GMAO frente a mantenimiento predictivo: qué debe hacer realmente un sistema de gestión de mantenimiento

Un responsable de mantenimiento pide «un GMAO». Un proveedor responde con sensores, machine learning y un panel que predice averías con tres semanas de antelación. En algún punto de esa conversación se pierde la pregunta real —qué pasa la próxima vez que una máquina se avería a las dos de la madrugada. El GMAO y el mantenimiento predictivo no son compras que compitan entre sí, pero tampoco son la misma compra. Uno es la columna vertebral de registro; el otro es una estrategia que se ejecuta encima. Comprar la segunda sin la primera es el error más habitual y también el más caro.

Para qué sirve realmente un GMAO

Un sistema de gestión de mantenimiento asistido por ordenador (GMAO) es deliberadamente poco vistoso: órdenes de trabajo, planes preventivos, stock de repuestos e historial de máquina, todo en un solo sitio en lugar de una pizarra, una hoja de cálculo y el técnico que recuerde qué pasó la última vez. Los planes basados en tiempo y en uso —mensuales, anuales, o cada N horas de funcionamiento o unidades producidas— se generan y se controlan automáticamente en lugar de depender de que alguien se fije en una fecha de vencimiento.

Esta columna vertebral importa más que la estrategia que se ejecuta sobre ella, porque toda estrategia depende del mismo registro. Una predicción de que un rodamiento va a fallar no vale nada si no hay una orden de trabajo para actuar sobre ella, ningún técnico asignado, y ningún historial de lo que realmente se hizo la última vez que se revisó ese rodamiento. Las plantas que saltan directamente al mantenimiento predictivo sin antes arreglar su disciplina de órdenes de trabajo suelen descubrir que el modelo era la parte fácil.

Dónde empieza el mantenimiento predictivo y dónde termina un GMAO

El mantenimiento preventivo funciona con un calendario o un contador: revise este reductor cada 90 días o cada 50.000 ciclos, lo que ocurra antes, sin importar cómo esté realmente el reductor. Es barato de empezar —basta un GMAO con planes basados en estrategia, sin sensores— y sobreatiende el equipo sano mientras desatiende el equipo sometido a carga inusual, porque el tiempo y el conteo de ciclos son un indicador indirecto del desgaste, no una medida de él.

El mantenimiento predictivo sustituye ese indicador indirecto por una medición. Los datos de vibración, temperatura y corriente procedentes de sensores IoT o de un PLC ya existente alimentan un modelo que señala la degradación antes de que se convierta en avería —un rodamiento que funciona más caliente que su propia línea base, un motor que consume más corriente que ese mismo motor hace un mes para el mismo trabajo. El resultado sigue siendo una orden de trabajo en el mismo GMAO; lo único que cambia es el disparador, de una fecha a una señal real.

La advertencia honesta: un modelo predictivo vale exactamente lo que valga el historial de averías del que aprendió. Una máquina sin averías registradas y sin historial de sensores del último año no le da al modelo nada contra lo que calibrarse. Esta es la razón práctica por la que el mantenimiento predictivo suele ser lo segundo que hace una planta, no lo primero: el GMAO tiene que estar registrando averías reales y reparaciones reales antes de que «predecir la siguiente» signifique algo.

Las dos cifras que dicen si alguno de los dos está funcionando

El MTBF (tiempo medio entre fallos) y el MTTR (tiempo medio de reparación) no son métricas de escaparate; son las dos únicas cifras que separan «hacemos mantenimiento» de «el mantenimiento está funcionando». Que el MTBF suba significa que la estrategia que sea que esté en marcha —preventiva, predictiva o ambas— está de verdad evitando averías y no solo documentándolas después de que ocurran. Que el MTTR baje significa que, cuando algo se avería, la orden de trabajo, el técnico asignado y el repuesto llegan lo bastante rápido como para que la parada sea un problema mecánico y no administrativo.

Un historial de mantenimiento que solo cuenta averías sin marcas de tiempo de «notificada», «iniciada» y «cerrada» no puede producir honestamente ninguna de las dos cifras. Esta es la razón concreta por la que el historial de máquina tiene que ser un dato estructurado dentro del GMAO —MTBF, MTTR, porcentaje de parada, tasa de avisos urgentes y coste por máquina, línea y planta, calculados a partir de los mismos registros que el técnico ya rellenó, no reconstruidos después de memoria.

