Resumen
Las organizaciones de los sectores de la fabricación, el petróleo y el gas, la energía, los servicios públicos, la minería y los productos químicos se enfrentan a una presión cada vez mayor para aumentar la disponibilidad de los activos y, al mismo tiempo, contener los costes. Las paradas no planificadas constituyen el principal motivo de esa presión y se han convertido en el mayor coste oculto de las operaciones industriales.
Siemens, en su informe «El verdadero coste del tiempo de inactividad 2024», cuantificó el problema en aproximadamente $1,4 billones al año entre las 500 empresas más grandes del mundo. Lo más llamativo es la tendencia: el coste ha aumentado un 62 % desde 2019, a pesar de que el número de incidentes ha disminuido. Las paradas son menos frecuentes, pero cada una de ellas resulta más costosa, ya que las plantas funcionan con menos personal y los costes ocultos asociados a cada incidente han aumentado.
Este informe retoma el tema donde lo deja la cifra macroeconómica. Identifica dónde se acumula realmente la pérdida y, lo que es aún más útil, qué parte de ella es recuperable. La respuesta breve que se desprende del análisis de Verdantis es la siguiente: la mayor parte de las pérdidas no se debe al fallo mecánico en sí, sino a la respuesta que se da ante él, a la búsqueda de la pieza adecuada y de los datos necesarios para utilizarla, y una gran parte de esas pérdidas es recuperable sin necesidad de aumentar la plantilla.
Resumen de las principales conclusiones
Objetivo del informe
Los datos de mantenimiento, reparación y operaciones (MRO) y de activos suelen estar dispersos entre sistemas ERP, CMMS y hojas de cálculo, lo que convierte el tiempo de inactividad en una fuente de pérdidas recurrentes en lugar de un riesgo controlado. Este informe cuantifica el impacto de los datos conectados sobre piezas y activos en el coste del tiempo de inactividad, la recuperación y el capital circulante, y ofrece a los responsables de operaciones puntos de referencia basados en datos empíricos sobre los que tomar medidas.
Los objetivos principales del informe son establecer referencias fundamentadas sobre el coste del tiempo de inactividad no planificado, basadas en estudios publicados; mostrar en qué parte de la cifra global se encuentra el dinero recuperable; clasificar las medidas que permiten reducir más tiempo de inactividad por unidad de esfuerzo; y respaldar las decisiones sobre la gestión de activos empresariales (EAM), el mantenimiento predictivo y la estrategia de inventario de MRO con estimaciones basadas en datos.
Metodología y alcance
Las cifras que figuran en este informe no proceden de una encuesta realizada sobre el terreno a los encuestados. Se trata de estimaciones obtenidas a partir de modelos, elaboradas combinando investigaciones publicadas con los modelos de escenarios de Verdantis, y se indican en todo momento como «análisis de Verdantis» o «estimación de Verdantis», de modo que nunca haya dudas sobre su fundamento. El enfoque combina cuatro métodos.
Anclaje de referencia. El coste macro se ha extraído directamente del informe de Siemens «True Cost of Downtime 2024». Los valores de referencia independientes del coste por hora de tiempo de inactividad proceden de Aberdeen. Las cifras relativas al tiempo de intervención, el inventario de MRO y el mantenimiento predictivo proceden de estudios sectoriales publicados (entre otros, de Deloitte y McKinsey), y los índices de patrones de fallo, de la bibliografía sobre fiabilidad (Nowlan y Heap).
Modelización basada en escenarios. Se aplican las tasas de coste por tiempo de inactividad específicas de cada sector a una instalación representativa con un elevado nivel de activos para estimar la pérdida anual y la parte recuperable mediante cada medida, utilizando rangos de valores en lugar de valores puntuales.
Triangulación de datos. Los resultados del modelo se comparan con los valores de referencia publicados anteriormente para garantizar que se mantengan dentro de unos límites razonables.
