Los casos de uso que siguen son ejemplos ilustrativos de cómo AyGLOO se aplica en cada sector. Cada snapshot muestra tres cosas: qué decisión toma el modelo, por qué la toma y con qué certeza, y qué acción concreta se recomienda. El analista pasa de recibir una puntuación sin contexto a una recomendación razonada, cuantificada y lista para validar.

Prescriptive Decision AI para Industria y Fabricación
Industria
Mantenimiento Predictivo de Activos de Producción

Los modelos de mantenimiento predictivo puntúan activos de producción en riesgo de fallo: prensas, robots de soldadura, centros de mecanizado, motores. El técnico recibe una probabilidad sin saber qué señal de sensor la impulsa, cuál es la intervención mínima para evitar un paro de línea no planificado, ni si el problema afecta solo a ese activo o a otros del mismo lote de fabricación o proveedor de componentes. AyGLOO convierte esa alerta en cuatro beneficios concretos: las reglas del Twin explican qué combinación de señales generó el riesgo; el ISA confirma si el modelo es fiable en ese tipo de activo y turno; el Graph detecta riesgos sistémicos por lote o proveedor invisibles activo a activo; y la simulación cuantifica el coste del paro de línea frente a la intervención preventiva antes de decidir.

1
El técnico sabe exactamente qué señales de sensor están impulsando el riesgo y con qué certeza, sin tener que interpretar logs de telemetría ni buscar en históricos de mantenimiento manualmente.
2
El análisis de red detecta si varios activos del mismo lote de fabricación o proveedor de componentes muestran degradación simultánea, antes de que el primer paro haga visible el problema sistémico.
3
El CF calcula la intervención mínima que baja el riesgo por debajo del umbral operativo, con el coste de cada opción para decidir entre sustitución parcial o parada programada completa.
4
La simulación cuantifica el coste del paro de línea no planificado en euros por hora frente al coste de la intervención preventiva, convirtiendo la decisión de mantenimiento en una decisión de negocio.
Hoy, lo que un técnico de mantenimiento suele recibir
Activo: Robot soldadura RSW-14 · Línea 3 Probabilidad de fallo: 78% · Riesgo: ALTO Sin contexto adicional
Con AyGLOO. Misma alerta, completamente enriquecida
Robot soldadura RSW-14 · Línea 3 · Planta Zaragoza Probabilidad de fallo: 78% · Próximas 72 horas
XAI Por qué está marcado este activo Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo en este segmento Graph Análisis de red por lote o proveedor CF Intervención mínima Twin Simulación de coste de paro PDF Registro de mantenimiento
1. Por qué está marcado este activo. Twin model (profundidad 7 · fidelidad 96.8%)
100%IF vibración_eje_J3 > 2.4× umbral_nominal AND temperatura_servomotor > 82°C AND ciclos_desde_revisión > 48.000 → Programar intervención en <48h. Fiabilidad total: actuar sin revisión adicional.
84%IF tendencia_consumo_corriente_J3 > +18% en 10 días AND vibración_en_aumento = true → Probable desgaste en rodamiento del eje J3. Verificar con inspección visual antes de programar la intervención.
61%IF temperatura_servomotor > 78°C sin otros factores → Señal débil aislada. Puede ser temperatura ambiente elevada en planta. No programar intervención solo con esta señal.
La combinación de vibración creciente, temperatura elevada y ciclos acumulados activa la regla de 100% de fiabilidad. Ninguno de los tres factores por separado justificaría la intervención; la combinación hace el fallo inminente en el histórico del activo.
XAITwin
2. Doble check del modelo en este segmento (ISA)
