Cruzar el Abismo: Superar el Purgatorio Piloto para Obtener Valor Real de Negocio

Un informe de McKinsey de 2018 destacó que muchas empresas industriales experimentan el "purgatorio piloto" y continúan haciéndolo: un fenómeno en el que, aunque tienen actividad significativa en marcha, aún no han visto beneficios significativos en el resultado final.

Salir de este purgatorio requiere que las empresas "crucen el abismo", un proceso observado y descrito por el consultor de gestión Geoffrey A. Moore a principios de los noventa. A grandes rasgos, mientras muchos proyectos técnicos relacionados con TI van bien al principio, con mucha energía detrás, a menudo luchan por ser adoptados adecuadamente. Moore observó que hay una diferencia significativa entre innovadores y early adopters, y la siguiente ola de adoptadores, cuya adhesión es necesaria para asegurar que un proyecto escale. En efecto, la reticencia y la segunda valoración de resultados por parte de la dirección para comprometerse con la siguiente etapa puede dejar incluso proyectos piloto exitosos en estado de parálisis.

Algo que verá a menudo con startups. Fundadores emocionados desarrollan nueva tecnología y se vuelven muy buenos explicándola en términos técnicos. Esto les granjea apoyo de cierto tipo de organizaciones – innovadores y early adopters – y hay gran energía inicial detrás del proyecto. Pero este comienzo alentador será seguido por un período de silencio. Este es el abismo que deben cruzar.

Figura 1: Ciclo de vida de adopción de tecnología, Geoffrey A. Moore. Fuente, licenciado bajo Creative Commons Attribution 3.0 Unported.

No son solo startups, por supuesto. Los proveedores pueden pasar tiempo en conferencias hablando de productos en cierto espacio – como mantenimiento predictivo – ante una audiencia de innovadores y early adopters que, en general, entenderán y se emocionarán con lo que oyen. El reto al que se enfrenta esta audiencia es convencer a los tomadores de decisión finales en sus propias empresas – gestores de mantenimiento, directores de planta, TI, finanzas – a quienes no les importan las mismas cosas. Términos técnicos y checklists simplemente les dejan fríos y no convencidos, una brecha de capacidad emparejada con una brecha de comunicación.

Resistencia interna

El abismo puede existir dentro de organizaciones individuales así como en la industria en general. Es un reto que enfrentan con más frecuencia quienes tienen la labor de servir las necesidades futuras de una empresa. Si no pueden crear pruebas de concepto vinculadas a casos de uso y demostrar dónde la tecnología añadirá valor al negocio, nadie en el negocio que funciona día a día se preocupará de que venga.

Una empresa puede probar una nueva solución de mantenimiento predictivo, por ejemplo, pero no podrá persuadir a su equipo de mantenimiento para adoptarla. No les interesa la charla técnica, les preocupa ese motor que va caliente y cuándo fallará. Predecir el fallo del motor nada tiene que ver con IA y machine learning para ellos – solo quieren una solución funcional que les dé insights accionables.

Muchas organizaciones se encuentran en etapa piloto y luchando por averiguar cómo escalar. Muchas otras encontrarán resistencia interna a adopción más amplia. Para mejorar sus posibilidades de cruzar el abismo y escapar del purgatorio piloto, es mejor evitar el lenguaje de innovadores y early adopters y usar el lenguaje de la early majority. La verdad es que términos técnicos como IoT, IA, machine learning y pruebas de concepto son en gran medida insignificantes para mucha gente, y solo les dejan fríos. Es mucho más efectivo presentar su nuevo producto como una solución, no como una tecnología, y describir los resultados de negocio: los problemas que va a resolver y los beneficios que va a aportar.

Un nuevo mercado, un nuevo mensaje

Senseye enfrenta un reto adicional. Operamos en un mercado relativamente nuevo, y si no enseñamos a la gente desde el principio cómo funciona nuestra tecnología y qué resultados y beneficios de negocio puede entregar, corremos el riesgo de que nuestros clientes queden cargados de malentendidos y expectativas irreales. De hecho, en nuestras décadas de experiencia en mantenimiento predictivo, hemos visto cómo una amplia falta de entendimiento – por fabricantes y proveedores por igual – ha resultado en un gran número de soluciones que no cruzan el abismo, y están destinadas a languidecer en el purgatorio piloto.

En lugar de la plétora de buzzwords populares que incluyen IA, Machine Learning, IoT e Industria 4.0, los proveedores de mantenimiento predictivo deberían hablar de resultados de negocio: lo que han logrado y lo que pueden hacer no solo desde el punto de vista técnico, sino cómo crearán un impacto medible en el negocio de sus clientes. El mantenimiento predictivo es un nuevo paradigma y los beneficios son legion:

• Sostenibilidad:
  • Extensión de vida útil de activos mediante monitorización cuidadosa y reemplazo oportuno
  • Eliminación de sobre-mantenimiento por reducción y extensión de actividades de mantenimiento planificadas
  • Reducción de inspecciones físicas arriesgadas y disruptivas al monitorizar todos los datos remota y automáticamente
  • Reducción de inventario y uso de repuestos al poder extender reemplazo planificado basado en información real de condición de máquina
  • Reducción de riesgos medioambientales por fugas potenciales y efectos secundarios de fallo de máquina
• Efectividad Global de Equipos (OEE) o métricas similares:
  • Impulsar métricas de calidad – máquinas más sanas producen mejores piezas
  • Garantizar máximo rendimiento al conocer la operación real y permitir mantenimiento avanzado de máquinas
  • Reducir tiempo de inactividad no planificado de máquinas (garantizar disponibilidad) realizando mantenimiento antes de fallo funcional

Reducción de riesgo de negocio con aumento de productividad y sostenibilidad es algo en lo que todos pueden alinearse y las métricas de estos proyectos lo demuestran – son cosas que la early majority puede entusiasmarse.

Para leer más sobre por qué la implementación y despliegue de mantenimiento predictivo son tan mal entendidos y están plagados de fracasos, y cómo nuestra experiencia (buena y mala) ha informado nuestra propia solución Senseye PdM, puede descargar nuestro white paper "Senseye in Depth – Why is Predictive Maintenance so hard?" aquí.