Validación prospectiva. Se ha diseñado un cuestionario estructurado para contrastar estas estimaciones con los datos facilitados por los operadores, y los resultados se incorporarán a este informe tan pronto como estén disponibles.
Ámbito de aplicación: sectores y índices de coste del tiempo de inactividad modelizados
El modelo utiliza tarifas representativas del coste por hora de inactividad para seis sectores con un uso intensivo de activos. Se trata de datos de entrada, no de respuestas a encuestas, y pueden adaptarse a una operación concreta.
| Industria | Coste modelizado del tiempo de inactividad por hora |
|---|---|
| Fabricación discreta | $260,000 |
| Petróleo y gas | $250,000 |
| Productos químicos | $190,000 |
| Minería y metalurgia | $187,500 |
| Energía y servicios públicos | $160,000 |
| Alimentación y bebidas | $120,000 |
La anatomía de los $1,4 billones
Normalmente, los tiempos de inactividad se abordan abordando una causa cada vez. Verdantis los clasifica en cinco ámbitos interrelacionados y, dado que estos ámbitos están vinculados entre sí, la falta de piezas puede convertir un fallo aislado en uno prolongado y costoso. Ninguna función en concreto es la principal responsable.
El ámbito de los recambios solo representa una octava parte de las averías, pero es el factor que más influye en el tiempo que un activo permanece fuera de servicio una vez que se produce una avería. Ese es el tema recurrente de este informe, y la razón por la que gestión de repuestos críticos recibe más atención de la que cabría esperar solo por el número de incidentes que se producen.
Principales conclusiones de la investigación
1. El coste de las paradas imprevistas
2. La mayoría de los fallos son aleatorios
Por eso el trabajo basado en las condiciones es más importante que el calendario. La visión completa se encuentra en nuestro conjunto de datos complementario en estadísticas de mantenimiento predictivo.
3. Las piezas y los datos determinan el tiempo de reparación
4. ¿Qué es recuperable?
5. El lastre que suponen las existencias y las compras
Repercusión financiera consolidada
La tabla siguiente resume la recuperación anual prevista para una única instalación representativa con un elevado nivel de activos, desglosada por palanca financiera. Las cifras son estimaciones del escenario de Verdantis expresadas en forma de rangos, calibradas según los valores de referencia de la metodología. Son orientativas y no son estrictamente acumulativas.
| Palanca | Qué recupera | Bajo | Alta |
|---|---|---|---|
| Mantenimiento predictivo | Detección precoz de fallos aleatorios | $14M | $20M |
| Disponibilidad de piezas y datos | Menor tiempo de reparación, menos roturas de stock | $4M | $7M |
| Productividad de la plantilla | Más tiempo de trabajo, menos búsqueda | $2M | $3M |
| Inventario y aprovisionamiento | Menores costes de mantenimiento, menos compras de emergencia | $2M | $4M |
| Recuperación total prevista por centro | $22M | $34M |
Análisis de Verdantis, por centro, rangos previstos. Los resultados de la implantación varían en función de la madurez operativa y deben validarse con los datos del operador.
El giro hacia la IA en el mantenimiento
La recuperación a la que se refiere este informe no se refleja en el aumento de la plantilla, sino en el paso de la IA de los proyectos piloto en las oficinas administrativas a la planta de producción, al almacén y a la cola de órdenes de trabajo. El mercado de la IA aplicada al mantenimiento predictivo es ahora una de las categorías de más rápido crecimiento en el sector del software industrial, con previsiones de los analistas que oscilan entre una tasa de crecimiento anual compuesto de entre el 15 % y casi el 40 %, lo que indica que los operadores con un gran volumen de activos están pasando de un enfoque reactivo a uno proactivo a gran escala.
En el ámbito del MRO, el valor reside en los agentes, no en un chatbot. Los agentes de IA evalúan continuamente la criticidad de las piezas y los activos, prevén la demanda de repuestos, establecen puntos de reposición dinámicos y señalan las órdenes de trabajo que corren el riesgo de quedarse sin alguna pieza antes de que se aprueben. Cada agente transmite al siguiente una señal más clara, de modo que el planificador se centra en el reducido número de artículos que entrañan un riesgo real, en lugar de tener que clasificar miles de ellos, con un humano que apruebe cada cambio.
