En energía, los datos fragmentados se pagan en tiempo de planta

El costo de los datos fragmentados en energía y utilities es el precio operativo que paga una planta cuando su información de campo no se integra ni inspira confianza. Ese precio aparece como paradas no planificadas, pérdidas y sobrecosto de mantenimiento, casi nunca etiquetado como un problema de datos. Y hoy suma una consecuencia nueva: sin datos operativos integrados y confiables, la ola de inteligencia artificial en operaciones se queda en pilotos que no escalan. La causa de fondo es, en buena medida, interna. Por eso es medible.

La IA en operaciones necesita un dato que hoy está partido en dos

La inteligencia artificial en operaciones no falla primero por los modelos, sino por los datos que los alimentan. Un modelo hereda la calidad de esos datos: si la señal que sube de la planta llega incompleta o tarde, ningún modelo la recupera después.

Gartner estima que al menos la mitad de los proyectos de IA generativa se abandonan tras la prueba de concepto.

Y ubica la mala calidad de los datos primera en la lista de causas, junto con los controles de riesgo, los costos crecientes o un valor de negocio poco claro. Ese abandono llega tarde y resulta costoso: ocurre después de invertir en el piloto, cuando el problema de datos ya frenó la puesta en producción.

En el sector, esa conversación ya tiene nombre. La preparación de datos para IA, o data readiness, es tener el dato limpio, integrado y gobernado antes de usarlo. En utilities aparece hoy como el obstáculo principal para escalar la IA. Un informe de EPRI sobre preparación de datos en utilities, elaborado con operadores y consultoras del rubro, la define como una arquitectura capaz de entregar información limpia, estructurada y gobernada. Y la señala como fundamento para la resiliencia de la red, el pronóstico y el mantenimiento.

El mecanismo lo resume una revisión reciente sobre preparación de datos para IA: los datos de mala calidad producen modelos inexactos, que pueden derivar en usos incorrectos o inseguros. En una planta de energía, ese “uso inseguro” no es una abstracción. Es una decisión de despacho, de mantenimiento o de protección apoyada en una señal que no reflejaba el estado real del activo.

OT e IT nacieron separadas, y esa separación se paga en la planta

En una operación de energía la información no nace en un solo lugar. La tecnología de operación (OT) controla y monitorea la planta. La tecnología de información (IT) gestiona los datos de negocio. Ambas crecieron como redes aisladas y con prioridades opuestas.

Ese contraste está documentado en el propio sector. Un análisis de la integración OT/IT en utilities describe que las redes de OT priorizan la disponibilidad del proceso, mientras las de IT priorizan la confidencialidad de la información. Conciliar ambas prioridades, sin que la seguridad frene la operación ni al revés, es el desafío central de integrarlas.

La fragmentación también es de plataformas. En la red eléctrica, el sistema que supervisa y controla los procesos —SCADA— y la infraestructura de medición evolucionaron como plataformas separadas y complementarias. Como muestra un estudio sobre la convergencia de redes de baja tensión hacia la red inteligente, ninguna de las dos abarca todos los segmentos de la red. Entre una y otra quedan zonas sin cubrir, y el dato operativo termina repartido entre sistemas que no fueron pensados para conversar.

Cerrar esa brecha genera retorno. Una revisión de literatura sobre integración de IT y OT en activos físicos concluye que la convergencia mejora el desempeño y reduce costos. La misma revisión advierte que debe ser un proceso ordenado, analizado previamente y con un plan de acción concreto para evitar sobrecostos. Los ciclos de vida de IT y OT son distintos: uno se renueva en años, el otro convive con equipos de décadas. Esa diferencia agrega una complejidad que hay que gestionar de forma explícita.

La barrera de integración es tanto organizativa como técnica

La parte más difícil de integrar OT e IT está en la organización, más que en la tecnología. De ella depende que integrarlas devuelva confiabilidad a la planta, o quede en un proyecto a medias.

