En un contexto de presión sobre costes, energía y sostenibilidad, ¿por qué cree que la optimización se ha vuelto tan estratégica para la industria?
La industria ya no compite solo por escala o por capacidad productiva. Compite por la calidad de sus decisiones. En Europa, y especialmente en sectores intensivos en energía, capital y logística, un pequeño desvío en costes, consumos, inventarios o productividad tiene un impacto directo en márgenes y resiliencia.
Sin embargo, lo que vemos es que, en una planta industrial, el 80% de las decisiones se siguen tomando a destiempo —con datos atrasados, reglas fijas y el «feeling» del operador de turno con Excel.
Eso funcionaba cuando los márgenes eran holgados, pero en sectores maduros la presión es constante: competidores low-cost, costes energéticos disparados, regulación ESG y disrupciones encadenadas. Basta echar un ojo a la actualidad. Un 5% más o menos en tus costes operativos es la diferencia entre ganar dinero o perderlo. En industria, ese 5% es oro, y no lo ganas optimizando a ojo.
Por eso la optimización se ha vuelto estratégica y marca la diferencia entre competir y sobrevivir; porque no hablamos de mejorar un proceso accesorio, sino de decidir mejor dónde invertir, cómo planificar, cómo operar y cómo responder al mercado.
Se habla mucho de optimización, digitalización y automatización ¿Dónde encaja realmente la optimización y en qué se diferencia?
Aquí suele haber bastante confusión. Si preguntas a diez directivos qué entienden por optimización, te saldrán diez respuestas distintas. Conviene aclarar: digitalizar no es optimizar. Automatizar tampoco.
La automatización sirve para ejecutar tareas de forma más rápida, consistente y con menos errores. Es IT, OT, hardware, software, secuencias de instrucciones, es el dominio de la digitalización que apareció con la informática. Es necesaria, pero no decide qué debes hacer.
La optimización va un paso más allá: determina cuál es la mejor decisión posible en un contexto concreto, con objetivos, reglas de negocio y restricciones operativas que compiten entre sí. Y, por supuesto, con mucha incertidumbre: ¿hasta qué punto mi previsión de ventas para el próximo trimestre es correcta?
La optimización necesita matemáticas. Necesita algoritmos, modelos inteligentes que buscan solucionar el sudoku del planificador. Imagina decidir tres veces al día el precio óptimo de cada gasolinera de tu red — cientos de estaciones, cada una con su competencia y evento local, su volumen, su perfil de cliente — para maximizar margen sin perder cuota. Eso no lo hace un equipo humano, lo hace un algoritmo.
En otras palabras, primero hay que decidir bien; después, ejecutar bien. Esa distinción es clave y es la base de la optimización. Sin embargo, muy a menudo en las empresas industriales domina lo segundo.
Entonces, ¿la IA es la respuesta para optimizar?
Depende de qué IA estemos hablando, porque hoy se mete todo en el mismo saco y eso lleva a decisiones muy pobres.
La IA generativa es fantástica para redactar, resumir y responder preguntas, pero no toma decisiones. La IA predictiva te dice qué va a pasar: predice la demanda, anticipa un fallo en una máquina, estima la producción de un parque eólico. Tampoco decide. Los agentes de IA automatizan flujos de trabajo, pero siguen sin saber qué es lo óptimo.
Cuando una empresa necesita decidir cuánto producir, cómo asignar recursos, cómo planificar una red logística, cómo operar una batería o cómo arbitrar entre coste, servicio, emisiones y riesgo, entra en juego la optimización matemática, que son otros algoritmos basados en ecuaciones.
La respuesta final se llama Decision AI. Para tomar la mejor decisión en un proceso complejo necesitas combinar dos cosas: la IA predictiva —para modelar la incertidumbre y predecir las variables de entrada— y optimización matemática —para arbitrar entre objetivos y reglas de negocio y calcular la respuesta óptima.
La diferencia no es tecnológica, es conceptual: los modelos predictivos informan, la optimización decide. Ese enfoque híbrido es especialmente relevante en energía e industria, donde hay volatilidad, restricciones técnicas, regulación y disrupciones que requieren de agilidad para simular, planificar y reprogramar operaciones. Un cambio en el precio del mercado eléctrico a las 6 de la mañana, o tres camiones bloqueados en un accidente de tráfico pueden obligarte a replantear toda la operación antes de las 8. Necesitas estar preparado.
