Los fabricantes de primer nivel operan con un OEE superior al 85 %. La media mundial se sitúa en el 60 %. Para una planta que produce 10 millones de USD al año, esos 25 puntos de diferencia representan unos 2,5 millones de producción no realizada, ya contenidos en su capacidad instalada actual, a la espera de visibilidad.
La mayoría de los responsables de planta reaccionan buscando sensores nuevos o una actualización del MES. Lo más probable es que la respuesta ya esté instalada en su taller. Las cámaras y las señales de PLC que su línea ya genera contienen todo lo necesario para monitorizar el OEE en tiempo real. Lo que falta es la capa de IA en el borde que convierte esas entradas pasivas en un valor de OEE en vivo sobre el que su jefe de turno pueda actuar hoy mismo.
La monitorización del OEE en tiempo real mide los tres componentes —disponibilidad, rendimiento y calidad— directamente desde la infraestructura de producción existente. Con IA en el borde, los fabricantes pueden extraer datos de OEE de cámaras ya instaladas en la línea, sin añadir sensores, usando visión artificial para detectar automáticamente el estado de máquina, el tiempo de ciclo y la tasa de defectos.
Qué mide realmente cada componente del OEE en planta
El OEE (Eficiencia General de los Equipos) es el producto de tres porcentajes. Cada uno mide un modo de fallo distinto de su sistema productivo y cada uno tiene una causa raíz diferente. Entender qué mide realmente cada componente separa un programa de OEE que impulsa cambios operativos de otro que produce una cifra semanal sobre la que nadie actúa.
1. Disponibilidad
La disponibilidad mide qué parte del tiempo de producción planificado la máquina está realmente en marcha. Fórmula: (tiempo planificado menos paradas) dividido entre tiempo planificado. Qué provoca su pérdida: averías no planificadas, cambios de referencia que exceden el estándar y mantenimientos programados que se alargan más de su ventana. Una disponibilidad del 90 % significa que el 10 % del tiempo planificado desapareció por una de esas tres causas. Saber cuál exige registrar el evento en el momento en que ocurre, no al final del turno.
2. Rendimiento
El rendimiento mide a qué velocidad opera la máquina respecto a su velocidad de diseño. Fórmula: tasa de producción real dividida entre tasa ideal. Qué provoca su pérdida: microparadas de menos de dos minutos, reducciones de velocidad que los operarios aplican para evitar defectos, y variación de ritmo entre turnos. Es el componente en el que más se subestiman las pérdidas, porque sus causas son invisibles para el registro habitual. Una máquina que trabaja todo el turno al 92 % de su velocidad de diseño parece correcta en un informe manual y cuesta un 8 % de capacidad cada día.
3. Calidad
La calidad mide qué fracción de la producción total cumple especificación: unidades correctas divididas entre unidades totales producidas. Las pérdidas provienen del desperdicio por defecto, del retrabajo que consume capacidad y del desperdicio de arranque al inicio de cada serie. Una tasa de calidad del 98 % parece aceptable hasta que se multiplica por los otros dos componentes. Una planta con 90 % de disponibilidad, 90 % de rendimiento y 98 % de calidad obtiene un OEE del 79,4 %, no del 90 %.
El OEE es el producto de los tres componentes. Una microparada de 90 segundos que se repite 15 veces por turno resta 22,5 minutos de producción al componente de rendimiento, sin una sola entrada en ningún registro manual. Estos eventos de menos de dos minutos representan entre el 15 % y el 25 % de la pérdida de productividad no reconocida en plantas de fabricación discreta típicas. Son invisibles para el registro manual y para los contadores básicos de PLC. La optimización del rendimiento productivo empieza por hacerlos visibles.
Por qué los métodos tradicionales dejan huecos de datos
1. Registro manual
El registro manual por parte del operario es la fuente de datos de OEE más habitual en la mediana industria, y tiene dos fallos estructurales. Primero, los operarios clasifican los motivos de parada de forma distinta según el turno: un turno registra una parada de 15 minutos como mantenimiento planificado; otro registra el mismo evento como cambio de referencia. En un mes, esa inconsistencia produce una cifra de disponibilidad que refleja cómo categorizan los operarios, no qué ocurrió realmente. Segundo, cualquier parada de menos de dos minutos es prácticamente invisible. Ningún operario interrumpe su trabajo para registrar una microparada de 90 segundos en plena serie.