Segmento: "robots de soldadura, eje J3, 45.000–55.000 ciclos post-revisión, turno intensivo" · Precisión del modelo en este segmento: 91% · Tasa de falsos positivos: 9% · Sin deriva detectada en las últimas 8 semanas · Alta fiabilidad: actuar con confianza.
Segmento de mayor incertidumbre: activos de menos de 6.000 ciclos post-revisión tienen precisión del 54% porque el comportamiento post-mantenimiento es variable en las primeras semanas. En ese segmento se recomienda confirmar con inspección visual antes de programar.
El ISA confirma que el modelo predice bien en este rango de ciclos. Saber que los activos recién revisados tienen precisión del 54% evita programar intervenciones innecesarias en equipos que acaban de pasar por mantenimiento.
ISA
3. Análisis de red. Riesgo sistémico por lote de componentes
RSW-14 comparte el lote de rodamientos del eje J3 Lote SKF-2024-Q2 con 3 robots adicionales de la misma línea: RSW-11, RSW-12 y RSW-16 · RSW-11 muestra vibración en aumento (+1.8×, aún por debajo del umbral de alerta) · Los 4 robots acumulan ciclos similares en el mismo rango de turno intensivo · Patrón no detectable analizando cada activo por separado: posible defecto de lote que afectaría a los 4 robots en las próximas 2 semanas
Analizando RSW-14 de forma individual el problema parece puntual. El análisis de red revela que hay 3 activos adicionales con el mismo lote de rodamientos en degradación temprana. Actuar solo en RSW-14 y esperar a que fallen los otros tres multiplica el coste de paros y de gestión de urgencias.
Graph
4. CF. Intervención mínima que baja el riesgo por debajo del umbral
Sustitución del rodamiento del eje J3 en la próxima ventana de parada programada (36h): 78% → 9% · Lubricación de emergencia + inspección visual: 78% → 44%, extensión de ventana operativa estimada 5–7 días · Sustitución completa del módulo J3: 78% → 2%, pero requiere parada de línea de 8h
La sustitución del rodamiento en la próxima ventana programada es la opción óptima: no requiere paro de emergencia y baja el riesgo al 9%. La lubricación de emergencia solo compra tiempo si la próxima ventana programada está a más de 7 días.
El CF responde a la pregunta del técnico: ¿puedo esperar a la próxima ventana programada o tengo que parar ahora? Con una ventana disponible en 36h, la intervención mínima evita el paro de emergencia sin comprometer la producción.
CF
5. Simulación de coste. Paro de emergencia frente a intervención preventiva
Paro de emergencia no planificado en Línea 3: tiempo medio de parada 6.5h · Coste directo: €48.000 (producción perdida + horas extra de reparación + penalización de entrega) · Sustitución de rodamiento en ventana programada: €1.200 · Ahorro estimado: €46.800 · Si se incluyen los 4 activos del mismo lote: ahorro estimado total €187.200
Registro de mantenimiento pre-redactado: "Análisis predictivo de telemetría identificó vibración acelerada en eje J3 (2.4× umbral nominal) y temperatura de servomotor de 82°C a 48.420 ciclos post-revisión. Sustitución preventiva de rodamiento SKF-6208-2RS realizada en ventana programada. Activo liberado al servicio." Exportación con un clic al sistema de gestión de mantenimiento.
El argumento de los 4 activos del mismo lote convierte €46.800 de ahorro individual en €187.200 de ahorro potencial si se actúa de forma coordinada. Ese es el número que justifica escalar a ingeniería de planta y no gestionar el problema activo a activo.
TwinPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Control de Calidad y Detección de Defectos

