IA en la fabricación: Almetra y el taller de producción

KI & Automatisierung · 1. Juli 2026 · Ohiku Mose Guy

La IA en la fabricación se vuelve operativa. Descubra lo que significa la ronda de 16 millones de euros de Almetra para las PYMES de DACH y cómo empezar.

Quien en 2026 todavía crea que la IA en la fabricación es un proyecto de TI, será superado por su propio taller de producción. Lo digo en serio, porque las próximas ganancias de productividad no vendrán de cuadros de mando más bonitos, sino de decisiones tomadas al ritmo de la línea. No mensualmente. No después del próximo taller Lean. Sino mientras una planta está funcionando, el material fluctúa, un operario improvisa y el departamento de ventas sigue prometiendo fechas de entrega. La ronda de Serie A de 16 millones de euros de Almetra no es, por tanto, una simple noticia de una startup de Berlín, es una señal de que la Inteligencia de Fabricación está saliendo de la fase piloto y quiere entrar en la vida cotidiana de la producción.

Almetra, antes Deltia, según la noticia de EU-Startups de enero de 2026, ha recaudado una Serie A de 16 millones de euros, liderada por blisce/ de Nueva York y París, con NAP, Merantix Capital, Robin Capital, Underline Ventures y Critical Ventures como otros inversores [1]. Esto no es emocionante para mí por la suma. 16 millones de euros no son un espectáculo de fuegos artificiales en el calendario de capital riesgo. Lo emocionante es dónde se utiliza el dinero: en el taller de producción, donde muchas PYMES de DACH todavía trabajan con exportaciones de Excel, libros de turnos, lagunas en el MES e intuición. Kärcher, Trumpf, Phoenix Contact, Festo, Schaeffler, los grandes nombres han demostrado durante años cuánta estructura puede haber en los datos de producción. Pero la verdadera pregunta es: ¿Qué ocurre en un fabricante de herramientas con 180 empleados en Ostwestfalen, en un inyector de plástico en Vorarlberg o en un fabricante de piezas de precisión cerca de Winterthur?

Estado actual: la IA en la fabricación está más avanzada de lo que muchos COOs creen

El status quo es contradictorio. En las diapositivas estratégicas, la Smart Factory ya está aquí. En el suelo de la fábrica huele a lubricante refrigerante, una vieja impresora de etiquetas traquetea junto a la línea, y la desviación de OEE más importante está escrita a mano en un portapapeles. Ambas cosas son ciertas. Según el AlixPartners Swiss Disruption Landscape de 2026, la disrupción tecnológica, incluida la automatización y la IA en los procesos de producción, ya afecta al 62 por ciento de las empresas manufactureras suizas [4]. La regulación y la presión ESG afectan incluso al 68 por ciento [4]. Esto no es una nota al margen para los responsables de sostenibilidad. Esto llega al COO, al director general y, en algún momento, al director de ventas, cuando los compromisos de entrega ya no coinciden con la capacidad real.

En las PYMES de DACH, a menudo veo la misma curva. Primero se habla de la escasez de mano de obra cualificada. Luego de los precios de la energía. Luego de los residuos. Luego alguien dice: Deberíamos saber qué línea está perdiendo dinero. Es ahí donde la conversación cambia. Porque muchas fábricas tienen máquinas con sensores, un PLC, a veces un MES, a veces un ERP con pedidos más o menos limpios, pero no tienen una verdad común fiable sobre las pérdidas. Una línea de estampado informa de las paradas de forma diferente a la de montaje. El retrabajo vive en un formulario de calidad separado. Las razones de las microparadas son estimadas por el turno, si es que alguien tiene tiempo. Bueno, casi. En las fábricas bien gestionadas, por supuesto, hay indicadores clave de rendimiento. Pero los indicadores clave de rendimiento no son lo mismo que las causas.

Esto hace que el posicionamiento de Almetra sea interesante. Maximilian Fischer, cofundador y CEO de Almetra, lo formula duramente en el comunicado: Las fábricas producían todo lo que nos rodeaba, pero a menudo funcionaban a ciegas [1]. Esta frase cala hondo porque no suena a IA. Suena a dirección de producción a las 6:10 de la mañana, cuando el informe del turno de mañana tiene una hora y todavía no explica por qué el pedido 4711 está atascado en la máquina 4. La inteligencia de fabricación no promete magia aquí. Promete algo brutalmente práctico: hacer visibles las pérdidas, asignarlas, priorizarlas.