El mantenimiento predictivo basado en el estado de los equipos es la vanguardia, ya que es el único enfoque que aborda aproximadamente el 83 % de las averías que son aleatorias y no están relacionadas con la antigüedad. Los beneficios ya están demostrados: hasta un 70 % menos de averías y unos costes de mantenimiento un 25 % más bajos (Deloitte, McKinsey). Esa es la lógica que subyace a un Enfoque basado en la inteligencia artificial para la gestión de activos empresariales: conecta primero las señales de las piezas, los activos y las órdenes de trabajo; a continuación, deja que los agentes se encarguen de las decisiones rutinarias con una acción recomendada, de modo que el personal cualificado quede libre para ocuparse de aquellas que requieran criterio.
Retos y oportunidades
Datos fragmentados sobre piezas y activos. La misma pieza física aparece con varias descripciones y números de referencia, las ubicaciones en los almacenes son incorrectas y los manuales de los activos están desactualizados. Esta es la causa principal de la «búsqueda del tesoro» y de las compras duplicadas.
Flujos de trabajo manuales y reactivos. Cuando las órdenes de trabajo siguen gestionándose mediante hojas de cálculo y en papel, los trabajos se ponen en marcha sin confirmar la pieza ni el plan, lo que convierte una reparación rápida en una interrupción prolongada del servicio.
Políticas estáticas de almacenamiento y reposición. Los puntos de reabastecimiento y el stock de seguridad suelen fijarse una sola vez durante la configuración del sistema y nunca se revisan, lo que provoca tanto la falta de existencias de piezas críticas como un exceso de existencias del resto. La política ya no refleja el consumo real, los plazos de entrega ni el grado de criticidad.
Freno en la mano de obra. Los técnicos cualificados pasan la mayor parte de su turno sin utilizar llaves inglesas. Recuperar ese tiempo es una de las mayores fuentes de capacidad que pasan desapercibidas a simple vista.
Ventajas estratégicas de un sistema EAM conectado
| Zona | Impacto clave | Base |
|---|---|---|
| Mantenimiento predictivo | Detecta fallos aleatorios antes de que provoquen una parada de la línea | Hasta 70% averías menos (Deloitte) |
| Datos sobre piezas y activos | Menor tiempo de reparación y menos roturas de stock | Los componentes son el controlador #1 del tiempo de reparación (Verdantis) |
| Optimización de inventarios | Menos capital inmovilizado en excedentes y existencias muertas | El artículo 15-25% del inventario de mantenimiento, reparación y operaciones (MRO) es excedente (sector industrial) |
| Adquisiciones estratégicas | Menos compras de emergencia a precios elevados | Prima de emergencia 30-60% no cobrada (sector) |
| Productividad de la plantilla | Más tiempo para practicar, menos tiempo buscando | +20-30 puntos de tiempo de intervención cuando el trabajo está planificado (sector industrial) |
Los rangos específicos de resultados de la implantación de MRO360 —que abarcan la liberación de capital circulante, la reducción del gasto de emergencia y la reducción del tiempo de inactividad— están disponibles previa solicitud como rangos estimados, a la espera de la aprobación del producto y de las autoridades competentes.
Un enfoque viable
Para reducir la brecha es necesario adoptar un enfoque por etapas que combine la evaluación de la criticidad, la disciplina en la gestión de existencias y la tecnología predictiva. Verdantis recomienda la siguiente secuencia.
Revisa los registros de piezas, activos y órdenes de trabajo, y cuantifica cuánto tiempo de inactividad y capital circulante se debe a la falta de existencias, al stock muerto y a la búsqueda de piezas.
Conjunto criticidad de las piezas y los activos De este modo, las existencias, los márgenes de seguridad y la atención de los planificadores se destinan a aquellos ámbitos en los que un fallo realmente tiene consecuencias negativas.
