia con los hallazgos reales se convierten en ayudas fiables para la toma de decisiones; las que no lo hacen se ajustan o se descartan. Los paneles de control que muestran cómo se correlacionan las puntuaciones con las averías, el tiempo de inactividad y las desviaciones energéticas ayudan a los equipos de gestión de riesgos y de ESG a comprender que el sistema no es una «caja negra», sino una extensión, respaldada por pruebas, del marco de gestión de activos que ya conocen.

Creación de un modelo de riesgo de activos preparado para la IA en el que puedan confiar sus auditores

Crear un modelo de riesgo de activos preparado para la IA en el que puedan confiar tus auditores es, en última instancia, una cuestión de procesos y pruebas. A los reguladores y a los departamentos de auditoría interna les interesa menos el algoritmo más reciente que el hecho de que puedas demostrar que existe un control: quién es el responsable del modelo, cómo se valida, cómo se documentan las decisiones y cómo se escalan los riesgos.

Esto significa integrar la evaluación del estado mediante IA en sus estructuras existentes de riesgo y gobernanza, y no ejecutarla como un proyecto piloto independiente en el equipo de ingeniería. Un buen punto de partida es tratar los modelos de IA como «métodos» dentro de su sistema de gestión de activos según la norma ISO 55001. Cada modelo tiene un responsable, una finalidad documentada, datos de entrada definidos y reglas claras sobre cuándo sus resultados pueden influir en las decisiones de mantenimiento, operaciones o CAPEX. Las guías de riesgo de activos de la norma ISO 55001 hacen hincapié en la necesidad de establecer niveles explícitos de apetito de riesgo y tolerancia al riesgo (orientaciones de la norma ISO 55001 sobre apetito de riesgo y tolerancia al riesgo).

Puede alinear los umbrales de las puntuaciones de estado con estos conceptos: por ejemplo, los activos que superen una determinada banda de riesgo deben contar con planes de mitigación en un plazo específico, y todas las decisiones basadas en modelos que superen un umbral de coste o de riesgo requieren aprobación humana y documentación. La validación es el segundo pilar. Antes de utilizar las puntuaciones de estado para decisiones de gran importancia —como aplazar una sustitución importante o modificar los regímenes de mantenimiento—, conviene ponerlas a prueba en «modo simulado» durante varios meses.

Durante este periodo, se calculan las puntuaciones, pero no modifican las acciones; en su lugar, se comparan las predicciones con los fallos reales, los defectos detectados durante las inspecciones y los tiempos de inactividad no planificados. Cuando las puntuaciones demuestran su capacidad predictiva, se obtienen pruebas que respaldan su adopción; cuando no es así, se ajustan las características, los umbrales o las técnicas de modelización.

La documentación cierra el ciclo. Para cada decisión importante en la que intervenga la IA —como reordenar las prioridades de una cola de órdenes de trabajo o reajustar un plan de CAPEX—, debe poder rastrear qué puntuaciones se tuvieron en cuenta, qué criterio humano se aplicó y qué resultado se obtuvo. Esta trazabilidad es esencial no solo para las auditorías, sino también para la mejora continua: con el tiempo, se aprende qué patrones de puntuaciones y acciones ofrecen la mejor combinación de fiabilidad, coste y reducción de emisiones de carbono en hospitales e instalaciones bancarias.

Plataformas como Nextbitt, que ya combinan registros de activos multisede, telemetría del IoT y análisis de sostenibilidad, constituyen el entorno ideal para este modelo de gobernanza (artículo «EAM para bancos como motor de riesgo»). Al configurar su EAM como el sistema de registro de los riesgos de los activos y las puntuaciones de estado, se asegura de que los conocimientos derivados de la IA se plasmen en órdenes de trabajo estructuradas, registros de riesgos y planes de inversión, en lugar de quedarse confinados en paneles de control experimentales. El resultado es un motor de riesgo de activos defendible y basado en IA que ayuda a hospitales y bancos a reducir los fallos, respaldar las divulgaciones de la CSRD y satisfacer a unos reguladores cada vez más exigentes.