Para los directores de ventas, esto no es solo una cuestión de operaciones. Si una fábrica no conoce su capacidad real utilizable, vende con demasiada cautela o con demasiada audacia. Ambas cosas cuestan. Demasiado cauteloso significa: competidores como DMG Mori o un fabricante por contrato polaco con mejor planificación se llevan el volumen. Demasiado audaz significa: el departamento de ventas gana el pedido, la producción pierde el margen, el cliente pierde la confianza. En proyectos he experimentado que un único cuello de botella no comprendido distorsiona toda la lógica de la oferta. El calculador trabaja con tiempos estándar. La línea vive en otra realidad.

Tendencia 1: la inteligencia de fabricación se convierte en la capa operativa sobre MES y ERP

La primera tendencia: las plataformas de inteligencia de fabricación nativas de IA no sustituyen a ERP, MES o SCADA. Se superponen a ellas. Esto suena técnicamente poco espectacular, pero es la razón por la que esta categoría está escalando ahora. Un fabricante de tamaño medio con 50 a 500 empleados no va a reconstruir de repente SAP S/4HANA, ProAlpha, Infor, un antiguo sistema BDE y tres islas de máquinas. Quien exija eso, perderá el proyecto antes del primer taller. Almetra dice, en esencia: Tomamos los datos de producción existentes, identificamos cuellos de botella, cuantificamos las pérdidas de rendimiento y permitimos mejores decisiones con una interrupción mínima de las operaciones en curso [1]. Precisamente esta capacidad de conexión es decisiva.

En la práctica, esto significa: la plataforma debe soportar datos sucios. Tiempos de ciclo diferentes. Razones de parada faltantes. Comentarios del operador con errores tipográficos. Máquinas que se comunican a través de OPC UA y máquinas a las que solo se puede acceder a través de un archivo CSV una vez por turno. Quien pinta la inteligencia de fabricación solo como una arquitectura de nube limpia, ha estado muy pocas veces en las fábricas. En un proveedor de automoción en Franconia, Thomas, jefe de Ingeniería Industrial de Núremberg, me dijo: "La planta no es vieja, pero la cadena de datos se detuvo en 2008". Ahí es precisamente donde está el mercado. No en las fábricas faro de Siemens Amberg, sino en las 10.000 fábricas intermedias.

Lo que vemos concretamente en Amplifa: En los últimos 12 meses, hemos observado un patrón recurrente en clientes de ingeniería mecánica, procesamiento de plásticos y fabricación técnica B2B: entre el 18 y el 32 por ciento de las suposiciones de capacidad relevantes para las ventas en los procesos de CRM y ofertas no estaban alineadas con los datos actuales del taller. Esto no significa que un director de ventas invente cifras falsas. Significa que las cifras envejecen. Una línea que en marzo de 2025 tenía una disponibilidad del 82 por ciento, en noviembre quizás solo funciona al 74 por ciento, porque una herramienta se atasca con más frecuencia, porque dos operarios experimentados han cambiado o porque una nueva mezcla de materiales desplaza el tiempo de ciclo. El departamento de ventas solo se da cuenta cuando las fechas de entrega se retrasan.

La capa técnica sobre MES y ERP no es, por tanto, solo un patrón de TI. Se convierte en una capa de confianza. Si un COO ve que la línea A pierde 14 horas de capacidad a la semana por las mismas microparadas, puede priorizar. Si el departamento de ventas ve que la familia de productos B está en un cuello de botella, no puede dar descuentos a ciegas solo para comprar capacidad. Y si la dirección ve que una inversión en mantenimiento aporta más que la próxima máquina, el Capex se discute de otra manera. ¿Es aburrido? No del todo. Es la diferencia entre la defensa del margen y el crecimiento sobre arena.

Les damos certeza en lugar de conjeturas. La mayoría de nuestros clientes encuentran oportunidades de optimización significativas en las primeras semanas, y la industria necesita precisamente esta velocidad ahora.

— Maximilian Fischer, cofundador y CEO de Almetra, Berlín [1]

Me gusta de esta cita la parte de las primeras semanas. No porque crea a todos los proveedores que prometen resultados rápidos. ¿Honestamente? Ante esas frases, primero me vuelvo desconfiado. Pero en la fabricación, realmente hay una categoría de problemas que se hace visible después de una breve integración de datos: razones de parada incorrectas, pérdidas de preparación subestimadas, deriva de calidad en un turno determinado, sobrecarga en una planta auxiliar que nunca aparece como cuello de botella en la planificación de la producción. Estas cosas no están ocultas porque nadie las mire. Están ocultas porque están distribuidas en diferentes sistemas.