2. Contadores básicos de PLC
Los contadores básicos de PLC resuelven el recuento de ciclos. Registran los ciclos de máquina de forma fiable y dan una producción por turno. Lo que no pueden hacer es clasificar la calidad en el punto de producción ni identificar la causa raíz de un ciclo que se ha alargado. Un PLC sabe que la máquina completó 847 ciclos hoy. No sabe que 73 de ellos produjeron piezas fuera de especificación, ni que la estación 4 tuvo 15 ciclos de duración extendida entre las 10:00 y las 11:30.
3. Cuadros de mando de OEE heredados
Los cuadros de mando que se alimentan de contadores de PLC y registros manuales suelen informar con un retraso de 15 a 30 minutos. Para decidir a nivel de turno, ese retraso convierte el panel de herramienta operativa en informe retrospectivo. Cuando la alerta llega al jefe de turno, la serie que la provocó lleva ya 200 unidades más abajo en la línea. Los datos de Fabrico.io de 2026 muestran que las plataformas que unifican OEE y CMMS reducen hasta un 50 % el tiempo entre fallo y reparación; esa mejora requiere datos en tiempo real, no resúmenes de fin de turno.
Las plataformas de OEE basadas en sensores resuelven la precisión, pero crean una restricción de implantación. Los datos de MachineCDN de 2026 sitúan el plazo de despliegue de un sistema corporativo basado en sensores en 3-6 meses, con una inversión significativa en hardware y cambios en la infraestructura de TI. Para un fabricante mediano que no puede financiar un despliegue de seis meses, la distancia entre lo que necesita y lo que tiene parece insalvable. No lo es.
Antes de invertir en cualquier mejora, el punto de partida correcto es una auditoría estructurada de las fuentes de datos que ya existen en su planta. Ahí empieza un programa práctico de OEE en tiempo real: no con la compra de hardware, sino con un inventario claro de lo que ya está generando datos.
Auditoría de fuentes de datos de OEE (3 pasos)
- Paso 1: mapear las fuentes existentes. Enumere cada fuente activa por tipo: PLC (anotando el protocolo: OPC-UA, Modbus o propietario), cámaras existentes (por ubicación, resolución y uso actual) y puntos de registro manual. Anote qué señales ya son accesibles sin cambios de hardware. Según nuestra experiencia, más del 80 % de los fabricantes discretos medianos tienen conectividad PLC y cámaras que podrían alimentar datos de OEE hoy mismo.
- Paso 2: identificar las pérdidas invisibles. Para cada componente, determine qué tipos de pérdida no se están capturando. En disponibilidad: qué paradas no se registran o se clasifican mal. En rendimiento: si las microparadas de menos de dos minutos se registran en algún sitio. En calidad: si existe dato de defecto en el punto de producción o solo en la inspección final. Este paso convierte un «el OEE es bajo» vago en huecos de datos concretos y abordables.
- Paso 3: priorizar por tamaño del hueco y coste de cierre. Ordene las pérdidas no capturadas por impacto estimado en el OEE. Las microparadas de menos de dos minutos, que suponen entre el 15 % y el 25 % de la pérdida de rendimiento, suelen ser el hueco de mayor impacto y menor coste de cierre con IA en el borde sobre cámara. El retraso de la calidad de fin de línea es la segunda prioridad. Los huecos de registro de disponibilidad suelen resolverse mejorando la extracción de señal del PLC, no comprando hardware.
Cómo medir la disponibilidad sin sensores nuevos
Extraer la disponibilidad de las señales de PLC que ya tiene
La mayoría de las máquinas con PLC ya emiten señales de marcha, parada y fallo. Los protocolos OPC-UA y Modbus que admiten casi todos los PLC industriales hacen esas señales accesibles a sistemas externos sin modificar el hardware. La monitorización del OEE en tiempo real empieza aquí: asignando cada estado de salida del PLC a los tres eventos de disponibilidad que necesita el cálculo: en marcha, inactiva y en fallo. La señal de disponibilidad existe. Ya se está generando. Lo que falta en la mayoría de las plantas es la capa de software que la lea.
En despliegues realizados en plantas discretas medianas, más del 80 % de las máquinas de un taller tipo ya tienen conectividad PLC capaz de alimentar datos de disponibilidad hoy. El hueco no es de hardware: es la tubería entre la salida del PLC y el cuadro de mando.
Detección del estado de máquina por cámara
Para máquinas sin señales de PLC accesibles, o en líneas donde adaptar el PLC exigiría un proyecto de ingeniería considerable, la IA en el borde sobre las cámaras existentes ofrece la alternativa. NAGARE clasifica el estado de máquina (en marcha, inactiva o en fallo) a partir de la señal de vídeo con una latencia inferior a 10 ms, sin tocar el sistema de control.
