En muchas plantas industriales argentinas, la fábrica inteligente no empieza con inteligencia artificial ni con un dashboard en la nube. Empieza más abajo: en una línea de producción donde conviven máquinas nuevas con equipos amortizados, PLCs antiguos, sensores analógicos, redes cerradas, SCADA, planillas y sistemas que fueron diseñados para operar, no necesariamente para compartir datos.
La promesa de Industria 4.0 —interconectividad, automatización y datos en tiempo real — choca con una realidad concreta: los datos existen, pero muchas veces están encerrados en la máquina, en el controlador o en un sistema legacy. Para llegar al cloud, primero tienen que salir de la planta sin romper lo que ya funciona.
Índice de temas
El problema real: la fábrica no es una hoja en blanco
McKinsey & Company, consultora global de estrategia y operaciones, lo define como el problema de la “última milla IT/OT”: el punto donde tecnología de la información y tecnología operacional deben converger a escala. En una publicación sobre Industria 4.0 e IIoT, McKinsey advierte que los mayores obstáculos aparecen precisamente en esa convergencia, no en la disponibilidad de casos de uso o herramientas digitales. En su relevamiento global de 2018, realizado sobre más de 700 empresas industriales de Brasil, China, Francia, Alemania, India, Japón y Estados Unidos, la consultora indicaba que solo el 30% de los pilotos de Industria 4.0 llegaba a escalar en toda la organización.
Ese dato no describe a la Argentina, sino a una muestra internacional de compañías industriales. Pero el problema que señala es reconocible para cualquier operación local: una planta no es una hoja en blanco. McKinsey describe que una planta manufacturera mediana puede tener más de 200 equipos comprados en distintos momentos, a distintos proveedores y con distintos protocolos. También menciona la existencia de “old unconnected machines”, máquinas antiguas no conectadas, porque los ciclos de reemplazo de activos industriales pesados pueden durar décadas.
En la práctica, eso significa que el primer desafío de una empresa argentina que quiere avanzar hacia Industria 4.0 no siempre es elegir AWS, Azure, Google Cloud o una plataforma de analítica. Muchas veces es más básico: saber qué datos puede capturar, de qué activo salen, con qué frecuencia, con qué calidad y para qué decisión de negocio sirven.
Del dato encerrado al dato útil
Capturar datos no alcanza. Un sensor puede informar temperatura, vibración o presión, pero ese dato aislado dice poco si no está relacionado con una orden de producción, un lote, un turno, una receta, un mantenimiento pendiente o un indicador de calidad.
Amazon Web Services, proveedor global de nube de Amazon, lo plantea desde su servicio industrial AWS IoT SiteWise Edge: en automatización industrial y smart manufacturing, la capacidad de capturar y analizar datos de una amplia variedad de activos es clave para casos como monitoreo, detección de calidad y analítica.
En un artículo técnico publicado en septiembre de 2024, AWS y Belden —proveedor global de infraestructura de red y digitalización industrial— sostienen que muchas transformaciones digitales se traban en la base del viaje al cloud: conectividad de equipos legacy, operación de datos y escalabilidad.
El caso citado corresponde a una planta de Belden de 95 años ubicada en Richmond, Indiana, Estados Unidos. Allí, según AWS, la compañía enfrentaba paradas costosas por mantenimiento no planificado, dificultad para conseguir repuestos, escasez de personal calificado, falta de conectividad de máquinas y una cantidad relevante de equipos legacy.
Con sensores secundarios y gateways edge, Belden logró conectar activos sin impactar sistemas heredados ni provocar downtime de producción. Los resultados reportados —5% de mejora en OEE, US$400.000 de incremento anual de performance y repago en 1,25 años— aplican a ese caso industrial específico en Estados Unidos, no a la industria argentina en general.
Ni todo en planta ni todo en la nube: la arquitectura híbrida de la Industria 4.0
La discusión, entonces, no es si todo debe ir al cloud o quedarse en planta. El modelo más realista para manufactura es híbrido: edge para procesar cerca de la máquina; cloud para escalar almacenamiento, analítica, tableros corporativos, inteligencia artificial y comparación entre sitios.
Siemens, compañía alemana de automatización y tecnología industrial, describe una arquitectura edge-first que integra Siemens Industrial Edge con AWS IoT SiteWise Edge. La propuesta captura datos del shop floor, los normaliza y preprocesa en planta, y luego envía al cloud datos armonizados de series temporales y modelos de activos para digital twins, analítica y machine learning.
La lógica es clara: algunas decisiones deben tomarse cerca de la línea. Siemens destaca que el modelado local, los cálculos de KPI y el buffering on-premise permiten mantener visibilidad operativa incluso ante interrupciones de conectividad.