Tendencia 2: el mantenimiento predictivo sale de la diapositiva y aterriza en el plan semanal

La segunda tendencia es el mantenimiento predictivo, pero por favor sin la niebla de los stands de feria. El mantenimiento predictivo fue durante diez años una promesa con demasiados sensores y poca responsabilidad. Ahora la economía está cambiando. La energía es cara, las piezas de repuesto no siempre están disponibles al día siguiente, los técnicos de mantenimiento experimentados se jubilan y las paradas no planificadas no solo afectan a la producción. Afectan a la aceptación de pedidos, la fidelización de clientes y la disciplina de precios. En Webasto o Brose, la organización de mantenimiento es lo suficientemente grande como para ejecutar sus propios programas de datos. En un proveedor de 220 empleados cerca de Heilbronn, la situación es diferente. Allí, un jefe de mantenimiento a menudo tiene que elegir entre apagar incendios y analizar las causas.

La inteligencia de fabricación hace que el mantenimiento predictivo sea valioso cuando no solo dice: el rodamiento 3 suena raro. Debe decir: si este patrón continúa, la línea 2 probablemente perderá entre 9 y 12 horas de tiempo productivo en los próximos 14 días, y eso en pedidos para los clientes X e Y. Solo entonces el mantenimiento puede priorizarse económicamente. Marcar solo anomalías no es suficiente. Una fábrica necesita un orden de prioridad según el coste, el riesgo y el impacto en la entrega. En una conversación en diciembre de 2025, Jan, COO de un fabricante de precisión de Pforzheim, me dijo: "Tenemos suficientes sensores. Lo que nos falta es una decisión que encaje en el plan del lunes por la mañana". Difícilmente se puede decir mejor.

Para los directores de ventas, el mantenimiento predictivo se convierte indirectamente en una cuestión de cartera de proyectos. Si un pedido grande con un plazo de entrega de ocho semanas solo puede fabricarse en una planta clave, el estado técnico de esa planta forma parte de la cualificación del acuerdo. ¿Suena exagerado? Entonces pregunte a un Key Account Manager de un proveedor de automoción que ha prometido a un OEM el inicio de una serie y tres días después tiene que explicar un daño inesperado en el husillo. El departamento de ventas habla de disponibilidad, pero la máquina decide. Por eso, los datos del taller se incorporarán más a las estrategias de oferta y de cuenta en los próximos años. No como una bonita exportación. Como un indicador de riesgo.

Aquí el ESG se vuelve repentinamente concreto. No en un PDF para la web, sino en el consumo por pedido, por línea, por lote de desecho. Si una plataforma basada en IA detecta que un determinado lote de material en la planta B produce más desecho y al mismo tiempo consume más energía por pieza buena, no es un eslogan de sostenibilidad. Es margen. Es capacidad de entrega. Es una conversación con compras, producción y ventas en la misma sala. En Kärcher o Phoenix Contact, estas cadenas de datos son programas estratégicos. En las PYMES, a menudo las mantiene un solo individuo al que todos preguntan porque sabe desde hace 17 años qué máquina falla. Esta persona es valiosa. Pero no es un sistema escalable.

Tendencia 3: el control de calidad por IA pasará del puesto de prueba al proceso de venta

La tercera tendencia está subestimada: el control de calidad basado en IA no solo cambia el desecho. Cambia lo que el departamento de ventas puede prometer de forma creíble. La visión por computadora, la inspección acústica, el análisis de datos de procesos y los planes de prueba digitales se fusionarán más estrechamente. Almetra menciona el desarrollo de productos como uso del capital en el comunicado [1]; son plausibles los módulos para el control de calidad basado en visión por computadora, los modelos de mantenimiento predictivo y los análisis de gemelos digitales a nivel de línea. Si estos módulos específicos llegarán en este orden, solo lo saben Almetra y los clientes. Pero la dirección es clara: los datos de calidad serán más tempranos, más densos y más operativos.

¿Por qué es un tema de ventas? Porque la calidad en muchas industrias ya no se negocia a posteriori. Tecnología médica, automoción, electrónica, ingeniería mecánica: los clientes quieren pruebas. Schaeffler, Bosch, Trumpf, Wittenstein, Festo: quien suministra a estas empresas conoce las auditorías, las muestras, los informes 8D y la amenaza silenciosa de ser eliminado de la lista de proveedores al próximo error. Un fabricante de tamaño medio no solo puede encontrar errores antes con el control de calidad por IA. Puede demostrar que las ventanas de proceso fueron estables. Esa es otra conversación de ventas. Menos "confíe en nosotros", más "aquí está la evolución de los parámetros críticos a lo largo del lote".

