Simplificar antes de innovar: el paso que América Latina no puede saltarse

La industria corre hacia la inteligencia artificial como quien huye de un incendio: sin mirar el piso. Los presupuestos se abren para algoritmos, sensores y nubes, mientras los datos que alimentarán todo ese andamiaje siguen atrapados en hojas de cálculo, sistemas heredados y silos que nadie se tomó el trabajo de conectar. El resultado está a la vista: proyectos de IA que prometen mantenimiento predictivo terminan generando más ruido que señal, y la modernización se convierte en otra capa de deuda técnica.

El caso de Jabil, fabricante global con más de 100 plantas repartidas en más de 30 países, debería funcionar como un espejo incómodo. Su filosofía es engañosamente simple: "simplificar primero, innovar después". Su director de IT para SAP, Harish Manohar, lo advierte sin rodeos: cualquier innovación sin simplificación va a agregar más complejidad. No es un llamado a la prudencia; es una advertencia operativa. La columna vertebral de cualquier organización moderna son los datos, dice Manohar, y quien pretenda modernizarse sin ordenar esa columna está construyendo sobre arena.

Con números que duelen, la evidencia europea respalda la advertencia. Según el Foro Económico Mundial, el 80 % de los datos industriales en Europa no se utilizan. Ocho de cada diez bytes que las fábricas generan se desperdician porque las empresas digitalizan sus procesos internos pero no estandarizan ni comparten la información. Mientras tanto, iniciativas como Starlings en el puerto de Róterdam —donde los operadores intercambian datos en tiempo real para coordinar el ecosistema portuario— demuestran que la eficiencia no llega con más tecnología, sino con mejor circulación de la que ya existe.

Aquí es donde la región comete el error más previsible. Las plantas manufactureras de México, Brasil o Colombia enfrentan presión por resultados inmediatos, alta rotación de personal técnico y sistemas que arrastran décadas de parches. La tentación de saltar directo a un piloto de IA es enorme, precisamente porque el trabajo de ordenar datos es lento, aburrido y no genera titulares. Pero cada peso invertido en algoritmos que se alimentan de información caótica es un peso que se pierde dos veces: una en la compra, otra en la frustración cuando los resultados no llegan.

El cloud computing y el IoT son accesibles incluso para plantas medianas. El problema nunca fue el acceso a la tecnología, sino la calidad de lo que la alimenta. Un fabricante que instala sensores sin unificar los formatos de datos en su ERP terminará con más ruido que señal, como advierte la guía de IBM sobre IA en manufactura: antes de optimizar o automatizar, los datos deben fluir sin fricción entre sistemas. No hay red neuronal que compense un repositorio descentralizado de planillas desactualizadas.

Existe, sin embargo, una ventaja injusta que la región debería explotar sin culpa. Mientras las multinacionales europeas y asiáticas arrastran capas y capas de infraestructura heredada, muchas plantas latinoamericanas parten con sistemas más livianos. Esa ausencia de deuda técnica es una oportunidad histórica: diseñar una arquitectura de datos limpia desde el día uno, con estándares abiertos y nube, sin el peso de tener que demoler décadas de decisiones equivocadas. Empezar tarde tiene la ventaja de poder empezar bien.

Pero esa ventaja se desperdicia si los ejecutivos siguen cayendo en el espejismo de la solución mágica. La pregunta que debería abrir cualquier reunión de inversión en tecnología no es qué algoritmo comprar, sino algo mucho más incómodo: ¿Los datos están conectados de punta a punta? ¿Se actualizan en tiempo real? ¿Son confiables para tomar decisiones? Si la respuesta es no, el primer proyecto no debería ser un piloto de IA, sino una iniciativa de integración y estandarización que no le va a gustar a nadie en el comité de dirección porque no tiene el glamour de la palabra "inteligencia".

No empieza la modernización exitosa con tecnología. Empieza con la disciplina ingrata de simplificar: auditar procesos, identificar cuellos de botella de datos y consolidar antes de comprar herramientas nuevas. Esa es la lección de Jabil y de las plantas europeas que sí están sacando valor de sus datos. La pregunta que queda flotando es si los directivos latinoamericanos están dispuestos a invertir en lo que no brilla, o si prefieren seguir pagando la factura de la próxima decepción con IA.