Para direcciones generales, directores de planta, directores de calidad y directores de operaciones de fabricantes discretos y alimentarios sobre Business Central. Predicción de scrap sobre histórico real, automatización de facturas multi-material, mantenimiento predictivo y análisis sistemático de no conformidades. Sin hype, con cifra y con plazo.
La fabricación pyme española llega a 2026 con un nivel de digitalización alto en las empresas que han implantado Business Central junto con las extensiones dv* de planta: dvproduction para la gestión de orden de fabricación, ruta y parte de producción; dvquality para la gestión de control de calidad y no conformidades; dvscrap para el registro estructurado del scrap por causa raíz; dvmermas para el seguimiento de mermas de materia prima en fabricación alimentaria y de proceso. En este perfil de empresa el dato existe, es trazable y se acumula con calidad estadística.
El hueco está, igual que en construcción, en lo que se hace encima del dato. La OEE se calcula y se publica, pero su análisis predictivo todavía es manual. El scrap se registra correctamente, pero su causa raíz se atribuye en reunión mensual de calidad por intuición. Las mermas se miden, pero la optimización paramétrica para reducirlas no se aborda sistemáticamente. El mantenimiento sigue siendo en gran parte preventivo de calendario más reactivo cuando algo se rompe, con dvgmao como base si está implantado y todavía sin la capa predictiva. La materia prima para hacer IA está; la cocina IA todavía no.
En fabricación alimentaria se añade la capa de trazabilidad de lote y de cumplimiento sanitario, que ya está bien resuelta con BC más las extensiones de control de lote correspondientes. La IA aplicada en este sub-sector entra principalmente en optimización de mermas, anticipación de rechazos de calidad por características organolépticas o microbiológicas y predicción de consumo para ajustar lanzamientos. La trazabilidad sigue siendo del sistema documental; la IA analiza y propone sin alterar el registro.
El coste de entrada para casos de IA en fabricación ha bajado mucho con Azure Machine Learning, Azure OpenAI Service y Document Intelligence. La barrera real ya no es tecnológica: es la calidad y la antigüedad del dato en BC. Sin doce a veinticuatro meses de histórico limpio con dvproduction y dvquality activos, los modelos predictivos no llegan a estabilizar. Por eso el primer caso suele ser automatización documental, que no requiere histórico, y el predictivo entra después.
Cuatro huecos donde, con BC + las extensiones dv* de planta y la capa IA correcta, el ROI es claro y el plazo es razonable. Si os reconocéis en alguno, hay caso de uso para empezar.
La planta cierra órdenes con scrap por encima del objetivo y se descubre en el cuadro de mando del lunes siguiente o, peor, en el cierre mensual. La acción correctiva llega tarde, con el lote ya entregado y la pérdida consumada. El conocimiento del operario veterano que adivina cuándo el lote va mal queda encerrado en una persona.
Predicción de scrap industrial →Un fabricante medio recibe cientos de facturas al mes con líneas multi-material, cargos accesorios, mermas pactadas y referencias internas distintas a las del proveedor. La imputación analítica correcta a centro de coste, orden de fabricación y partida sigue dependiendo de personas con contexto. Es lento, propenso a error y no escala.
Automatización de facturas de proveedor →La estrategia de mantenimiento mezcla preventivo de calendario y reactivo cuando algo se rompe. El predictivo de verdad, basado en señales reales de máquina y en histórico de averías, todavía no se aplica de forma sistemática. Las paradas no planificadas consumen entre el 5% y el 15% de la disponibilidad teórica de la planta.
Oportunidad sectorial — pilotable a medida →El sistema de calidad registra no conformidades una por una, pero no cruza histórico para detectar patrones. La misma no conformidad reaparece cada cierto tiempo porque nadie tiene el ancho de banda para correlacionar incidencias con material, proveedor, turno o máquina. La IA puede leer todo el histórico de no conformidades y proponer las correlaciones que un humano no tiene tiempo de buscar.
