● La irrupción de inteligencia artificial explicable está cambiando el estándar del mantenimiento industrial, permitiendo diagnósticos en tiempo real y decisiones operativas basadas en datos verificables.
● Con tasas de validación superiores al 81% y alta correlación entre alertas y fallas reales, la tecnología abre un nuevo debate: por qué las empresas siguen operando con modelos reactivos si las fallas ya pueden preverse.
En 2025, una falla en el molino SAG de la mina Carmen de Andacollo obligó a detener la operación por casi un mes, impactando directamente la producción de cobre y evidenciando el alto costo de las detenciones no programadas en la industria.
En un contexto de creciente presión por eficiencia y control de costos, este tipo de episodios está tensionando el modelo tradicional de mantenimiento, históricamente reactivo. Hoy, la capacidad de anticipar fallas ya no es una promesa futura, sino una realidad medible.
Publicidad
En ese contexto, X-Analytics desarrolló una solución basada en inteligencia artificial explicable (XAI), diseñada para transformar grandes volúmenes de datos en información clara, confiable y accionable. Su enfoque apunta no solo a predecir eventos, sino a hacerlos comprensibles para quienes deben tomar decisiones en terreno.
La tecnología opera bajo una arquitectura de dos niveles. En una primera capa, modelos predictivos tanto supervisados como no supervisados analizan datos en el tiempo, como señales de sensores, para detectar anomalías y anticipar posibles fallas.
Sobre esa base, una segunda capa de agentes inteligentes interpreta los resultados. A diferencia de otros sistemas, estos agentes no generan nuevas predicciones, sino que explican y traducen lo que los modelos detectan, permitiendo que la información sea utilizada de forma directa en la operación.
Este enfoque introduce un cambio relevante: separa la predicción de su interpretación, lo que mejora la transparencia y reduce la desconfianza asociada a la “caja negra” de la inteligencia artificial.
Uno de los aspectos más llamativos es la validación con datos reales. A través del cruce entre alertas generadas por el sistema y eventos efectivos de mantenimiento, la plataforma ha alcanzado un 81,95% de precisión en sistemas hidráulicos y un 82,35% en variadores de frecuencia, evidenciando una alta capacidad para anticipar fallas críticas.
Publicidad
Pero el impacto no se limita a detectar anomalías. La solución también mide con cuánta anticipación se generan las alertas, lo que permite planificar mantenciones con mayor precisión y evitar detenciones no programadas, uno de los principales costos ocultos en la industria.
“Hoy el desafío no es solo predecir fallas, sino lograr que esas predicciones se entiendan y se utilicen en terreno. La explicabilidad es clave para confiar en la inteligencia artificial”, señala Nicolás Orellana, gerente de operaciones de la compañía.
La plataforma incorpora además dos tipos de agentes: uno enfocado en la generación de reportes ejecutivos para la toma de decisiones estratégicas, y otro orientado al diagnóstico en tiempo real del estado de los equipos.
Ambos cumplen un rol central: no reemplazan la decisión humana, sino que la fortalecen al explicar qué está ocurriendo y por qué, basándose en datos verificables.
El sistema, además, es completamente trazable. Cada resultado puede ser auditado y validado directamente con los datos de origen, eliminando una de las principales barreras de adopción de la inteligencia artificial en entornos críticos.
Publicidad
En este contexto, la pregunta comienza a instalarse en la industria: si más del 81% de las fallas ya pueden anticiparse, ¿por qué gran parte de las operaciones sigue funcionando bajo lógicas reactivas?
Con este desarrollo, X-Analytics busca posicionarse en la gestión de salud de activos industriales, en un momento donde la tecnología no solo promete eficiencia, sino que comienza a redefinir los estándares de operación.