Sin embargo, soy cauteloso con el control de calidad por IA. Muchos proyectos fracasan no por el modelo, sino por la definición de los errores. ¿Qué es un arañazo? ¿Qué desviación de la superficie es relevante? ¿Quién decide en los casos límite? Un modelo de visión solo puede aprender lo que ha sido marcado profesionalmente de forma limpia. En un fabricante de piezas de plástico en Baja Austria, la celda de prueba olía a granulado caliente, mientras el jefe de calidad me mostraba 40 piezas en las que dos clientes evaluaban la misma superficie de forma diferente. Ahí no ayuda la romanticismo de la IA. Ahí ayuda un proceso que conecta los requisitos del cliente, la estrategia de prueba y los datos de producción. Solo entonces la IA será útil.

Esta tabla no está construida intencionadamente como un oráculo. Las previsiones de los analistas son útiles, pero la realidad de la producción es cruel. Una previsión no dice si su línea 7 pierde 23 minutos cada jueves después del cambio de herramienta porque el escáner lee mal las etiquetas. Pero esa es precisamente la diferencia entre tendencia y beneficio. La inteligencia de fabricación debe construir el puente, desde la presión macroeconómica hasta una medida concreta en la fábrica. Si falta este puente, la IA en la fabricación seguirá siendo una bonita etiqueta presupuestaria.

Amplifa ICP Playbook Para directores de ventas en fabricación: afine su perfil de cliente ideal con la realidad de la producción, los patrones de capacidad y las señales de compra fiables.

Por qué la Serie A de Almetra es importante para los directores generales en DACH

Se puede leer la ronda de Almetra como una noticia de startup. Entonces uno asiente, anota Berlín, Merantix Capital, blisce/ y 16 millones de euros, y sigue adelante. Eso sería un error. Para los directores generales de empresas manufactureras de tamaño medio, esta financiación es una señal de mercado: está surgiendo una categoría de software que quiere operacionalizar el conocimiento de la producción más rápidamente de lo que pudieron hacerlo los proyectos clásicos de ERP y MES. No sustituir. Complementar. Y a veces también desenmascarar.

¿Por qué desenmascarar? Porque muchas organizaciones se gestionan con promedios. Ocupación promedio, tiempo de entrega promedio, desperdicio promedio. Los promedios son cómodos y peligrosos. Si una familia de productos genera un margen del 18 por ciento, pero solo funciona en una planta inestable, el promedio es una trampa. Si un cliente genera muchas ventas, pero sus pedidos rompen la línea de cuello de botella, las ventas no son automáticamente buenas ventas. Si una fábrica está en verde en el informe mensual, pero dos turnos tienen que improvisar regularmente, el verde es solo un color. La inteligencia de fabricación hace visibles estas contradicciones.

Me parece especialmente relevante que Almetra quiera expandirse por Europa [1]. DACH no es un mercado fácil. Comités de empresa, protección de datos, paisajes de sistemas crecidos, parques de maquinaria con 30 años de antigüedad, altos requisitos de calidad, comités de inversión lentos. Quien funciona aquí ha construido algo que soporta la fricción. Una herramienta estadounidense con una perfecta incorporación a la nube puede fracasar por una única autorización de máquina faltante. Un proveedor europeo que cuenta con la fragmentación tiene una ventaja. No es una garantía. Pero es una ventaja.

Lo que la IA en la fabricación significa para las PYMES

Para las PYMES, la IA en la fabricación significa, en primer lugar: menos excusas para volar a ciegas. Lo digo deliberadamente con dureza. Muchas empresas de 50 a 500 empleados son técnicamente mejores de lo que parecen organizativamente. Tienen buenas máquinas, personal experimentado, clientes estables, a veces incluso procesos muy limpios. Pero no miden las pérdidas de forma lo suficientemente consistente, y no conectan estas pérdidas con las decisiones comerciales. Esa es la ruptura. Un COO mira el OEE. Un director de ventas mira el pronóstico y la entrada de pedidos. La dirección mira el EBITDA y el efectivo. La verdad se encuentra en algún lugar entre el tiempo de preparación, la reclamación y la fecha de entrega.