Oportunidad sectorial — pilotable a medida →La capa IA se monta sobre la pila Davisa de planta que ya tenéis o que implantamos antes del piloto. Cuanto mejor parametrizadas estén las extensiones de planta, más rinde el modelo. El siguiente flujo describe la arquitectura típica de un fabricante con AI Studio activo.
Tres escenarios típicos de fabricante. Son ejemplos orientativos, no casos reales publicados con cifras auditadas: sirven para que veáis cómo se aterriza el AI Studio en empresas con un perfil parecido al vuestro.
Problema: Tasa de scrap del 5,5% sobre coste de fabricación. Detección en cierre mensual. El director de planta sabe que hay correlación entre tipo de granza, máquina y turno, pero no tiene capacidad de análisis sistemático.
Solución propuesta: Piloto de predicción de scrap sobre BC + dvproduction + dvquality + dvscrap. Modelo Azure Machine Learning entrenado con 18 meses de histórico. Predicción por orden de fabricación antes del lanzamiento y alerta proactiva al jefe de planta.
Resultado esperado: Reducción esperada del 20% al 30% de la tasa de scrap en el primer año, lo que en este caso supone recuperar entre 1,1 y 1,7 puntos de margen. Cifras orientativas, a confirmar con vuestro histórico real.
Problema: Departamento financiero saturado de facturas de proveedor de materia prima con líneas multi-material, mermas pactadas y referencias internas distintas a las del proveedor. Cuatro personas dedican media jornada al día a teclear.
Solución propuesta: Piloto de imputación inteligente sobre dvinvoice-hub con Document Intelligence: extracción del documento, matching contra pedido vivo, propuesta de imputación a línea de fabricación y a orden.
Resultado esperado: Reducción esperada del 60% del tiempo de captura por factura. Reasignación de personas-jornada a tareas de control y conciliación con proveedor. Cifras conservadoras, orientativas, a validar con vuestros datos.
Problema: Disponibilidad real de planta cerca del 78%, con 22% de pérdida entre paradas planificadas y averías. Mantenimiento principalmente reactivo. Sin gmao maduro y sin sensorización IoT desplegada todavía.
Solución propuesta: Piloto en dos fases: primero implantación de dvgmao para ordenar el dato de mantenimiento y la historia de avería; después, sobre seis meses de dato consolidado, modelo predictivo de avería sobre las máquinas críticas.
Resultado esperado: En el primer año, con solo dvgmao bien implantado, recuperación esperada de 2 a 4 puntos de OEE. En el segundo año, con el modelo predictivo en producción, otros 2 a 3 puntos adicionales. Cifras orientativas, a refinar en discovery.
Ejemplos orientativos. Las cifras se confirman en discovery con vuestros datos reales antes de comprometer el piloto.
Honestidad antes que hype. Cuatro cosas que la IA no resuelve en una planta industrial por mucho discovery que hagamos.
Tres fases del método Davisa AI Studio, adaptadas a las particularidades del sector fabricación. Cada fase con entregable concreto y plazo cerrado.
Trabajo de campo con vuestro director de planta, responsable de calidad, jefe de mantenimiento y responsable financiero. Auditoría del dato en dvproduction, dvquality, dvscrap y, si aplica, dvgmao. Identificación del caso piloto con mayor ROI sobre histórico real y definición del KPI objetivo y la línea base.
Desarrollo del modelo o caso operativo elegido. Entrenamiento con histórico, validación cruzada, integración con BC vía API, despliegue en producción y ajuste con feedback de los primeros turnos. En fabricación la curva de adopción del jefe de planta y del operario es la clave para que el caso se consume.
Reentrenamiento periódico del modelo con dato posterior al piloto, ampliación a más SKU o más líneas, despliegue al siguiente caso del roadmap (mantenimiento predictivo si se empezó por scrap, viceversa) y formación del equipo interno para que pueda interpretar y actuar sobre las salidas del modelo.
Modelos Azure ML sobre histórico de producción, calidad y scrap para anticipar rechazos.
Caso IAExtracción, matching e imputación analítica de facturas multi-material con Document Intelligence.
