El problema no era falta de datos, era el costo de juntarlos
Una planta de autopartes en el área metropolitana de Monterrey, 180 empleados, tres turnos. Cada lunes el jefe de operaciones necesitaba tres reportes: producción por línea, eficiencia de máquina y rechazos de calidad. Cada uno lo armaba una persona diferente, en Excel diferente, con criterios ligeramente distintos para calcular los mismos indicadores.
El resultado: tres archivos que tardaban entre 3 y 6 horas en generarse, llegaban en momentos distintos del lunes y a veces con números que no cuadraban entre sí. El jefe de operaciones pasaba otra hora reconciliando versiones antes de poder usarlos. 14 horas semanales de trabajo calificado dedicadas a mover números de un lado a otro.
El problema no era que la empresa careciera de información. Los datos existían en el ERP, en el sistema SCADA de las máquinas y en el módulo de calidad. El problema era el costo de extraerlos, limpiarlos y presentarlos de forma usable.
Qué hace exactamente el agente (y qué no hace)
El agente que se implementó no es un chatbot ni un modelo de lenguaje conversacional. Es un workflow automatizado con tres componentes:
- Extracción programada: cada domingo a las 11 PM el agente consulta las tres fuentes de datos (ERP vía API, SCADA vía exportación CSV automatizada, módulo de calidad vía base de datos directa).
- Transformación y validación: aplica las reglas de negocio que antes cada analista aplicaba manualmente — misma fórmula de OEE, mismo criterio para clasificar rechazos, mismo corte de turno.
- Generación y entrega: produce un único reporte consolidado en PDF y Excel, lo envía por correo al jefe de operaciones y lo sube a una carpeta compartida antes de las 6 AM del lunes.
Lo que el agente no hace: no interpreta por qué la línea 3 tuvo 8% más rechazos que la semana anterior. Eso sigue siendo trabajo del equipo. Lo que sí hace es marcar automáticamente en rojo cualquier indicador que salga del rango histórico, para que la atención humana vaya directo a lo que importa.
En Eurema llamamos a esto “agente de primer nivel”: no decide, pero filtra el ruido para que quien decide no pierda tiempo buscando la señal.
Las condiciones que hacen esto viable (y las que lo rompen)
No toda manufactura está lista para este reemplazo. Lo que vimos en este proyecto — y lo que evaluamos antes de arrancar — fue:
Condiciones que lo hacen viable:
- Los datos ya existen en sistemas digitales, aunque sean legacy
- El proceso de reporte es repetitivo y las reglas de negocio están documentadas (o se pueden documentar en 2 sesiones de levantamiento)
- Hay alguien en la empresa que puede validar que el output del agente es correcto durante las primeras semanas
Condiciones que lo rompen o encarecen:
- Los datos viven en papel o en sistemas sin ninguna forma de exportación programable
- Las reglas de negocio cambian con frecuencia y no hay un dueño claro que las mantenga
- Se espera que el agente “entienda el contexto” de situaciones excepcionales — eso requiere un componente de lenguaje natural que sube la complejidad y el costo considerablemente
En este caso, la empresa tenía ERP con API documentada y un analista de TI interno que conocía el SCADA. Eso redujo el tiempo de integración de lo que podría haber sido 12 semanas a 7.
Los números reales, 90 días después
Tres meses después del go-live, los resultados medibles fueron:
| Métrica | Antes | Después |
|---|---|---|
| Horas semanales en reportes | 14 hrs | 1.5 hrs (revisión y validación) |
| Hora de entrega del reporte | Variable, 9–11 AM lunes | 6 AM lunes, sin variación |
| Inconsistencias entre reportes | Frecuentes (1–2 por semana) | 0 en 12 semanas |
| Costo mensual de la tarea | ~$1,800 USD (costo-hora equipo) | ~$420 USD (mantenimiento + revisión) |
El ahorro neto mensual rondó los $1,380 USD. Con un costo de desarrollo de $5,200 USD, el payback fue de menos de 4 meses.
Lo que no aparece en la tabla pero sí mencionó el jefe de operaciones: los lunes cambiaron. Antes llegaba a apagar incendios de datos; ahora llega con el reporte ya leído y la reunión de producción empieza con preguntas sobre operación, no sobre por qué no cuadran los números.
Qué necesitas para evaluar si esto aplica en tu planta
Antes de hablar de agentes o automatización, hay una pregunta más simple: ¿puedes ponerle costo-hora a los reportes que hoy se hacen a mano?
Si la respuesta es sí y el número mensual supera los $800–$1,000 USD, el análisis de viabilidad vale la pena. Si no puedes calcularlo, ese es el primer paso — no la tecnología.
El criterio que usamos en Eurema para decidir si un caso de reporte manual tiene ROI claro es este: si el proceso es repetitivo, los datos ya son digitales y las reglas de negocio son estables, el agente paga su desarrollo en menos de 6 meses en la mayoría de los casos de manufactura mediana que hemos visto en el norte de México.
Si estás en ese rango, el siguiente paso concreto es un levantamiento de 2 sesiones donde se mapean las fuentes de datos, las reglas de negocio y los criterios de validación. Con eso se puede dar una estimación de costo y tiempo sin compromisos. Puedes ver cómo trabajamos este tipo de proyectos en la página de Agentes personalizados o revisar el enfoque de Análisis de datos si el problema es más amplio que los reportes.