Háblame de resultados concretos. ¿Qué impacto real habéis visto con clientes industriales y energéticos?
Hablamos de números, no de porcentajes genéricos. Tres ejemplos recientes:
Supply chain de gas licuado — Planificación del abastecimiento, producción, almacenamiento, transporte y asignación de clientes entre plantas: 20% en costes, combinando niveles de producción, gestión de stocks y planes de transporte por tierra, mar y aire. Más un simulador de escenarios para tomar decisiones estratégicas: abrir o cerrar instalaciones, entrar en nuevos mercados.
Renovables: arbitraje de ofertas a mercado spot de una planta fotovoltaica. El algoritmo decide en tiempo real cuánta energía ofrecer y a qué precio, reduciendo las penalizaciones del operador de red en un 70% — varios millones anuales que antes se evaporaban por una mala previsión.
Automoción · Planta de ensamblado — Gemelo digital que anticipa el consumo de más de 15.000 componentes y optimiza pedidos a proveedores cada 30 minutos: −12% paradas de línea, −4% stock.
¿Por qué son posibles estos resultados? Porque cuando una empresa gestiona miles de variables —rutas, turnos, inventarios, precios, capacidades— el ser humano, el Excel y el software no llegan. El siguiente escalón son los algoritmos, las matemáticas, que es exactamente lo que llevamos haciendo desde 2011.
¿Dónde aplica la optimización?
La optimización no entiende de sectores. Lo hemos aplicado en energía, industria, logística, automoción, gases industriales, renovables… pero más que por sector, es importante pensarlo por tipo de decisión.
Hay decisiones estratégicas — abrir o cerrar una planta, entrar en un nuevo mercado, dimensionar una flota. Hay decisiones tácticas — planificar la producción de la semana, asignar turnos, gestionar el inventario del mes. Y hay decisiones operativas — reprogramar una línea en tiempo real, ajustar precios tres veces al día, ofertar energía al mercado spot cada cuarto de hora.
Lo interesante es que los algoritmos operen bien en los tres horizontes. Y cuando los conectas — la decisión estratégica informa la táctica, y la táctica informa la operativa — es cuando aparece el salto de impacto real. En el caso de supply chain de gas licuado, por ejemplo, el mismo modelo que planifica el abastecimiento mensual entre continentes alimenta las decisiones de transporte del día siguiente. Eso es lo que convierte la optimización en ventaja competitiva estructural, no en un proyecto puntual.
¿Qué suelen hacer mal las empresas cuando intentan optimizar y por dónde deberían empezar?
El cementerio de pilotos está lleno de buenas intenciones. La mayoría muere, no por la tecnología, sino por errores de partida que se repiten una y otra vez. Hay tres que me encuentro constantemente.
El primero es confundir la optimización con un problema de IT. Muchas organizaciones arrancan preguntando qué plataforma comprar, qué modelo de IA usar o qué partner tecnológico contratar. Y eso es al revés. Es un problema de negocio ante todo, y antes hay que identificar los algoritmos que mejorarán la respuesta que damos a ese problema.
El segundo es atacar el proceso equivocado. Es mejor un 2% en la planificación de producción —que mueve toda la cuenta de resultados— que un 30% optimizando el turno de limpieza. El primero te da la atención de la dirección y el presupuesto para seguir. El segundo, una palmada en la espalda. Siempre pregunto por los impactos de un proyecto antes de empezar.
Y el tercero es pensar que un software estándar va a capturar toda la casuística de un sistema, organización u operación compleja. La optimización tiene mala estandarización: es modelado matemático a medida. Lo que necesitas son matemáticos y científicos de datos que entiendan el negocio.
Mi recomendación para optimizar sin morir en el intento es simple: elegir una decisión crítica, medir el impacto económico, validar datos y reglas de negocio, y construir un quick win que abra una hoja de ruta. No se trata de 2digitalizar» ni de «hacer IA». Se trata de mejorar una cuenta de resultados, reducir riesgo operativo y ganar en resiliencia. La tecnología es lo de menos, las matemáticas son todo.
BAOBAB AI
Director de Energía