Rockwell Automation, empresa estadounidense especializada en automatización industrial, llega a una conclusión similar en un artículo sobre nube y edge: la computación en la nube ofrece escalabilidad y flexibilidad, pero no se adapta bien a casos industriales con conectividad intermitente, grandes volúmenes de datos o necesidad de respuesta casi en tiempo real. Para Rockwell, cloud y edge no compiten: resuelven necesidades diferentes.
Brownfield: adaptar lo existente es más difícil que comprar tecnología nueva
La palabra clave es brownfield: plantas, máquinas y sistemas existentes. Modernizar no significa reemplazar todo. En mercados como el argentino, donde muchas compañías deben cuidar capital, amortizar activos y sostener producción, el desafío suele ser sumar una capa de conectividad, sensórica, gateways, edge y datos sobre infraestructura ya instalada.
KDK Argentina, proveedor local de automatización, sensórica y control industrial, lo resume desde la experiencia en planta: muchas fábricas argentinas operan con PLC antiguos, redes cerradas y sensores analógicos. En un artículo publicado en agosto de 2025, la compañía sostiene que eso no es necesariamente un obstáculo, sino un punto de partida para planificar una arquitectura de control más robusta. La frase sintetiza el problema editorial: “renovar sin frenar la operación”.
La mirada académica va en la misma dirección. Un paper alojado en arXiv, repositorio académico operado por Cornell University, sostiene que Industria 4.0 solo se vuelve realidad mediante la convergencia entre OT e IT, pero advierte que el cloud por sí solo no puede garantizar siempre requisitos industriales estrictos como confiabilidad, confianza y tiempos de respuesta. El trabajo, centrado en Industrial IoT, propone fog computing como una arquitectura intermedia para aplicaciones industriales que requieren determinismo, interoperabilidad y seguridad.
Riesgos: seguridad, continuidad y costos
Conectar planta y cloud también amplía la superficie de riesgo. El National Institute of Standards and Technology —NIST, organismo público de Estados Unidos especializado en estándares y ciberseguridad— define OT como sistemas programables que interactúan con el ambiente físico o gestionan dispositivos que interactúan con él. Allí entran sistemas de control industrial, PLC, DCS y SCADA. En su guía SP 800-82 Rev. 3, publicada en septiembre de 2023, NIST advierte que la seguridad OT debe atender requisitos propios de performance, confiabilidad y seguridad física.
Para una empresa industrial, esto cambia la pregunta. No alcanza con saber si los datos llegan al cloud. Hay que definir qué datos salen de planta, cómo se cifran, quién accede, cómo se segmentan las redes, qué ocurre si se corta internet y qué servicios deben seguir funcionando localmente.
También aparece el costo. Siemens Energy, compañía global del sector energético con presencia en más de 90 países, desarrolló sobre AWS una plataforma Industrial IoT llamada Connected Factory para conectar activos de fábricas globales. El caso, publicado por AWS, reporta 18 fábricas globales y 30 casos de uso incorporados, hasta 50% menos tiempo dedicado a recolección manual de datos, hasta 25% menos costos de mantenimiento de activos OT y hasta 15% más disponibilidad de máquinas. (Esos números corresponden al despliegue global de Siemens Energy informado por AWS, no a una experiencia argentina)
El caso argentino: pymes, integradores y adopción gradual
En la Argentina, el camino probablemente sea más gradual. Para muchas pymes industriales, el proyecto no empieza conectando toda la planta, sino una línea crítica, una máquina cara, un tablero energético, un proceso con alto scrap o una variable que permita justificar retorno.
KDK Argentina plantea que definir KPIs desde el inicio —consumo energético, tiempos de parada, trazabilidad— permite priorizar inversiones con datos. También advierte que el talento es parte de la infraestructura: se necesitan perfiles que entiendan tanto PLC, SCADA y buses industriales como redes, bases de datos y nuevos protocolos. En otras palabras, la brecha no es solo tecnológica; también es cultural y operativa.
Ese es un punto clave para integradores, proveedores cloud y compañías industriales: la fábrica inteligente no se compra como un producto cerrado. Se construye con una arquitectura que respeta la operación, con casos de uso medibles y con equipos capaces de traducir entre mantenimiento, automatización, sistemas y dirección.
La fábrica inteligente se construye desde abajo
La nube no reemplaza la realidad física de la planta. La potencia cuando hay una base de datos confiable, una integración OT/IT segura, procesamiento en edge donde hace falta y una estrategia cloud donde agrega escala.
Por eso, el verdadero talón de Aquiles de la fábrica inteligente no es la falta de sensores ni de algoritmos. Es la capacidad de convertir máquinas reales, muchas veces antiguas y críticas, en fuentes de datos útiles sin interrumpir producción.
La fábrica inteligente no empieza cuando una empresa sube datos al cloud. Empieza cuando sabe qué dato necesita, de qué máquina sale, para qué decisión sirve y qué costo operativo está dispuesta a asumir.