Los modelos de visión artificial o de sensores detectan piezas fuera de tolerancia en la línea de producción. El operario recibe una alerta de defecto sin saber qué parámetro del proceso la causó, si es un problema de turno, de herramienta desgastada o de lote de materia prima, ni si el defecto es puntual o sistémico en la línea. Sin esa información, la respuesta es siempre la misma: parar y revisar. Con AyGLOO, la respuesta es la intervención mínima que corrige la causa raíz. AyGLOO convierte cada alerta en cuatro beneficios concretos: la explicación de qué parámetro de proceso causó el defecto; el mapa de atención visual que muestra en qué zona de la pieza se concentra el problema; el análisis de red que detecta si el defecto es sistémico en varias máquinas o lotes; y el CF que calcula el ajuste mínimo de parámetro que elimina el defecto sin parar la línea.

1
El operario sabe exactamente qué parámetro de proceso generó el defecto y con qué certeza, sin tener que buscar manualmente la correlación entre los logs del proceso y los resultados de inspección.
2
El mapa de atención visual muestra en qué zona específica de la pieza se concentra el defecto, lo que permite correlacionar con el paso de proceso o la herramienta que actúa sobre esa zona.
3
El análisis de red detecta si el defecto aparece en varias máquinas que comparten el mismo lote de materia prima o proveedor de herramientas, antes de que la tasa de rechazo escale.
4
El CF calcula el ajuste mínimo de parámetro que elimina el defecto, permitiendo corregir el proceso sin parar la línea en la mayoría de los casos.
Hoy, lo que un operario de calidad suele recibir
Pieza #PCZ-20260301-44821 · Carcasa aluminio Defecto detectado: RECHAZADA Línea 2 · Estación 7 · Sin contexto adicional
Con AyGLOO. Misma alerta, completamente enriquecida
Pieza #PCZ-20260301-44821 · Carcasa aluminio A380 Defecto: porosidad zona B · Confianza: 94%
XAI Qué parámetro de proceso causó el defecto Twin Reglas con nivel de fiabilidad CV Mapa de atención visual ISA Patrón en la línea y el turno Graph Análisis de red por lote o herramienta CF Ajuste mínimo que elimina el defecto Action Corrección recomendada
1. Qué parámetro de proceso causó el defecto. Twin model (profundidad 7 · fidelidad 96.4%)
100%IF temperatura_molde < 178°C AND presión_inyección < 680 bar AND lote_aleación = activo → Porosidad por llenado incompleto. Fiabilidad total: ajustar parámetros antes de continuar la producción.
82%IF humedad_relativa_planta > 68% AND temperatura_molde_borde_tolerancia = true → Riesgo de porosidad por humedad en la aleación. Verificar condiciones de almacenamiento del material antes del siguiente ciclo.
59%IF velocidad_inyección > 1.15× nominal sin otros factores → Señal débil aislada. La velocidad por sí sola no explica el defecto si la temperatura y la presión están dentro de tolerancia.
La temperatura del molde y la presión de inyección son los dos parámetros que determinan el llenado de la cavidad. La combinación de ambos por debajo del límite inferior de tolerancia activa sistemáticamente la porosidad en zona B para este tipo de carcasa.
XAITwin
2. Mapa de atención visual. Qué zona de la pieza concentra el defecto
El modelo concentró su activación en la zona B de la carcasa (pared lateral derecha, espesor reducido): 61% de activación · Zona de transición entre nervio de rigidización y pared exterior: 22% · Área de punto de inyección secundario: 11% · El patrón espacial es consistente con llenado incompleto por baja presión en la zona de mayor recorrido del flujo
El mapa de atención visual conecta el defecto con la geometría de la pieza: la zona B es la más alejada del punto de inyección y la que requiere mayor presión para llenarse completamente. Eso confirma que el problema es de parámetros de proceso, no de defecto de material o de herramienta.
CV
3. Patrón en la línea y el turno (ISA)
Tasa de rechazo en Estación 7, turno de noche, últimas 48h: 8.4% frente al 1.9% de media · El incremento se correlaciona con el cambio de turno de las 22:00 · Temperatura media del molde en turno noche: 176.2°C frente a 181.4°C en turno día · La diferencia de temperatura ambiente entre turnos explica la desviación del parámetro
El problema no es la máquina: es el protocolo de precalentamiento del molde al inicio del turno de noche. La temperatura ambiente más baja hace que el molde pierda más calor entre ciclos si el tiempo de precalentamiento no se ajusta estacionalmente.
El ISA detecta que el problema es sistemático del turno de noche, no una pieza aislada. Sin este análisis la respuesta sería ajustar los parámetros de la pieza en curso; con él, la respuesta es revisar el protocolo de precalentamiento para el turno de noche en toda la línea.
ISA
4. Análisis de red. ¿El defecto es sistémico en varias máquinas?
Estaciones 5 y 9 de la misma línea muestran incremento de tasa de rechazo en turno de noche en los últimos 3 días · Las 3 estaciones comparten el mismo circuito de regulación de temperatura del molde · El patrón es consistente con una deriva del sistema de control de temperatura del circuito, no con un problema de parámetros individuales de cada máquina
Analizando la Estación 7 por separado la corrección sería ajustar los parámetros de esa máquina. El análisis de red revela que hay un problema en el circuito de temperatura compartido que afecta a 3 estaciones. La corrección correcta es en el sistema de control, no en cada máquina individualmente.
Graph
5. CF. Ajuste mínimo de parámetro que elimina el defecto
Aumentar temperatura del molde a 182°C (+4°C sobre lectura actual): tasa de rechazo prevista 1.8% · Aumentar presión de inyección a 700 bar (+20 bar): tasa de rechazo prevista 2.1% · Ambos combinados: tasa de rechazo prevista 0.9% · Revisar protocolo de precalentamiento turno noche (+8 min de precalentamiento): elimina la causa raíz sin tocar parámetros de ciclo
La corrección de parámetros resuelve el problema en el turno actual. La revisión del protocolo de precalentamiento es la corrección estructural que evita que el problema reaparezca en el siguiente turno de noche.
El CF distingue entre la corrección inmediata (ajuste de parámetros para terminar el turno) y la corrección estructural (protocolo de precalentamiento). Sin la segunda, el mismo problema aparecerá en el próximo turno de noche.
CF
6. Corrección recomendada
Inmediata: aumentar temperatura del molde a 182°C y presión a 700 bar en Estaciones 5, 7 y 9 · Esta semana: revisar el circuito de regulación de temperatura compartido entre las 3 estaciones · Protocolo: añadir 8 minutos al precalentamiento del molde en turno de noche durante los meses de invierno · Registrar en el sistema de gestión de calidad como no conformidad sistémica de turno
La acción tiene tres niveles: la corrección inmediata de parámetros, la revisión del sistema de control compartido y el ajuste del protocolo estacional. Sin los tres niveles el problema reaparece en el próximo turno de noche o en el próximo invierno.
Action

