Una orden de trabajo describía la intervención así: “Como el domingo por la mañana.” Está en un artículo científico, textual. No es una anécdota de pasillo.

748 órdenes de 2.010

Giordano y Fantoni (2025) analizaron dos años de órdenes de trabajo de una sola máquina —una perforadora láser que produce inyectores, operando 24 horas al día— en la planta italiana de una empresa automotriz. Dos mil diez órdenes.

Setecientas cuarenta y ocho, el 37,21%, no contenían ninguna descripción de la intervención realizada. La falla estaba anotada. Lo que se hizo para resolverla, no.

Y el problema no es solo el vacío. En las que sí tienen texto, la longitud va de una palabra a 154. Las cortas —“reset driver”, “problemas de siempre”— no dicen nada. Las larguísimas mezclan el relato de la falla con la reparación, y hay que leerlas enteras para separar una cosa de la otra.

La misma falla, escrita de tres maneras

Los autores encontraron 1.208 modos de falla distintos en el texto. Al agruparlos por significado, quedaron 388. Es decir: cada falla real está escrita, en promedio, de tres formas diferentes.

El componente “pick and place” aparece como pèp, p2p y pich&place. “Verificato” aparece como “verif icato”, partido a la mitad. Para poder procesar los textos, los investigadores tuvieron que construir un diccionario de 45 abreviaturas propias de la planta, entrevistando a un operador y a un jefe de mantenimiento. Cuarenta y cinco términos que solo existen dentro de esa fábrica.

El efecto práctico llega cuando quieres priorizar. Las cuatro componentes más problemáticas —de doce— concentran el 73% de las fallas. Ese dato existe. Pero solo aparece después de normalizar el texto; en la base cruda está repartido entre decenas de nombres distintos para las mismas cosas.

El verbo más usado de tu planta es “verificar”

Al descomponer las reparaciones en sub-tareas —un verbo más un objeto— salieron 3.808 sub-tareas. El verbo más frecuente, de lejos, con presencia en unas 1.200 de ellas: verificar. Después vienen probar y controlar. Los verbos que describen una intervención real —sustituir, desmontar— aparecen en alrededor de un centenar.

Tu historial documenta sobre todo que alguien fue a mirar.

Y hay un número que explica por qué la IA no puede ayudarte todavía: entre las fallas que ocurrieron al menos diez veces, cada una está asociada en promedio a 32,5 verbos distintos y 63,89 objetos distintos. La misma falla, treinta y dos formas de contar cómo se arregló. Ningún algoritmo encuentra un patrón ahí.

Conclusión

Los autores separan las soluciones en dos columnas. La tecnológica: modelos que corrigen ortografía, reconocen sinónimos y resumen descripciones largas. La de gestión: definir un vocabulario común, un mínimo de detalle, una guía de cómo se describe una falla.

Y una advertencia que rara vez se lee en un paper: citan investigación sobre presionar al personal para que registre mejor y concluyen que forzar solo funciona con quien no tiene motivación propia; con quien sí la tiene, puede ser contraproducente. Lo que sí funciona es que la gente perciba que el registro le sirve para su propio trabajo.

Tu histórico no está mal escrito porque tus técnicos sean descuidados. Está mal escrito porque nadie les ha mostrado quién lee lo que escriben. Si esto conecta con un problema real en tu planta, escríbenos.

Referencia (APA): Giordano, V., & Fantoni, G. (2025). Decomposing maintenance actions into sub-tasks using natural language processing: A case study in an Italian automotive company. Computers in Industry, 164, 104186. https://doi.org/10.1016/j.compind.2024.104186

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

One work order described the intervention like this: “Like Sunday morning.” It’s in a peer-reviewed paper, verbatim. Not a corridor anecdote.

748 orders out of 2,010

Giordano and Fantoni (2025) analysed two years of work orders from a single machine —a laser drilling machine producing injectors, running 24 hours a day— at the Italian plant of an automotive company. Two thousand and ten orders.

Seven hundred and forty-eight, 37.21%, contained no description at all of the repair performed. The failure was recorded. What was done about it, wasn’t.

And the gap isn’t the only problem. Among those that do have text, length runs from one word to 154. The short ones —“reset driver”, “usual problems”— say nothing. The very long ones mix the story of the failure with the repair, and you have to read the whole thing to tell one from the other.

The same failure, written three ways

The authors found 1,208 distinct failure modes in the text. Grouping them by meaning left 388. In other words: each real failure is written, on average, in three different ways.

The “pick and place” component appears as pèp, p2p and pich&place. “Verificato” appears as “verif icato”, split in half. To process the texts at all, the researchers had to build a dictionary of 45 plant-specific abbreviations by interviewing one operator and one maintenance manager. Forty-five terms that exist only inside that factory.

The practical effect shows up when you want to prioritise. The four most problematic components —out of twelve— concentrate 73% of failures. That figure exists. But it only surfaces after normalising the text; in the raw database it’s scattered across dozens of different names for the same things.

Your plant’s most-used verb is “verify”

Breaking repairs down into sub-tasks —a verb plus an object— yielded 3,808 sub-tasks. The most frequent verb by far, present in about 1,200 of them: verify. Then test and check. Verbs that describe an actual intervention —replace, disassemble— appear in around a hundred.

Your history mostly documents that somebody went to look.

And one number explains why AI can’t help you yet: among failures that occurred at least ten times, each is linked on average to 32.5 different action verbs and 63.89 different objects. The same failure, thirty-two ways of telling how it was fixed. No algorithm finds a pattern in that.

Takeaway

The authors split the solutions into two columns. The technological one: models that fix spelling, recognise synonyms and summarise long descriptions. The managerial one: define a common vocabulary, a minimum level of detail, a guide for how a failure gets described.

And a warning you rarely read in a paper: they cite research on pressuring staff into better recording and conclude that pressure only works on people who lack intrinsic motivation; on those who have it, it can backfire. What does work is people perceiving that the record is useful for their own job.

Your history isn’t badly written because your technicians are careless. It’s badly written because nobody has shown them who reads what they write. If this connects with a real problem in your plant, write to us.

Reference (APA): Giordano, V., & Fantoni, G. (2025). Decomposing maintenance actions into sub-tasks using natural language processing: A case study in an Italian automotive company. Computers in Industry, 164, 104186. https://doi.org/10.1016/j.compind.2024.104186