El primer efecto comercial es la claridad de la capacidad. Ya no es: Estamos aproximadamente llenos. Sino: Tenemos en la línea 3 una capacidad oculta real del 11 por ciento, si eliminamos dos causas de parada y cambiamos la mezcla de productos. Markus, director de ventas de un proveedor de máquinas especiales de Augsburgo, lo formuló en abril de 2025 así: "Si supiera qué pedidos encajan realmente, vendería de otra manera". Ese es precisamente el punto. Las ventas sin inteligencia de producción son una apuesta en muchas empresas manufactureras.

El segundo efecto es la disciplina de precios. Si sabe que un pedido consume una instalación de cuello de botella, no concede un descuento solo porque el cliente se queje. Si sabe que una variante de producto genera un desperdicio superior a la media, calcula de forma diferente. Si puede demostrar que sus datos de calidad son más estables que los de la competencia, no solo vende piezas, sino seguridad de proceso. El posicionamiento premium, que AlixPartners describe como estrategia contra la disrupción para los fabricantes suizos [4], requiere precisamente esas pruebas. No folletos. Datos.

El tercer efecto es la internacionalización con menos intuición. Muchos fabricantes de DACH están considerando la deslocalización cercana (nearshoring), plantas adicionales en Europa del Este o cadenas de suministro con mayor redundancia. Sin datos de producción fiables, esto resulta caro. Entonces no se trasladan procesos, sino suposiciones. Una capa de inteligencia de fabricación puede ayudar a comparar líneas, familias de productos y ubicaciones. En Phoenix Contact o Festo, la comparación de ubicaciones es un tema de control establecido. En empresas más pequeñas, a menudo surge solo cuando la segunda ubicación ya está funcionando y nadie puede explicar por qué el mismo conjunto en la República Checa causa un 9 por ciento más de retrabajo.

La realidad técnica: por qué muchos proyectos de fabricación con IA fracasan

Escribo como ingeniero, así que tengo que incluir la parte desagradable. Los proyectos no solo fracasan porque la gente se resiste al cambio. Fracasan porque los modelos de datos son ingenuos. Porque una señal de máquina no es inequívoca. Porque una parada de 18 segundos a veces se ignora, a veces se cuenta. Porque un pedido en el ERP está terminado, mientras el retrabajo aún continúa. Porque la cámara ve una luz diferente en verano que en enero. Porque los segmentos de red están separados por una buena razón. Porque la seguridad dice: No hay conexión a la nube desde la OT. Y a veces, porque el operario más importante no tiene ganas de introducir la misma razón de parada por tercera vez en una máscara.

Por eso, no gana automáticamente el proveedor con el mejor modelo de aprendizaje automático. Gana el proveedor que consigue estabilizar la ruta de datos. De la máquina a la pasarela Edge, de la pasarela Edge al modelo de contexto, del modelo de contexto a la decisión. Contexto es la palabra cara. Un pico de corriente significa poco si no sé qué herramienta, qué material, qué pedido, qué turno y qué modo de operación estaban activos. Un error de calidad significa poco si no puedo vincularlo con los parámetros del proceso. Precisamente aquí es donde la inteligencia de fabricación se diferencia de los informes.

En Amplifa no construimos el producto de Almetra, y no voy a evaluar aquí una arquitectura ajena que no he visto en el código. Pero conozco bastante bien la clase de sistemas: la parte difícil no es la demostración con datos históricos. La parte difícil es la producción. Nuevo número de artículo. Característica de prueba modificada. Parada de máquina durante el mantenimiento. Cambio de personal. Actualización de ERP. Certificado VPN caducado. Una IA que proporciona buenos conocimientos en la tercera semana debe seguir proporcionando señales útiles en el noveno mes. De lo contrario, se convertirá en otra pantalla que nadie abre.

Preguntas frecuentes: ¿Es la inteligencia de fabricación solo un nuevo MES?

No. Un MES planifica, registra y controla los procesos de producción, con gran profundidad según su nivel de madurez. La inteligencia de fabricación se sitúa típicamente por encima y trata de derivar patrones de los datos de máquinas, calidad, pedidos y mantenimiento. La frontera no siempre es clara. Algunos proveedores de MES incorporan módulos de IA, algunos proveedores de inteligencia de fabricación asumen funciones cercanas al MES. Para un director general, la mejor pregunta es: ¿Qué sistema me responderá en dos semanas dónde estamos perdiendo dinero y qué medida es la primera que hay que tomar?

Preguntas frecuentes: ¿Necesitamos datos perfectos para esto?