Extensión BCGestión avanzada de fabricación sobre BC: orden, ruta, parte de producción y consumos.
Extensión BCGestión del sistema de calidad sobre BC: inspecciones, no conformidades y acciones correctivas.
Extensión BCRegistro estructurado de scrap por orden, máquina, turno y causa raíz. Núcleo del dato predictivo.
Extensión BCSeguimiento de mermas de materia prima en fabricación alimentaria y por procesos.
Extensión BCGestión de mantenimiento sobre BC: preventivo, correctivo, histórico de avería y coste por máquina.
SectorLa página sectorial tradicional con la propuesta Davisa completa para fabricación discreta.
SectorLa página sectorial tradicional con la propuesta Davisa completa para alimentación.
CalculadoraCalcula la pérdida real anual por scrap y por puntos de OEE no recuperados en vuestra planta.
HubCatálogo completo de casos, sectores, método y discovery del AI Studio.
Como regla práctica, entre 12 y 24 meses de histórico limpio en Business Central con dvproduction, dvquality, dvscrap y dvmermas activos y bien parametrizados. Necesitamos volumen suficiente para que el modelo distinga patrones reales de ruido estadístico: lotes recurrentes, parámetros de máquina, mezclas material-proveedor, turnos, operarios y resultados de calidad. Si lleváis menos de 12 meses con BC en producción, lo honesto es esperar o empezar por casos no predictivos, como la automatización de facturas o el resumen ejecutivo del cierre.
No es obligatorio, pero ayuda. Con solo el dato BC (orden de fabricación, ruta, partidas de material, partes de producción, registros de scrap y no conformidades) ya se pueden entrenar modelos útiles, especialmente para anticipar problemas de mezcla material-proveedor-turno-máquina. Si añadimos señales IoT en tiempo real (temperatura, presión, vibración, velocidad), el modelo gana resolución y permite ajuste paramétrico en turno y mantenimiento predictivo de verdad. Sin IoT empezamos con casos batch; con IoT entramos en tiempo real.
La fabricación con repetición de orden (lotes recurrentes, referencias frecuentes) y parámetros medibles funciona muy bien: inyección, mecanizado, troquelado, extrusión, soplado, laminado, química de proceso, alimentación industrial. La fabricación pura por proyecto irrepetible (calderería bajo plano único) tiene menos recorrido en modelos predictivos porque cada orden es estadísticamente única. En ese caso el AI Studio se enfoca en automatización documental, asistentes operativos y análisis de margen por proyecto, no en predicción de scrap.
No. La IA en fabricación alimentaria se monta sobre la trazabilidad que ya proporcionan BC + dvproduction + dvquality. La capa IA lee, analiza y propone, pero no modifica el registro de lote ni el seguimiento de materia prima. La trazabilidad sigue siendo el sistema de gestión de calidad estándar y, en su caso, las extensiones de control de lote alimentario. Lo que la IA aporta es agilidad: detección anticipada de no conformidades recurrentes, anticipación de fallos de calidad y propuesta de ajustes paramétricos para reducir scrap, todo sin tocar el sistema documental de trazabilidad.
El piloto de ocho semanas entrega un modelo en producción o un caso operativo. La curva real de reducción de scrap se hace visible entre el tercer y el sexto mes, una vez que la planta empieza a actuar sistemáticamente sobre las alertas y el modelo se ha reentrenado con datos posteriores al piloto. Para automatización de facturas se ve impacto desde la primera semana. Para mantenimiento predictivo, los primeros ahorros aparecen al segundo o tercer mes en una avería evitada concreta. La paciencia industrial cuenta y no lo vendemos como un caso de dos semanas.
Os enmarcamos la capa IA dentro de vuestra relación actual con BC y las extensiones dv* de planta. Vuestro asesor habitual coordina la entrada del AI Studio.
Habla con el equipo →Empezamos por el discovery de 5 días sobre vuestra planta. Auditoría del dato real, evaluación técnica y roadmap priorizado para que en una semana sepáis dónde tiene sentido invertir.
Solicita Discovery IA →