ROI de IA en industria: 5 arquetipos con métricas que se pueden auditar.
No casos de marketing. Cinco arquetipos representativos del sector industrial español, basados en patrones recurrentes en proyectos públicos y benchmarks ONTSI / McKinsey 2024 para pymes industriales entre 80 y 320 empleados. Las cifras son ilustrativas pero las proporciones son las que devuelven los proyectos del sector.
Metodología y por qué estos arquetipos son útiles
Los cinco casos no son proyectos individuales firmados con un cliente concreto: son arquetipos representativos que sintetizan los patrones recurrentes que se observan en proyectos públicos del sector industrial español, en benchmarks de ONTSI 2024 y en el McKinsey State of AI 2024. Los detalles concretos de los proyectos cerrados con nuestros propios clientes los compartimos en la primera llamada bajo NDA, no en un blog público.
¿Por qué este formato y no otro? Porque la pregunta real de un Director General es “¿cuánto cuesta y cuándo recupero?”, y para responderla hace falta entrar al detalle: inversión total (no solo licencia, también horas internas y consultoría), calendario (semana 1 a estabilización), métrica primaria que justifica ante comité, y métricas secundarias que aparecen sin estar previstas. Las cifras concretas de cada arquetipo son ilustrativas — los rangos y proporciones reflejan lo que se ve en proyectos del sector.
Lo que no reportamos es el ROI total a 24 meses, porque casi siempre se infla con beneficios indirectos discutibles. Reportamos el punto de equilibrio — el mes en que la inversión se ha recuperado contando solo el beneficio directo medible.
El ROI honesto se cuenta en meses al equilibrio, no en porcentajes a 3 años.
Caso 1 · Componentes mecánicos · planificación de producción
| Arquetipo | Fabricante de componentes para automoción · pyme industrial 150-250 empleados |
|---|---|
| Pieza implantada | Asistente de planificación basado en histórico de pedidos + capacidad real de planta |
| Inversión total año 1 | 58.000 € (licencia 22k + integración ERP 14k + 22k horas internas) |
| Calendario | Semana 1 a producción: 11 semanas · Estabilización: semana 18 |
| Métrica primaria | Tiempo de planificación semanal: 6h → 45 min (-87%) |
| Punto de equilibrio | Mes 9 |
Lo que se midió secundariamente: -34% de cambios de planificación intra-semana (por errores de previsión), y +12% de cumplimiento de fecha comprometida con cliente. El segundo número fue el que decidió la renovación, no el ahorro de tiempo.
Qué falló: los primeros 3 meses, el modelo no integraba bien las paradas no planificadas. Hubo que añadir un endpoint manual donde el jefe de planta podía marcar “máquina X parada hasta tal día”. Sin ese arreglo, la pieza era inservible.
Caso 2 · Alimentación · control de calidad visual
| Arquetipo | Conservas vegetales · pyme industrial 200-300 empleados |
|---|---|
| Pieza implantada | Visión por computador en línea de envasado para detectar defectos visuales (color, sellado, etiqueta) |
| Inversión total año 1 | 92.000 € (cámaras + edge GPU 38k + modelo entrenado 24k + integración + horas) |
| Calendario | Semana 1 a producción: 16 semanas · Estabilización: semana 26 |
| Métrica primaria | Reclamaciones por defecto visual: 1.2/mes → 0.2/mes (-83%) |
| Punto de equilibrio | Mes 14 |
Es el proyecto con mayor inversión absoluta y el segundo más lento al equilibrio. El cliente lo justificó porque cada reclamación grande costaba más de 8.000 € entre logística inversa, reposición y reputación con el retailer. Reducir reclamaciones en esa proporción superaba el coste anual.
Qué falló: el primer modelo tenía un 4% de falsos positivos. Eso significaba parar la línea innecesariamente cada 200 unidades. Llegó a generar tanta resistencia operativa que casi se cancela el proyecto en mes 4. Reentrenar con datos del cliente bajó al 0.6% — viable.
Caso 3 · Plásticos · mantenimiento predictivo
| Arquetipo | Inyección plástica B2B · pyme industrial 80-120 empleados |
|---|---|
| Pieza implantada | Modelo predictivo de fallo en moldes (vibración, temperatura, ciclos) |
| Inversión total año 1 | 34.000 € (sensores 12k + plataforma 14k + integración 8k) |
| Calendario | Semana 1 a producción: 8 semanas · Estabilización: semana 14 |
| Métrica primaria | Paradas no planificadas: 11h/mes → 4h/mes (-64%) |
| Punto de equilibrio | Mes 6 |
El proyecto más rápido al equilibrio del análisis. Razones: pieza muy específica, métrica medible directamente en SCADA, equipo mantenimiento muy implicado desde el día 1. El proveedor no tuvo que vender nada — la planta lo pidió tras un fallo grave que paró producción 3 días.