Por qué mantenimiento y producción se disputan las mismas horas sin integración

Un plan de mantenimiento y un programa de producción intentan apropiarse ambos de las mismas horas de máquina, y si se construyen en dos sistemas que no se hablan, un lado se entera del otro por sorpresa. Mantenimiento programa un cambio de rodamiento para el martes por la tarde; producción tiene un pedido urgente que vence el martes por la tarde en la misma línea. Alguien pierde, y suele decidirlo quien grite más fuerte esa mañana y no la opción que realmente cueste menos.

Planificar las ventanas de mantenimiento dentro del programa de producción —en lugar de en contra de él— convierte esa disputa en una restricción de programación y no en un pulso. El APS ve la ventana de mantenimiento como una franja no disponible al construir el plan, y mantenimiento ve las órdenes comprometidas al proponer una ventana. Ninguno de los dos lados se lleva una sorpresa, porque ninguno trabaja a partir de un plan que el otro no pueda ver.

Dónde termina el MES y dónde empieza un GMAO

La misma pregunta de frontera que separa al MES del ERP y del SCADA se aplica aquí, y merece la pena ser igual de precisos. El MES posee el instante en que una máquina se detiene: captura el motivo de parada —categoría, marca de tiempo, qué operación— en tiempo real, en la planta, porque ahí es donde la parada se ve primero. El GMAO posee lo que ocurre después: un aviso de mantenimiento creado automáticamente a partir de ese motivo de parada, un técnico despachado, una pieza reservada, una reparación registrada, y todo el evento incorporado al MTBF de esa máquina en el momento en que se cierra.

Tratar a los dos como sustitutos rompe algo en ambas direcciones. Pídale al MES que gestione la reparación y no tiene ni idea de stock de repuestos, competencias del técnico o un calendario preventivo —no es para eso. Pídale a un GMAO que detecte la parada desde el principio, sin una alimentación de datos desde la planta, y cada aviso depende de que alguien se acuerde de registrarlo a mano, que es exactamente el problema de disciplina que el GMAO se compró para eliminar. La integración que de verdad funciona es estrecha y concreta: un motivo de parada registrado en el MES crea el aviso de mantenimiento automáticamente, con la máquina, la hora y el código de fallo ya cumplimentados. Nadie vuelve a teclear nada, y nada espera a que alguien se dé cuenta.

Repuestos: el paso que todo despliegue de GMAO subestima

Una orden de trabajo que le dice a un técnico qué arreglar y no le dice si la pieza está en la estantería es medio sistema, y aquí es donde un número sorprendente de despliegues de GMAO fracasan en silencio durante el primer año. La comprobación de stock ocurre de todas formas —solo que ocurre como una llamada de teléfono al almacén en lugar de dentro del software, lo que devuelve el retraso exactamente al punto donde el GMAO se suponía que iba a eliminarlo.

Vincular las órdenes de mantenimiento directamente al stock de repuestos cierra ese hueco: una orden de trabajo reserva la pieza que necesita, una transferencia entre almacenes con confirmación por código de barras la mueve si está en otra línea u otro centro, y un pedido de compra se dispara automáticamente si la estantería está realmente vacía. El técnico sigue caminando hasta la estantería, pero el software ya ha respondido a la pregunta de si la pieza va a estar ahí —que es la diferencia entre un paseo de diez minutos y una espera de dos días para la misma reparación.

Qué cambia realmente cuando lo preventivo se vuelve predictivo

En los despliegues de mantenimiento de Meta Smart Factory, el cambio típico de un planteamiento puramente reactivo o vagamente preventivo a un GMAO con mantenimiento predictivo por encima ronda un 45 % menos de averías, un 20 % más de vida útil de máquina y un 30 % menos de coste de mantenimiento, con las órdenes de trabajo pasando a ser totalmente digitales desde la mezcla de papel y memoria que hubiera antes. Ninguna de esas cuatro cifras sale solo de los sensores —salen de la combinación: un GMAO que registra con fiabilidad cada avería y cada reparación, planes preventivos que dejan de adivinar intervalos, alertas predictivas donde el historial de averías las justifica, y repuestos que se reservan antes de despachar al técnico en lugar de descubrirse que faltan después.

La pregunta práctica de secuencia no es «GMAO o mantenimiento predictivo» —es qué va primero, y la respuesta siempre es el GMAO. El mantenimiento predictivo es una estrategia que se apunta hacia un sistema de mantenimiento que ya está registrando la verdad sobre qué se avería y cuánto cuesta. Apúntelo hacia cualquier cosa menos que eso y el modelo no tiene nada real de lo que aprender.