No. Pero necesita datos honestos. Esa es la diferencia. Los datos perfectos rara vez existen en la fábrica. Los datos honestos significan: lagunas conocidas, suposiciones documentadas, definiciones claras para paradas, desechos, retrabajos y piezas buenas. Si un proveedor finge que la IA lo reparará todo automáticamente, yo abandonaría la sala. O al menos guardaría silencio durante mucho tiempo.

Preguntas frecuentes: ¿Qué beneficios concretos obtiene el departamento de ventas?

El departamento de ventas obtiene una mejor respuesta a cuatro preguntas: ¿Qué productos podemos hacer crecer de forma rentable? ¿Qué clientes bloquean la capacidad de cuello de botella? ¿Qué compromisos de entrega son realistas? ¿Dónde podemos vender la calidad como diferenciación? Esto suena a operaciones. Y lo es. Pero en la fabricación, la calidad del acuerdo y la realidad de la producción están más estrechamente relacionadas de lo que muchos procesos de CRM admiten.

Preparación: 7 pasos antes de comprar IA en la fabricación

1. Identifique un cuello de botella económico, no una tecnología. Ejemplo: la línea 2 pierde aproximadamente 10 horas a la semana, pero nadie conoce la causa principal. Si empieza con "queremos IA", obtendrá diapositivas. Si empieza con pérdidas, obtendrá capacidad de medición.
2. Aclare sus fuentes de datos. ERP, MES, BDE, SCADA, base de datos de calidad, tickets de mantenimiento, informes de turno de Excel: escriba qué existe, a quién pertenece y con qué frecuencia se actualiza. En un proveedor de Festo en Baden-Württemberg, un equipo encontró en junio de 2025 tres definiciones diferentes de residuos.
3. Defina los indicadores clave de rendimiento a nivel de planta. OEE, tasa de rechazo, tiempo de preparación y energía por pieza buena solo son útiles si todos aceptan el mismo cálculo. De lo contrario, más tarde no discutirá medidas, sino matemáticas.
4. Involucre a ventas y control de gestión desde el principio. La inteligencia de fabricación se debilita si solo muestra pérdidas técnicas. Debe mostrar qué pérdidas afectan a los ingresos, el margen, la capacidad de entrega o el riesgo de reclamación.
5. Empiece con una línea o familia de productos. No con toda la fábrica. Elija un área con alto volumen, dolor visible y personas responsables que quieran utilizar los resultados. Una línea piloto silenciosa sin presión de la dirección es un cementerio de buenas ideas.
6. Planifique la seguridad OT antes de la incorporación del proveedor. Acceso a la red, dispositivos Edge, aprobaciones de la nube, modelos de roles, registros de auditoría: esto no es papeleo. Un único problema de firewall sin resolver puede bloquear un proyecto durante cuatro semanas.
7. Determine quién decide después del hallazgo. Si la IA muestra el cuello de botella A, ¿quién cambia el plan de turnos, el plan de mantenimiento, el cálculo de la oferta o la mezcla de productos? Sin derecho a decidir, la inteligencia de fabricación se convierte en un diagnóstico sin terapia.

Producto Amplifa Amplifa conecta los procesos de ventas B2B con la priorización basada en datos, para que la cartera de proyectos, el ICP y la realidad operativa no se desvíen.

Estos siete pasos suenan sensatos. Precisamente por eso funcionan. He visto demasiados proyectos que empezaron con la arquitectura del modelo y murieron por las responsabilidades. ¿Quién debe reaccionar si un sistema muestra que un cliente premium genera regularmente pedidos deficitarios? ¿Ventas? ¿Producción? ¿Dirección? ¿Quién le dice al cliente que su petición especial ya no es gratuita? La IA encuentra el conflicto. No lo resuelve automáticamente.

El ángulo de ventas: por qué la gestión de la cartera de proyectos sin datos del taller se vuelve débil

Muchos lectores esperan probablemente OEE, mantenimiento y calidad en un artículo sobre Almetra. Justo. Pero quiero enfatizar más el ángulo de ventas, porque en DACH rara vez se discute de forma limpia. La gestión de la cartera de proyectos en las empresas manufactureras a menudo está desvinculada de la fábrica. El CRM conoce oportunidades, probabilidades, segmentos de clientes, quizás márgenes de contribución. La fábrica conoce cuellos de botella, lógica de preparación, riesgos de calidad, restricciones de personal. Entre ambos mundos suele haber una hoja de Excel o un planificador de producción experimentado que, bajo presión, dice "ya se hará".