Esa misma revisión sobre integración de IT y OT encontró que solo alrededor de un tercio de la investigación del campo incorpora los aspectos organizativos. El grueso se concentra en lo técnico. La dimensión que decide el resultado —quién manda, quién responde, cómo trabajan juntos dos equipos con culturas distintas— es la menos atendida.

En la práctica, esa dimensión se traduce en decisiones concretas. Es la definición de “parada” que operaciones y finanzas no comparten.

Es el dato de un activo que nadie es claramente dueño de mantener.

Es el equipo de OT y el de IT coordinando sobre sistemas que cada uno gestiona por su lado. Ninguno de esos problemas se resuelve comprando una plataforma. Se resuelven decidiendo responsabilidades.

Un sensor poco confiable vuelve inútil cualquier modelo que dependa de él

Aún integrado, un dato operativo solo sirve si es confiable. La calidad es la segunda capa del problema, y opera aunque los sistemas ya se hablen entre sí.

Los sistemas ciberfísicos e IoT son los sensores y equipos conectados que miden y controlan la planta. Una revisión sistemática de la calidad de datos en esos sistemas establece el punto con claridad: la calidad del dato es crucial para decidir. Y se deteriora por fallas de sensores o por entornos operativos inciertos. La señal que llega al tablero no siempre es la señal que ocurrió en el activo.

En el marco fundacional de Wang y Strong, la calidad de datos se define por su adecuación al uso, más que por el volumen. Es el concepto de fitness for use: un dato vale si permite decidir. Y no es un problema resuelto: un trabajo reciente sobre las dimensiones de la calidad de datos confirma que sus fallas siguen siendo muy costosas para las empresas.

El efecto es silencioso. Un sensor descalibrado o una marca de tiempo corrida no se ven en un tablero, pero desplazan cada pronóstico y cada alarma que se apoyan en esa señal. El modelo de mantenimiento predictivo más sofisticado hereda el error del peor de sus sensores.

Por eso el costo de los datos fragmentados aparece lejos de su origen

Un dato que se degrada en el sensor, o que se pierde entre OT e IT, termina pagándose lejos de donde se originó. La venta de energía no despachada, la parada que sorprende, el mantenimiento tardío o excesivo: cada uno se registra en su propio renglón. Y en ninguno figura la señal defectuosa que lo originó.

La detección de una falla se retrasa porque la señal llegó tarde o incompleta. El plan de mantenimiento se arma sobre un historial de activos disperso entre sistemas. La pérdida se ve en la planta, aunque su causa esté varios pasos atrás, en cómo se capturó y se compartió el dato. El síntoma y el origen viven en lugares distintos de la operación.

Que el origen sea interno cambia la naturaleza del problema. Lo que nace en la propia operación —en cómo se integra, se mide y se gobierna el dato— se puede diagnosticar y priorizar. Un marco de gobierno de datos aplicado en el sector energético parte de esa premisa.

El gobierno del dato es una responsabilidad compartida entre todas las áreas de negocio.

Y tratar el dato como activo estratégico mejora la calidad de las decisiones. El trabajo, entonces, es ubicar en qué eslabón —sensor, sistema, traspaso entre OT e IT— la confiabilidad del dato se pierde primero.

En energía, la confiabilidad de la planta es un problema de datos antes que de activos

Durante años, la confiabilidad se gestionó como un problema de equipos: más mantenimiento, más repuestos, más inspección. La evidencia mueve el punto de partida al origen, al dato que dispara cada una de esas decisiones. Evitar una parada de planta empieza por una señal confiable, mucho antes que por una llave inglesa.

Si sabes dónde tu dato operativo se fragmenta o se degrada, resuelves la causa de la próxima parada antes de que ocurra. Dejas de reaccionar cuando el activo ya falló. El mantenimiento se prioriza por la confiabilidad que devuelve, antes que por la urgencia de la última falla. Y a medida que la inteligencia artificial se integra a la operación, esa capacidad deja de ser una mejora de eficiencia. Tener el dato integrado y confiable se vuelve la condición de entrada. La planta que no la tenga no correrá IA sobre su operación; correrá pilotos que no escalan.

Preguntas frecuentes