IA en logística y manufactura: dónde sí y dónde no

Qué es y quién la ofrece

En plantas y operaciones logísticas la IA se usa en tres tareas: detectar fallas en equipos antes de que ocurran (mantenimiento predictivo), inspeccionar piezas con cámaras (visión para calidad) y planear demanda, rutas e inventario. La ofrecen fabricantes de equipo, proveedores de automatización, integradores y las nubes públicas. Las nubes también cambian su oferta: AWS cerró a clientes nuevos Amazon Lookout for Vision (10 de octubre de 2024; retiro el 31 de octubre de 2025) y Amazon Lookout for Equipment (7 de octubre de 2025; su retiro estaba programado para el 7 de octubre de 2026).

Qué cambió recientemente

Según la Secretaría de Economía (comunicado 79, 24 de agosto de 2026), la inversión extranjera directa de enero a junio de 2026 fue de 34,968 millones de dólares, el mayor nivel para un primer semestre desde que hay registro; la manufactura recibió 13,482 millones (38.6%). Pero 88.5% fue reinversión de utilidades y 7.8% (2,726 millones), nuevas inversiones; el segundo trimestre bajó 3.5% anual. El comunicado no usa la palabra nearshoring: habla de la integración de las cadenas de valor de América del Norte.

Imagen ilustrativa · OFIRA Intelligence

Cuándo conviene

Conviene donde el error cuesta y hay datos: líneas con sensores y registro de paros, inspección visual repetitiva con criterios de aceptación escritos, y planeación con historial limpio de demanda, tiempos de ciclo e inventario. En mantenimiento predictivo, empezar con pocos activos críticos y comparar contra el programa actual. En visión, empezar con un tipo de defecto bien definido y fotos etiquetadas por inspectores. En ambos casos debe haber una persona que decide el paro de línea y una forma de volver al proceso anterior.

Cuándo NO conviene

No conviene el mantenimiento predictivo con aprendizaje automático cuando casi no hay fallas registradas: una revisión sistemática publicada en junio de 2026 (46 artículos más 14 estudios clave) señala que el aprendizaje profundo suele requerir miles de muestras de falla, que con pocos datos los métodos clásicos son más fiables y que la mayoría de los enfoques para pymes sigue siendo conceptual. Tampoco conviene atar la planta a un servicio sin plan de salida, como muestran los retiros de AWS. Ni dejar que un modelo detenga una máquina, libere un lote o cambie un parámetro sin límites, verificación y reversión.

Qué significa para una empresa mediana en México

La cifra de inversión es contexto, no plan: la Secretaría atribuye la baja del segundo trimestre a un repunte atípico de 2025, no a un cambio de tendencia. Lo accionable es interno: qué activos paran más, qué defectos cuestan más y qué datos tienes. Las cámaras que inspeccionan piezas pueden captar a trabajadores, y la ley de datos personales de 2025 define como dato personal cualquier información concerniente a una persona identificada o identificable (artículo 2, fracción V). Pide por escrito dónde se procesan los datos, si se usan para entrenar y cómo exportarlos. No damos precios de sensores, cámaras ni nubes: se cotizan por proyecto.

Criterio OFIRA

Uno: ¿qué activo o defecto elegiste y cuánto cuesta hoy cada paro o rechazo? Dos: ¿cuántas fallas o defectos etiquetados tienes para entrenar y quién los etiquetó? Tres: ¿contra qué método simple se comparará el modelo, como el programa de mantenimiento o la inspección actual? Cuatro: ¿quién puede detener la línea y cómo se revierte una decisión del sistema? Cinco: ¿puedes exportar tus datos y modelos si el proveedor retira el servicio? Seis: ¿qué datos personales captan cámaras y sensores, y dónde se guardan?

Lo que no se pudo verificar

No localizamos una medición independiente, con muestra y método, del ahorro por mantenimiento predictivo o visión en plantas mexicanas, ni cifras oficiales de adopción de IA en la manufactura del país. El comunicado de la Secretaría de Economía no desglosa cuánta inversión corresponde a nearshoring ni a IA. Tampoco verificamos si los servicios de AWS mencionados siguen operando después de sus fechas de retiro.

Fuentes

CRITERIO OFIRA

La plataforma no es la estrategia.

La recomendación final depende del problema, los datos, el riesgo, las integraciones, el costo y el resultado que deba cambiar.

Analizar un caso con OFIRA