Quien en 2026 siga apostando por una estrategia puramente inbound en el entorno de la fabricación B2B, no tendrá cartera de proyectos en cinco años. Sí, es contundente. Pero mire la realidad: los procesos de adquisición son más largos, los requisitos técnicos más estrictos, las evaluaciones de proveedores más basadas en datos. Si su equipo de ventas no sabe qué clientes se ajustan a la capacidad de producción real, vende en contra de su propia operación. Un ICP para empresas manufactureras no debe contener solo el sector, el tamaño de los ingresos y la región. Debe contener el ajuste de producción. ¿Qué piezas funcionan de forma estable? ¿Qué variantes tienen una curva de aprendizaje? ¿Qué requisitos del cliente se ajustan a la estrategia de prueba y la capacidad?

De nuestras implementaciones sabemos que cuando los equipos de ventas comparan sus listas de clientes objetivo con las restricciones operativas, los principales clientes a menudo cambian sorprendentemente. En un fabricante de componentes técnicos de DACH, el 27 por ciento de las cuentas objetivo priorizadas se desplazaron después de que incluimos las familias de productos, el riesgo de tiempo de entrega y los patrones históricos de reclamaciones en la evaluación del ICP. Antes, un gran cliente parecía atractivo porque el potencial de ingresos y el logotipo eran correctos. Después, quedó claro: el cliente habría solicitado exactamente las variantes que bloquean la prueba de cuello de botella. Esto no es teoría. Esto es higiene de la cartera de proyectos.

Amplifa ICP Playbook para fabricantes Utilice el Playbook para evaluar a los clientes objetivo no solo por el potencial de mercado, sino también por el ajuste de producción, el margen y la capacidad de entrega.

Lo que Almetra aborda correctamente y dónde el mercado sigue abierto

Almetra aborda un punto débil: las fábricas saben que están perdiendo capacidad, pero no con la suficiente precisión dónde y por qué [1]. Esta formulación es fuerte porque no vende ciencia ficción. Vende orientación. Si los clientes, según Fischer, encuentran oportunidades de optimización significativas en las primeras semanas [1], entonces el valor probablemente reside en la rápida contextualización de las pérdidas. No en el gemelo digital perfecto desde el primer día.

Sin embargo, el mercado sigue abierto. Epicor Prism también se posicionó como una solución de fabricación impulsada por IA para Europa, según The Retail Data [2]. Los proveedores clásicos de ERP y MES añadirán capas de IA. Los hiperescaladores de la nube proporcionarán arquitecturas de referencia. Los especialistas en visión por computadora, mantenimiento y optimización energética profundizarán en nichos. Para los clientes, esto es bueno y molesto a la vez. Bueno, porque hay opciones. Molesto, porque cada herramienta afirma ser la capa de inteligencia central. Mi consejo: no crea ningún diagrama de arquitectura que dibuje sus sistemas existentes de forma demasiado limpia.

Los ganadores no solo sabrán de IA. Sabrán de implementación. Podrán hablar con un director de fábrica que no tiene tiempo para la poesía de las plataformas. Podrán hablar con la seguridad de TI sin parecer ofendidos. Podrán construir un estado de pérdidas con el control de gestión. Podrán explicar a ventas por qué un nuevo acuerdo es operativamente arriesgado. Y aceptarán que algunos datos permanecerán manuales por un tiempo. Bueno, casi. Lo manual a menudo dura más de lo que los proveedores admiten.

Riesgos: protección de datos, comité de empresa, seguridad OT y confianza en el modelo

Ningún informe de tendencias sería honesto si minimizara los riesgos. En DACH, los datos de producción son sensibles. No solo por la protección de datos, sino por el conocimiento de la competencia. De los tiempos de ciclo, los desechos, la mezcla de pedidos y las paradas se puede deducir mucho sobre la estructura de costes y los clientes. Si un proveedor procesa datos de producción en la nube, debe quedar claro dónde se encuentran los datos, quién tiene acceso, cómo se entrenan los modelos y si los datos de los clientes terminan en procesos de entrenamiento generales. Los comités de empresa plantean preguntas con razón cuando los datos de turnos se evalúan a nivel de operario. El olor a metal caliente en la nave es romántico. La evaluación laboral de los datos de rendimiento no lo es.

La seguridad OT es el segundo punto difícil. Una plataforma de inteligencia de fabricación necesita datos de producción, pero no debe poner en peligro la producción. Segmentación, accesos de solo lectura, procesamiento en el borde, gestión de certificados, procesos de parcheo: esto es la sala de máquinas, no el marketing. Un COO debería preguntar a su proveedor: ¿Qué pasa si se pierde la conexión? ¿Pueden seguir funcionando las líneas? ¿Cómo se prueban las actualizaciones? ¿Qué registros hay? ¿Qué datos salen de la fábrica? Si las respuestas son vagas, es una señal de advertencia.