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.

Optimización de Parámetros de Proceso

Los modelos de optimización de proceso recomiendan ajustes de parámetros (temperatura, presión, velocidad, concentración) para maximizar el rendimiento del lote o minimizar el consumo energético. El operador recibe la recomendación sin saber con qué certeza se generó, si es fiable para ese tipo de materia prima o en esas condiciones de planta, ni qué pasaría con el rendimiento si un parámetro se desvía de lo recomendado durante el proceso. AyGLOO convierte esa recomendación en cuatro beneficios concretos: las reglas del Twin explican qué combinación de condiciones de entrada generó la recomendación; el ISA detecta si el modelo es fiable para ese lote de materia prima; el What-if muestra cómo evolucionaría el rendimiento si un parámetro se desvía durante el proceso; y el CF calcula la corrección mínima que salvaría el lote si el rendimiento empieza a desviarse.

1
El operador entiende por qué el modelo recomienda esos parámetros concretos para este lote, sin tener que consultar al equipo de proceso ni buscar en recetas históricas similares.
2
El ISA detecta si las características del lote de materia prima actual están dentro del rango donde el modelo tiene buena precisión histórica, antes de comprometer la producción del lote completo.
3
El What-if muestra cómo evolucionaría el rendimiento del lote si la temperatura sube 3°C o la concentración se desvía un 2%, permitiendo al operador actuar antes de que la desviación sea irreversible.
4
Si el rendimiento empieza a desviarse durante el proceso, el CF calcula la corrección mínima de parámetro que salva el lote antes de que cruce el umbral de rechazo.
Hoy, lo que un operador de proceso suele recibir
Lote #LOT-20260301-0847 · Reactor R-04 Parámetros recomendados: T=142°C · P=3.2 bar · t=4.5h Sin contexto adicional
Con AyGLOO. Misma recomendación, completamente enriquecida
Lote #LOT-20260301-0847 · Reactor R-04 · Materia prima: Lote MP-2026-Q1-334 Rendimiento objetivo: 94.2% · Confianza del modelo: 91%
XAI Por qué estos parámetros para este lote Twin Reglas con nivel de fiabilidad ISA Fiabilidad del modelo para este lote de materia prima What-if Sensibilidad del rendimiento a desviaciones de parámetro CF Corrección mínima si el rendimiento empieza a desviarse Action Parámetros recomendados y puntos de control PDF Trazabilidad de lote
1. Por qué estos parámetros para este lote. Twin model (profundidad 7 · fidelidad 95.8%)
100%IF índice_viscosidad_MP > 48 AND humedad_MP < 0.3% AND reactor = R-04 → T=142°C, P=3.2 bar, t=4.5h maximiza el rendimiento para este perfil. Fiabilidad total: patrón confirmado en 34 lotes similares.
83%IF temperatura_ambiente_planta > 28°C AND reactor_horas_desde_limpieza > 120h → Reducir temperatura 2°C sobre el nominal para compensar el calor residual del reactor. Ajustar a 140°C.
62%IF índice_viscosidad_MP entre 44 y 48 sin otros factores → Señal en el límite del rango óptimo. Monitorizar rendimiento a las 2h y ajustar temperatura si la conversión está por debajo del 88%.
El índice de viscosidad de la materia prima es el parámetro que más determina los ajustes de temperatura y tiempo para este tipo de proceso. Con viscosidad >48 el modelo tiene 34 lotes históricos de referencia con rendimiento >93%.
XAITwin
2. Doble check del modelo para este lote de materia prima (ISA)