Link vincula las piezas de recambio con los equipos y las órdenes de trabajo a los que corresponden, de modo que la pieza adecuada y su ubicación aparecen antes de que el técnico las necesite.
Optimizar el nivel de existencias con Gestión de inventarios MRO y la previsión de la demanda para reducir tanto la falta de existencias como el exceso de stock, y hacer que los puntos de reposición sean dinámicos.
Implementar EAM basado en IA para detectar fallos aleatorios en una fase más temprana, cuando aún hay tiempo para preparar la pieza y el plan.
Realiza aquí un seguimiento del tiempo de inactividad, la tasa de acierto del inventario y la recuperación con respecto a las estimaciones, y ve ampliando el análisis partiendo de los activos de mayor impacto.
Preguntas frecuentes
Preguntas frecuentes sobre el coste de los paros imprevistos, qué factores los provocan y cuánto pueden recuperar, de forma realista, las operaciones con un uso intensivo de activos.
¿Cuánto cuesta realmente un tiempo de inactividad no planificado?
Siemens cifra esta cantidad en unos **$1,4 billones al año** entre las 500 empresas más grandes del mundo, lo que supone aproximadamente el 11 % de sus ingresos. Un índice de referencia independiente de Aberdeen se sitúa en torno a $260 000 por hora en el sector manufacturero, y los modelos de Verdantis estiman unas pérdidas anuales de unos $56 millones en una sola planta con un uso intensivo de activos.
¿Por qué el tiempo de inactividad resulta cada vez más costoso si los incidentes están disminuyendo?
Las plantas funcionan con menos personal que en 2019, por lo que cada parada supone una mayor pérdida de producción y los costes ocultos asociados a ella han aumentado. Siemens registra un aumento del 62 % en el coste del tiempo de inactividad desde 2019, a pesar de que los incidentes han disminuido. El coste se ha desplazado hacia la respuesta: la búsqueda de la pieza adecuada, los datos necesarios para utilizarla y el tiempo que la línea permanece a la espera.
¿Cuál es el factor más importante que determina el tiempo que un activo permanece fuera de servicio?
Falta de disponibilidad de piezas. Cuando se produce una avería, el activo queda inactivo durante todo el proceso de búsqueda, no solo durante la reparación. Los registros de piezas y activos fragmentados y duplicados son los que obligan a los técnicos a embarcarse en una búsqueda del tesoro, razón por la cual los datos conectados reducen las interrupciones de servicio de forma más fiable que el aumento de la mano de obra.
¿Cuánto tiempo de inactividad se puede recuperar de forma realista?
Según los modelos de Verdantis, la recuperación total prevista oscila entre **$22 millones y $34 millones por instalación al año** en todas las áreas, de los cuales aproximadamente $17 millones se deben únicamente al mantenimiento predictivo. La recuperación comienza conectando los datos sobre piezas, activos y órdenes de trabajo de los que ya dispone la empresa, y no comprando primero nuevos sensores.
¿En qué aspectos concretos resulta útil la IA en el ámbito del MRO?
Se trata de un sistema basado en agentes, más que de un chatbot. Los agentes de IA evalúan la importancia de las piezas y los activos, prevén la demanda de repuestos, establecen puntos de reposición dinámicos y señalan las órdenes de trabajo que corren el riesgo de quedarse sin alguna pieza antes de su aprobación, debiendo un humano autorizar cada cambio. Esto permite al planificador centrarse en los pocos artículos que entrañan un riesgo real, en lugar de tener que evaluar miles de ellos.
¿Es suficiente el mantenimiento predictivo por sí solo?
Es el factor más importante, ya que aborda alrededor del 30 % del tiempo de inactividad recuperable, dado que aproximadamente el 83 % de las averías son aleatorias y no están relacionadas con la antigüedad. Sin embargo, la eficacia de los modelos predictivos depende de la calidad de los registros que analizan, por lo que lo primero es conectar y depurar los datos de las piezas y los activos.