La confianza en el modelo es el tercer punto. Una IA puede identificar un cuello de botella y, sin embargo, equivocarse si falta el contexto. Quizás la línea iba lenta porque se estaba formando a un nuevo empleado. Quizás el descarte fue intencionado porque se endureció un proceso de prueba. Quizás el pedido era un caso especial. Por eso los sistemas necesitan bucles de retroalimentación. Los operarios, los técnicos de mantenimiento, los responsables de calidad y los planificadores deben poder introducir correcciones. De lo contrario, se crea una máquina que suena inteligente y prioriza de forma estúpida.

Lógica presupuestaria: por qué la IA en la fabricación debe calcularse de forma diferente

La IA en la fabricación no escalará a través de presupuestos de innovación. No de forma permanente. Debe calcularse en función de los impulsores de valor clave: menos tiempo de inactividad, menos residuos, menor tiempo de preparación, plazos de entrega más estables, mejores márgenes de oferta, menor consumo de energía por pieza buena. Yo iniciaría cada proyecto con una línea de base. Cuatro semanas de datos, una línea, categorías de pérdidas claras. Luego, medidas. Luego, comparación. No es perfecto, pero lo suficientemente fiable como para justificar una segunda fábrica.

Un ejemplo: una celda CNC con cuatro máquinas pierde 12 horas a la semana debido a paradas no planificadas y pequeñas averías. La tarifa horaria interna es de 95 euros, el cuello de botella impide además dos pedidos de clientes al mes con un margen de contribución de 18.000 euros cada uno. Si una capa de inteligencia de fabricación reduce solo un tercio de estas pérdidas, el caso de negocio no es sutil. Pero para ello, el sistema no solo debe contar las paradas. Debe mostrar qué paradas son influenciables y qué medida tiene el mayor efecto. De lo contrario, se optimiza lo más ruidoso en lugar de lo más caro.

Para los directores generales, la mejor pregunta no es: ¿Cuánto cuesta el software? La mejor pregunta es: ¿Qué pérdida estamos aceptando ahora mismo porque no la vemos? Esta pregunta duele. Revela que algunas fábricas han vivido durante años con un impuesto en la sombra, en forma de retrabajos, viajes especiales, retrasos en las entregas, descuentos y escaladas internas. La inteligencia de fabricación promete hacer visible este impuesto. Pero hay que pagarlo de todos modos, mientras nadie actúe.

Pronóstico personal: los próximos 2 a 3 años

Mi pronóstico: para finales de 2028, la inteligencia de fabricación en DACH ya no será percibida como un campo de juego de IA, sino como una infraestructura operativa normal para fabricantes exigentes. No en todas partes. No en todas las empresas de 70 empleados con tres máquinas estables y una cartera de pedidos completa. Pero en empresas que tienen varias líneas, clientes exigentes, presión de auditoría y conflictos de capacidad reales. Allí, la pregunta no será si se utilizan los datos de producción. Será por qué ventas, planificación y mantenimiento todavía tienen verdades diferentes.

Espero tres cambios. Primero, los COOs comprarán más en función del tiempo de obtención de información. No en función de listas de funciones. Quien muestre patrones de pérdidas fiables en cuatro semanas superará al proveedor con 80 características y nueve meses de plan de proyecto. Segundo, el departamento de ventas extraerá datos de producción para el ICP, la priorización de ofertas y la planificación de cuentas. Esto generará resistencia, porque hará que algunos clientes favoritos parezcan menos atractivos. Tercero, los datos ESG y de energía se integrarán en la optimización de la producción. No por idealismo, sino porque los clientes y los costes lo exigen.

La ronda de 16 millones de euros de Almetra es un marcador para ello, no un punto final. Demuestra que los inversores creen en una categoría europea: herramientas nativas de IA que generan valor directamente a partir de los datos del taller. Si Almetra será la plataforma dominante en cinco años, no lo sé. Nadie lo sabe. Pero creo que la antigua separación entre los datos de fábrica y las decisiones comerciales se está rompiendo. El departamento de ventas se acercará a la máquina. El COO se acercará a la cartera de proyectos. Y en algún lugar de una nave, una vieja impresora de etiquetas seguirá traqueteando, mientras un panel de control muestra por primera vez lo que realmente cuesta ese ruido.