La IA no reemplaza al Facility Manager. Le devuelve el tiempo para gestionar.

Hay una pregunta que aparece cada vez con más frecuencia cuando se habla de inteligencia artificial y Facility Management: ¿qué tareas del FM podrá hacer la IA?

La pregunta parece lógica, pero quizá no sea la más interesante.

Tal vez habría que formularla de otra manera: ¿cuánto tiempo de un Facility Manager se va hoy en hacer cosas que una IA podría ayudar a preparar, ordenar o analizar?

Porque basta mirar un día cualquiera en mantenimiento para encontrar una buena cantidad de ese tiempo.

Revisar órdenes de trabajo, consolidar información de proveedores, buscar datos en varios Excel, corregir registros que vienen incompletos, preparar indicadores, hacer gráficos, comparar un mes contra otro, revisar por qué subió determinado gasto, pedir nuevamente una información que ya se había solicitado, preparar el informe para la gerencia y, cuando finalmente parece que todo está listo, convertirlo en una presentación.

Y después viene el seguimiento.

Y probablemente otro Excel.

No hay nada particularmente sofisticado en buena parte de estas actividades. Sin embargo, consumen una cantidad considerable de tiempo y, sobre todo, de atención. Tiempo que un Facility Manager podría estar utilizando para analizar lo que realmente está ocurriendo en sus instalaciones, conversar con su equipo, revisar riesgos, evaluar proveedores, anticipar problemas o tomar decisiones.

Por eso, cuando se habla de IA en Facility Management, quizá el objetivo no debería ser que la IA haga el trabajo del Facility Manager.

El objetivo debería ser que el Facility Manager deje de dedicar tanto tiempo a trabajar para la información y pueda dedicar más tiempo a trabajar con la información.

Pero aquí aparece un pequeño detalle que suele pasarse por alto.

La IA puede ser extraordinariamente buena procesando información, pero si la información está mal estructurada, incompleta o no es comparable, lo que tendremos será simplemente una manera mucho más rápida de procesar datos deficientes.

Por eso, antes de hablar de modelos predictivos, agentes autónomos o cualquier otra palabra de moda, hay algo bastante menos glamoroso que resolver: los datos.

Si una orden de trabajo dice solamente “se reparó aire acondicionado”, difícilmente podremos construir un análisis serio a partir de ella. Pero si sabemos qué equipo fue intervenido, cuál era su criticidad, cuándo ocurrió la falla, cuánto tiempo estuvo fuera de servicio, quién realizó el trabajo, cuánto costaron la mano de obra y los repuestos, cuál fue la causa encontrada y qué ocurrió después, entonces la historia empieza a ser diferente.

Ya no tenemos simplemente órdenes de trabajo.

Tenemos información que puede convertirse en conocimiento.

Y ahí es donde la IA empieza a tener mucho más sentido.

Puede consolidar automáticamente las órdenes, detectar inconsistencias, identificar registros extraños, actualizar indicadores, extraer información de facturas o documentos, preparar gráficos y comparar periodos. Después puede ir un poco más lejos y ayudarnos a encontrar patrones: qué equipos concentran las intervenciones, dónde se está concentrando el gasto, qué proveedores están generando determinados comportamientos, qué especialidades presentan desviaciones o qué variables de operación podrían estar relacionadas con determinados consumos o fallas.

Pero hay algo que conviene no olvidar: encontrar una anomalía no es lo mismo que encontrar su causa.

Si el gasto de mantenimiento aumenta un 17 %, por ejemplo, sería bastante apresurado concluir que existe una mala gestión.

Quizá aumentaron las horas de funcionamiento de determinados equipos. Quizá hubo un invierno particularmente frío. Quizá una instalación empezó a operar durante más horas. Quizá correspondía realizar una intervención que ocurre cada dos años. Quizá simplemente existe un problema en los datos.

La IA puede detectar la desviación y plantear hipótesis. El conocimiento del negocio, de la operación y de las instalaciones sigue siendo necesario para determinar cuál de esas hipótesis tiene sentido.

Y esto resulta todavía más evidente cuando se trata de evaluar proveedores.