Métricas secundarias: -22% de stock de piezas de repuesto (predijeron mejor cuándo se necesitaban) y +6% de OEE en las dos líneas equipadas.
Caso 4 · Textil técnico · forecast de demanda
| Arquetipo | Textil técnico para industria · pyme 120-180 empleados |
|---|---|
| Pieza implantada | Modelo forecast a 90 días por SKU + escenarios “what-if” |
| Inversión total año 1 | 41.000 € |
| Calendario | Semana 1 a producción: 10 semanas · Estabilización: semana 22 |
| Métrica primaria | Stock obsoleto a 12 meses: -28% |
| Punto de equilibrio | Mes 11 |
El proyecto donde más se discutió el ROI. La métrica primaria es difícil de aislar porque el contexto macro (post-pandemia, tensiones logística) afectaba en paralelo. La empresa decidió contar solo el ahorro directamente trazable a decisiones de compra modificadas por el sistema. Aún así, el modelo se ganó la renovación.
Qué falló: los primeros 3 meses, el modelo era muy conservador y el equipo lo sobrescribía manualmente el 70% de las veces. Hubo que añadir transparencia (mostrar qué datos usaba) para que confiaran. La adopción real no llegó hasta el mes 7.
Caso 5 · Metalmecánica · ofertas técnicas
| Arquetipo | Calderería industrial · pyme 60-100 empleados |
|---|---|
| Pieza implantada | Asistente de elaboración de ofertas técnicas (planos + memoria + escandallo) |
| Inversión total año 1 | 26.000 € |
| Calendario | Semana 1 a producción: 6 semanas · Estabilización: semana 10 |
| Métrica primaria | Tiempo medio elaboración oferta: 11h → 3h (-73%) |
| Punto de equilibrio | Mes 4 |
El más rápido al equilibrio en términos absolutos. Tarea muy estructurada (ofertas técnicas siguen un formato fijo), datos disponibles (10 años de ofertas pasadas), volumen suficiente (35 ofertas/mes). Caso modélico para empezar con IA.
Métricas secundarias: +18% tasa de oferta presentada en plazo (antes muchos prospectos se enfriaban) y +8 puntos en NPS de cliente (apreciaron la rapidez).
Patrones que se repiten en los 5 casos
El equilibrio llega entre el mes 4 y el 14
Sin excepción. El que dice 18 meses suele estar maquillando un proyecto que no funciona. El que dice 2 meses está ignorando costes ocultos. El rango realista es 4-14 meses — y si tu proyecto se acerca al límite alto, conviene revisar si la pieza está bien elegida.
Las métricas secundarias deciden la renovación
En los 5 casos, la métrica que decidió continuar el contrato a 24 meses no fue la primaria. Fue una secundaria que apareció sin estar prevista: cumplimiento de fecha, NPS, OEE, reducción de stock. Por eso es importante medir más métricas de las que estrictamente justifican el proyecto.
El reentrenamiento con datos propios no es opcional
En 4 de los 5 casos, el modelo “estándar” del proveedor fue insuficiente. Los proyectos que tuvieron éxito asumieron desde el día 1 que el modelo iba a necesitar reentrenamiento con datos del cliente. Los que confiaron en el modelo genérico tuvieron crisis de adopción en el mes 3.
La integración con sistemas legacy es el 40% del coste
El precio de licencia es la parte visible. El coste real de IA en industria es la integración con SCADA, ERP, MES, sistemas de calidad. Si el proveedor no detalla este capítulo, asume que tu equipo va a hacer ese trabajo y súmalo al presupuesto.
Cómo decidir si tu industria está lista
Si después de leer estos 5 casos te preguntas “¿es para mi empresa?”, la respuesta corta es: probablemente sí, pero no en cualquier proceso. Los 5 casos comparten 4 condiciones:
- Volumen suficiente: el proceso ocurre al menos 30 veces al mes. Por debajo de eso, la inversión casi nunca cuadra.
- Datos disponibles y limpios: al menos 12 meses de histórico digitalizado y consultable.
- Métrica primaria auditable: alguien en la empresa ya mide hoy ese KPI con un dashboard real.
- Sponsor operativo, no de TI: el dueño del proyecto trabaja en la planta o en operaciones, no en innovación.
Si tu proyecto cumple las cuatro, el escenario es bueno. Si falla en una, hay que arreglar esa antes de comprar nada. Si fallan dos, posponer 6 meses es la decisión correcta.