Lote MP-2026-Q1-334: índice de viscosidad 49.2, humedad 0.21%, pureza 99.4% · Perfil dentro del rango de alta fiabilidad del modelo · Lotes similares en los últimos 6 meses: rendimiento medio 94.1%, desviación estándar 0.8% · Alta fiabilidad: seguir los parámetros recomendados.
Perfil de materia prima de menor fiabilidad: lotes con índice de viscosidad <44 o pureza <98.5% tienen una desviación de rendimiento de ±3.2% porque el modelo tiene menos datos históricos para esos rangos. En esos lotes se recomienda reducir el tamaño del lote y monitorizar continuamente hasta confirmar el comportamiento.
El ISA no solo valida el lote actual: alerta sobre qué condiciones de materia prima hacen al modelo menos fiable. Saber eso antes de procesar un lote fuera del rango óptimo evita comprometer toda la producción de ese reactor en ese turno.
ISA
3. What-if. Sensibilidad del rendimiento a desviaciones de parámetro durante el proceso
Si la temperatura sube a 145°C (+3°C): rendimiento baja a 91.4% por degradación térmica parcial · Si la temperatura baja a 139°C (–3°C): rendimiento baja a 88.7% por conversión incompleta · Si la presión cae a 2.9 bar (–0.3 bar): rendimiento baja a 90.1% · Si el tiempo de proceso se reduce a 4h (–0.5h): rendimiento baja a 87.3% · La temperatura es la variable más sensible: una desviación de ±3°C tiene más impacto que cualquier otro parámetro.
Saber que la temperatura es la variable crítica concentra la atención del operador durante el proceso. No hay que monitorizar todos los parámetros con la misma intensidad: la temperatura merece el seguimiento más frecuente en este tipo de lote.
What-if
4. CF. Corrección mínima si el rendimiento empieza a desviarse durante el proceso
Si a las 2h la conversión está por debajo del 88%: aumentar temperatura a 144°C y extender el tiempo 30 min → rendimiento previsto 92.8% · Si a las 3h la conversión está por debajo del 85%: el lote está en riesgo; evaluar si continuar o rechazar antes de completar el ciclo · Si la temperatura se ha desviado más de 4°C durante más de 45 min: el rendimiento no es recuperable con ajustes de parámetro
El punto de no retorno para este tipo de lote es una desviación de temperatura de más de 4°C durante más de 45 minutos. Pasado ese punto, continuar el proceso solo añade coste de energía sin recuperar rendimiento.
El CF en proceso continuo no es solo la acción que invierte la decisión inicial: es el árbol de decisión durante el proceso. El operador sabe de antemano en qué momento una desviación es recuperable y en qué momento es mejor parar y rechazar el lote para no perder más energía y tiempo.
CF
5. Parámetros recomendados y puntos de control del lote
Arrancar con T=142°C, P=3.2 bar, t=4.5h · Punto de control 1 (2h): si conversión <88%, ajustar a T=144°C y extender 30 min · Punto de control 2 (3h): si conversión <85%, evaluar continuidad del lote · Monitorizar temperatura cada 15 min: es la variable crítica para este perfil de materia prima · Rendimiento objetivo: 94.2% ± 1.2%
Trazabilidad de lote pre-generada: condiciones de entrada de materia prima, parámetros de proceso recomendados y aplicados, puntos de control con lecturas, rendimiento final. Lista para el sistema de gestión de calidad y para inspección regulatoria.
Los puntos de control con umbrales de acción predefinidos son la diferencia entre un operador que reacciona cuando el rendimiento ya no es recuperable y uno que actúa en la ventana en que todavía puede corregir el proceso.
ActionPDF

Ejemplo ilustrativo. Cada despliegue se adapta a los modelos, datos y operativa de cada entidad.