Durante años hemos tendido a mirar el coste como si fuera el principal indicador para decidir quién ofrece un buen servicio. Pero un proveedor barato puede terminar siendo bastante caro si sus intervenciones se repiten, si las fallas reaparecen, si tarda demasiado en responder o si el equipo crítico permanece fuera de servicio durante horas.

Por eso, comparar proveedores debería ser algo más parecido a evaluar valor por dinero que simplemente comparar tarifas. El coste importa, por supuesto, pero también importan el tipo y frecuencia de las intervenciones, las fallas posteriores, el tiempo de respuesta, la criticidad del activo y, cuando sea posible calcularlo, el impacto económico que produce una indisponibilidad.

Un equipo puede tener un mantenimiento aparentemente barato y, sin embargo, generar un coste enorme para la operación.

La IA puede ayudarnos a hacer todas esas comparaciones con una profundidad que sería muy difícil mantener manualmente cuando tenemos cientos o miles de órdenes de trabajo.

Pero nuevamente aparece el mismo principio: la IA prepara el análisis; el profesional interpreta y decide.

Y aquí es donde, en mi opinión, se encuentra uno de los cambios más interesantes que puede producir la inteligencia artificial en Facility Management.

No necesariamente en la sustitución de personas, sino en la transformación de la forma en que utilizamos su tiempo.

Imagínemos un proceso en el que una solicitud de mantenimiento ingresa mediante un formulario estructurado. La información pasa al sistema, se valida, se genera la orden de trabajo, se asigna según una matriz previamente definida, se registra la intervención y los costes, y toda esa información queda disponible para el análisis.

Cuando llega el cierre del mes, no habría que empezar desde cero.

La información ya estaría allí.

La IA podría revisar su consistencia, calcular los indicadores definidos, comparar el comportamiento con el mes anterior y con el mismo periodo del año anterior, detectar desviaciones y preparar un informe preliminar. El responsable de mantenimiento revisaría aquello que realmente necesita criterio profesional, corregiría lo que corresponda y, una vez validado, el informe podría convertirse en una presentación ejecutiva.

Incluso el seguimiento a proveedores podría automatizarse parcialmente mediante agentes de IA, siempre dentro de reglas y límites previamente establecidos.

Eso sí sería interesante.

No porque tengamos “IA” en nuestro departamento, sino porque el proceso completo empezaría a trabajar de una manera diferente.

Y todavía quedaría otro paso.

Durante mucho tiempo hemos hablado de mantenimiento predictivo como si colocar sensores y utilizar inteligencia artificial fuera suficiente para llegar a él. No necesariamente.

Primero necesitamos saber qué significa un comportamiento normal. Necesitamos datos históricos suficientemente confiables y comparables. Necesitamos conocer las condiciones de operación, distinguir una variación normal de una realmente anómala y, sobre todo, tener suficientes antecedentes como para que las predicciones tengan sentido.

De lo contrario, corremos el riesgo de llamar “predictivo” a cualquier sistema que simplemente genera una alerta.

Y una alerta no es una predicción.

En realidad, el camino hacia una utilización madura de la IA en FM parece bastante más sencillo —aunque no necesariamente fácil— de lo que a veces queremos admitir: datos estructurados, automatización, analítica, inteligencia artificial operativa y, finalmente, capacidades predictivas cuando exista una base suficiente para ello.

Lo interesante es que ninguna de esas etapas elimina al Facility Manager.

Todo lo contrario.

A medida que la información se procesa de manera más automática, aumenta el valor de aquello que no puede reducirse simplemente a un dato: entender el contexto, establecer prioridades, evaluar riesgos, negociar, administrar recursos, interpretar excepciones y decidir dónde vale la pena intervenir.

Quizá por eso la pregunta sobre el futuro del Facility Management no debería ser si la IA va a reemplazar al Facility Manager.

Una pregunta bastante más incómoda podría ser otra:

¿Cuánto del trabajo que hoy hacemos como Facility Managers consiste realmente en gestionar instalaciones y cuánto consiste en gestionar información para poder gestionar instalaciones?

Si conseguimos responder esa pregunta con honestidad, probablemente encontremos uno de los lugares donde la inteligencia artificial puede aportar más valor.

No para quitarle trabajo al Facility Manager.

Para quitarle parte del trabajo que le impide hacer su verdadero trabajo.