Introducción
Las organizaciones que gestionan activos industriales se enfrentan cada vez más al mismo reto: mantener la confiabilidad operativa con recursos escasos.
No siempre hay suficiente tiempo, presupuesto o personal técnico para atender todos los equipos. Frente a esta realidad, la forma de decidir se vuelve tan importante como las propias acciones de mantenimiento.
Un reciente estudio publicado en IEEE Transactions on Reliability (Zhang, Liu, Zhang & Huang, 2025) presenta un modelo de mantenimiento selectivo inteligente que utiliza Inteligencia Artificial (IA) y Aprendizaje Automático (Machine Learning) para optimizar dinámicamente qué equipos mantener, cuándo hacerlo y con qué recursos disponibles.
Este enfoque abre una nueva etapa en la gestión de activos: pasar del mantenimiento planificado al mantenimiento que aprende y decide.
- El reto de mantener cuando los recursos no alcanzan
En operaciones mineras, manufactureras o energéticas, los equipos suelen requerir intervenciones durante paradas breves o entre misiones.
El problema es que el tiempo, el presupuesto y el personal son limitados.
Entonces, ¿cómo decidir qué componentes intervenir para maximizar la disponibilidad del sistema?
Esa es la esencia del mantenimiento selectivo, una práctica que busca priorizar las acciones de mantenimiento con mayor impacto. Sin embargo, la mayoría de los modelos tradicionales solo considera recursos consumibles (tiempo o dinero), ignorando las capacidades reales de mantenimiento: técnicos, talleres o equipos disponibles.
El estudio de Zhang y Liu propone incorporar esas capacidades dinámicas al modelo, reconociendo que en la práctica el mantenimiento depende tanto de los recursos físicos como del conocimiento y la coordinación del equipo.
- Una nueva forma de decidir: IA + Programación Dinámica Aproximada
El modelo se formula como un proceso de decisión de Markov (MDP), que permite determinar la mejor acción en cada momento según:
- El estado de los componentes,
- El tiempo disponible, y
- Las capacidades actuales del equipo de mantenimiento.
Resolver este tipo de problemas manualmente sería inviable. Por eso, los investigadores emplearon Programación Dinámica Aproximada (ADP), una técnica que estima el valor de cada decisión sin tener que evaluar todas las combinaciones posibles.
Luego, integraron Machine Learning, dando origen al enfoque ML-ADP (Machine Learning-Enhanced Approximate Dynamic Programming).
Este modelo aprende de casos pequeños y aplica lo aprendido a sistemas grandes, reduciendo el tiempo de cálculo sin perder precisión.
En palabras simples, la IA aprende a planificar como un experto, pero más rápido y con mejores resultados.
- Resultados comprobados en la industria
El modelo fue probado en un sistema de manufactura y en una flota de aeronaves.
Los resultados son contundentes:
- La probabilidad de éxito de la siguiente misión aumentó respecto a los métodos tradicionales.
- El tiempo de cómputo se redujo más del 80 %.
- El modelo alcanzó un desempeño muy cercano al ideal, como si se conocieran todos los tiempos y fallas de antemano.
Además, demostró que puede aprender de sistemas pequeños y luego aplicarse en sistemas grandes con precisión, lo que lo hace especialmente útil para plantas industriales o flotas donde las decisiones deben tomarse rápido.
- Qué pueden hacer las organizaciones
Para las empresas que buscan mejorar su eficiencia y productividad, esta investigación ofrece tres lecciones clave:
- 🧠 Decidir con datos: la IA ayuda a priorizar tareas críticas cuando los recursos escasean.
- ⚙️ Optimizar recursos: técnicos, repuestos y talleres pueden asignarse dinámicamente para maximizar el valor del mantenimiento.
- 📈 Aumentar la confiabilidad: con decisiones más informadas, las operaciones son más estables y rentables.
Conclusión
El mantenimiento inteligente no significa hacer más, sino decidir mejor.
La investigación de Zhang y Liu (2025) demuestra que los modelos basados en IA pueden transformar la gestión de mantenimiento, permitiendo a las organizaciones adaptarse a la incertidumbre y crear valor con los recursos disponibles.