En un despliegue de montaje de automoción, NAGARE procesó datos de estado de máquina desde la infraestructura de CCTV existente y empezó a alimentar disponibilidad al ERP a los 8 días del inicio. Sin cámaras nuevas. Sin proyecto de integración de PLC. La señal ya existía en el vídeo; la capa de IA en el borde la hizo legible y estructurada.
«NAGARE procesa las señales de cámara existentes en el borde, clasificando el estado de máquina con latencia inferior a 10 ms y alimentando la disponibilidad directamente al ERP sin hardware adicional.» — Jidoka Technologies
La salida: porcentaje de disponibilidad por turno, por línea y por máquina, generado automáticamente sin intervención del operario. El dato queda en el ERP como registro estructurado, no como una columna de hoja de cálculo rellenada a las cinco de la tarde.
Cómo medir el rendimiento sin sensores nuevos
La desviación del tiempo de ciclo como indicador
La medición del rendimiento parte de una base: el tiempo de ciclo estándar por operación a velocidad de diseño. Cada ciclo registrado se compara con esa referencia. Todo ciclo que supere el estándar en más de un 5 % se marca como microparada o pérdida de velocidad. Ese es el mecanismo que hace viable el OEE por cámara sin hardware sensorial.
Una cámara que observa una estación de montaje lee el inicio y el fin de cada ciclo a partir de señales visuales: movimiento del operario, posición de la pieza, acción de la máquina. A lo largo del turno, esas duraciones construyen una distribución que muestra exactamente dónde se concentran las pérdidas de velocidad: por estación, por franja horaria y por operario. El patrón es consistente: las pérdidas no son aleatorias. Se concentran en estaciones concretas durante ventanas de turno concretas y, una vez visibles, son abordables.
El problema de las microparadas
Las microparadas de menos de dos minutos son el gran destructor del rendimiento que la mayoría de las plantas no puede cuantificar. Una máquina que se detiene 90 segundos, 15 veces por turno, pierde 22,5 minutos de producción. El operario no registra ninguna. Un contador de PLC anota 15 ciclos completados sin marca de anomalía. La IA en el borde sobre cámara captura los 15 eventos, los clasifica por duración y frecuencia, y construye un mapa de calor de microparadas por estación y turno sobre el que el jefe de turno puede actuar antes de la siguiente serie.
«Las microparadas de menos de dos minutos son la mayor fuente individual de pérdida de OEE no reconocida en la fabricación discreta, y la más difícil de capturar sin supervisión visual continua.» — Jidoka Technologies
La salida: porcentaje de rendimiento por línea y turno, con un mapa de calor de frecuencia de microparadas que muestra qué estaciones y qué franjas generan más pérdida. Eso convierte un «el rendimiento es bajo» en un diagnóstico concreto: la estación 7 entre las 14:00 y las 16:00 genera el 60 % de nuestras pérdidas por microparada. Eso es una decisión de turnos y mantenimiento, no una inversión de capital.
Cómo medir la calidad con las cámaras de inspección existentes
El componente de calidad es la proporción de unidades correctas sobre unidades totales: (unidades totales menos unidades defectuosas) dividido entre unidades totales. Medirlo bien exige conocer esa proporción de forma continua, no al final del turno mediante un recuento manual.
El método tradicional —recuentos de inspección final comunicados al cierre del turno— crea una señal de calidad retrasada. Un grupo de defectos que empieza a las 10:00 aparece en el cálculo del OEE a las 17:00. Para entonces han pasado 700 unidades afectadas por la puerta de inspección. Un software que se apoya en ese dato no puede intervenir en tiempo real: solo puede informar de lo malo que fue el turno.
KOMPASS, de Jidoka, utiliza IA sobre cámara en línea para inspeccionar cada unidad en el punto de producción. Con un 99,8 % de precisión de inspección y hasta 12.000 piezas por minuto, KOMPASS genera una tasa de calidad continua que alimenta automáticamente el componente de calidad del OEE. Cuando esa tasa cae por debajo del umbral a media jornada, la alerta IPQC se dispara antes de que el grupo de defectos crezca.
«KOMPASS alcanza un 99,8 % de precisión de inspección a hasta 12.000 piezas por minuto, lo que convierte la calidad del OEE en una métrica en tiempo real y no retrasada.» — Jidoka Technologies
El hueco entre la inspección final y el control de calidad se reduce de horas a segundos. La calidad del OEE pasa de ser un ejercicio contable posterior al turno a una señal anticipada. Junto con disponibilidad y rendimiento, completa la imagen del OEE en tiempo real.
