Hablar de Machine Learning en mantenimiento ya no es novedad.
Sensores, modelos predictivos, dashboards.

La pregunta incómoda es otra:
👉 ¿estamos usando ML para gestionar activos… o solo para mantenerlos mejor?

El foco está mal puesto

Un estudio reciente muestra que la mayoría de aplicaciones de ML se concentran en:

• mantenimiento predictivo
• detección de fallas
• diagnóstico

Todo ocurre en operación.
ISO 55001 lo llamaría: Cláusula 8.

Funciona. Pero es insuficiente.

Lo que no se está haciendo

Las decisiones más críticas casi no usan ML:

• qué activos comprar
• cuándo reemplazarlos
• cómo gestionar su fin de vida

Es decir, optimizamos fallas… pero no el negocio.

El problema no es tecnológico

El ML ya probó que funciona.
El límite ahora es otro: cómo se usa para decidir.

Gestión de activos no es predecir fallas.
Es balancear:

• costo
• riesgo
• desempeño

Donde está la ventaja real

Las organizaciones que integren ML en todo el ciclo de vida del activo:

• decidirán mejor sus inversiones
• mejorarán su rendimiento operacional
• tendrán una gestión de activos real, no solo digital

👉 El salto no es más tecnología. Es mejor criterio.

Si este tema te hace sentido, vale la pena mirarlo con más profundidad.

Referencia:
Maletič, D., Medved, T., & Maletič, M. (2026). Applications of Machine Learning Techniques in Asset Management of Engineering Systems: A Bibliometric Analysis. Springer (aceptado para publicación).

———————————————————————————————————————————————————

Machine Learning: more data, less decisions

Talking about Machine Learning in maintenance is no longer new.
Sensors, predictive models, dashboards.

The uncomfortable question is different:
👉 are we using ML to manage assets… or just to maintain them better?

The focus is misplaced

Recent research shows ML applications concentrate on:

• predictive maintenance
• fault detection
• diagnostics

All within operations.
ISO 55001 would call it: Clause 8.

It works. But it’s not enough.

What is missing

Critical decisions are barely supported by ML:

• what assets to acquire
• when to replace them
• how to manage end-of-life

We optimize failures… not the business.

The issue is not technology

ML already proved its value.
The real limitation is how it supports decisions.

Asset management is not about predicting failures.
It is about balancing:

• cost
• risk
• performance

Where the real advantage lies

Organizations integrating ML across the full asset lifecycle will:

• make better investment decisions
• improve operational performance
• achieve real asset management

👉 The leap is not more technology. It is better judgment.

If this resonates, it’s worth exploring deeper.