Combinar los tres componentes en un cuadro de mando en vivo
Con la disponibilidad procedente del PLC y de la detección por cámara, el rendimiento del análisis de tiempos de ciclo y la calidad de la inspección en línea, los tres componentes están disponibles en tiempo real. La plataforma los combina en un único valor de OEE en vivo que se actualiza de forma continua en lugar de una vez por turno.
Un cuadro de mando funcional debería mostrar cinco datos por cada línea de producción:
- Porcentaje de OEE por turno, actualizado de forma continua durante la producción, no calculado al cierre
- Gráfico de frecuencia de microparadas que indique qué estaciones y franjas generan más pérdida dentro del turno en curso
- Tendencia de la tasa de calidad que muestre si el componente está derivando dentro del turno antes de convertirse en un grupo de defectos
- Las 5 principales causas de pérdida de disponibilidad del turno actual y del anterior, cada una con inicio y fin marcados para que la causa sea trazable
- Tendencia acumulada de OEE por línea en los 7 días previos, para comparar turnos
Los disparadores de decisión integrados eliminan el paso de interpretación. Cuando el OEE cae por debajo del 75 %, se dispara una alerta al jefe de turno. Cuando la tasa de calidad baja del 98 %, se lanza automáticamente un escalado IPQC. Los umbrales se fijan en el despliegue y se ajustan a medida que la planta establece su línea base durante las primeras cuatro a seis semanas.
NAGARE alimenta los datos de OEE en tiempo real directamente al ERP para planificación e informes de productividad, sin dependencia de la nube. Toda la inferencia se ejecuta on-premise en hardware de borde en la estación de cámara. Un despliegue de una sola línea sobre la infraestructura existente puede estar operativo en una o dos semanas, no en los 3-6 meses que requieren las plataformas corporativas basadas en sensores. El dato ya está en su planta; la IA en el borde lo estructura y lo hace accionable.
Para ver qué datos de OEE contienen ya sus cámaras y PLC, solicite una auditoría de despliegue de NAGARE. El equipo de Jidoka contrasta su infraestructura actual con sus huecos de información de OEE antes de cualquier decisión de compra.
El dato que necesita ya está en su planta
La distancia entre un OEE del 60 % y uno del 85 % no es un problema de hardware. Es un problema de visibilidad de datos. Las líneas de la mayoría de las plantas medianas ya tienen las cámaras y las señales de PLC necesarias para medir disponibilidad, rendimiento y calidad en tiempo real. Lo que falta es la capa de IA en el borde que convierta esas entradas pasivas en un valor de OEE activo, turno a turno.
NAGARE añade esa capa a su infraestructura actual, sin sensores nuevos, sin dependencia de la nube y sin un proyecto de seis meses. Si su monitorización del OEE sigue ocurriendo en una hoja de cálculo la mañana siguiente al turno, solicite una auditoría de despliegue y vea exactamente qué datos de OEE está generando ya su planta.
Preguntas frecuentes
1. ¿Qué es la monitorización del OEE en tiempo real?
Es el seguimiento automatizado de disponibilidad, rendimiento y calidad directamente desde las máquinas o las cámaras de producción, actualizado de forma continua en lugar de al cierre del turno. Permite intervenir en el momento en que cualquier componente cae por debajo del umbral, en vez de descubrir las pérdidas al día siguiente en un informe.
2. ¿Puedo medir el OEE sin añadir sensores?
Sí. Las plataformas modernas de IA en el borde pueden extraer datos de OEE de las cámaras y señales de PLC ya presentes en la mayoría de las líneas. La IA sobre cámara detecta el estado de máquina, el tiempo de ciclo y los eventos de defecto sin modificar el hardware. Sistemas como NAGARE se despliegan sobre la infraestructura de CCTV existente y pueden estar operativos en días para una sola línea.
3. ¿Qué valor de OEE se considera bueno?
Los fabricantes de primer nivel apuntan a más del 85 %. La media mundial ronda el 60 %. Por debajo del 65 % suele indicar una pérdida importante de disponibilidad o rendimiento sin abordar. La mayoría de los fabricantes medianos obtienen la mejora más rápida cerrando primero el hueco de microparadas del componente de rendimiento, porque es a la vez la mayor pérdida no reconocida y la más fácil de abordar con monitorización por cámara.
4. ¿Cuánto se tarda en desplegar la monitorización del OEE?
Los plazos varían mucho. Las plataformas corporativas basadas en sensores suelen llevar de 3 a 6 meses. Los sistemas de IA en el borde sobre cámara, como NAGARE, se despliegan sobre la infraestructura existente sin cambios en la red de TI ni dependencia de la nube. Para la mayoría de las plantas medianas, una sola línea puede estar operativa en una o dos semanas desde la decisión.
