Antes de comprometer capital en una empresa de IA industrial, una plataforma o una iniciativa interna, evalúe seis dimensiones: madurez tecnológica, infraestructura de datos, capacidad del equipo, integración con sistemas de planta, propiedad de PI y datos, y evidencia de despliegue. El checklist que sigue estructura esa evaluación en una secuencia de trabajo que un comité de inversión, un equipo de adquisición o un panel de selección tecnológica puede aplicar directamente.
Ya esté adquiriendo una startup de IA, seleccionando un proveedor de plataforma o aprobando una iniciativa interna, las mismas seis dimensiones determinan si la tecnología sobrevivirá el contacto con una planta real. Este checklist se basa en profesionales que han realizado due diligence técnica sobre despliegues de IA industrial en automoción, farmacéutica, alimentación y energía.
La due diligence de IA industrial difiere de la due diligence de software genérico porque la tecnología debe funcionar dentro de un entorno de producción física. Un modelo que alcanza alta precisión en un notebook es irrelevante si no puede ejecutarse en la red de planta, tolerar la deriva de sensores o integrarse con los sistemas MES y SCADA que los operadores ya utilizan. El marco que sigue organiza la evaluación en seis dimensiones, ordenadas desde los fundamentos tecnológicos hasta la evidencia de despliegue.
Cada dimensión produce una señal de go / condicional / no-go. Un no-go único en propiedad de datos o evidencia de despliegue es normalmente determinante para detener la operación. Señales condicionales en tecnología o equipo pueden mitigarse con un plan post-adquisición, siempre que el comprador tenga la capacidad interna para ejecutarlo.
Para un tratamiento más profundo de la perspectiva de inversión, consulte nuestra guía de ROI de proyectos de IA industrial. Si está seleccionando un proveedor en lugar de adquiriendo una empresa, el mismo checklist aplica — simplemente sustituya la evaluación de equipo por la evaluación de capacidad del proveedor.
| Dimensión | Qué verificar | Señal go / no-go |
|---|---|---|
| 1. Madurez tecnológica | Arquitectura del modelo, metodología de entrenamiento, latencia de inferencia en hardware objetivo, versionado de modelos y pipeline de reentrenamiento. ¿Es el modelo reproducible desde datos y código fuente? | Go: pipeline reproducible con modelos versionados. No-go: el modelo existe solo como artefacto entrenado sin ruta de reentrenamiento. |
| 2. Infraestructura de datos | Origen de los datos de entrenamiento, contratos de sensores y licencias, proceso de etiquetado, reproducibilidad del pipeline de datos, costes de almacenamiento y cómputo a escala. ¿Quién es dueño de los datos tras la adquisición? | Go: datos propios o licenciados con procedencia clara. No-go: datos de terceros sin derechos de uso para IA transferibles. |
| 3. Capacidad del equipo | ¿Ha desplegado el equipo IA en una planta de producción antes? ¿Los ingenieros ML están emparejados con ingenieros de automatización y procesos? ¿Hay responsabilidad documentada del modelo en producción? | Go: el equipo incluye miembros con experiencia de despliegue en planta. No-go: el equipo es solo de investigación o nunca ha llegado a producción. |
| 4. Integración con sistemas de planta | ¿Se conecta la IA a MES, SCADA, PLC y ERP mediante interfaces documentadas? ¿Está especificado el despliegue edge o cloud? ¿Qué pasa cuando la red o el modelo no están disponibles? | Go: integración probada con datos en vivo de planta. No-go: integración demostrada solo con datos sintéticos o históricos. |
| 5. Propiedad de PI y datos | Patentes, secretos comerciales, propiedad de los pesos del modelo. Dependencias de open source y sus licencias. Datos generados por el sistema en producción — ¿de quién son? | Go: PI limpia sin riesgo de copyleft para el stack del adquirente. No-go: modelo central construido sobre pesos open source con licencias restrictivas. |
| 6. Evidencia de despliegue | ¿Hay un despliegue en vivo en una planta real? ¿Cuál es el impacto medido en throughput, calidad o downtime? ¿Puede visitar la planta y verlo funcionando? | Go: despliegue en vivo con resultados cuantificados y visita a planta posible. No-go: despliegue afirmado pero no demostrable. |
Un modelo que puntúa 98% en un conjunto de test curado puede caer al 70% bajo deriva de sensores, cambios de iluminación o variación de lote. Pida siempre precisión medida en datos en vivo de planta durante al menos 30 días.
Los datos de entrenamiento obtenidos de un cliente o socio pueden no ser transferibles tras la adquisición. Los contratos de datos de sensores a menudo restringen el uso para IA. Es el deal-stopper más común descubierto tarde.
Un pedigree de investigación fuerte no equivale a capacidad de producción. Pida despliegues específicos que los miembros del equipo hayan entregado personalmente, incluyendo la planta, la integración y el resultado medido.
Los diagramas de arquitectura y las presentaciones pueden ocultar brechas de integración que una visita de una hora a planta expone. Si el objetivo no puede organizar una visita a un despliegue en vivo, trátelo como una señal.
Un modelo desplegado hoy se degradará conforme el equipo se desgaste y los procesos cambien. Sin un pipeline de reentrenamiento y un responsable del mantenimiento del modelo, la tecnología se convierte en un pasivo en meses.
Conectar IA a MES, SCADA y PLC no es una tarea de software — implica seguridad, segmentación de red y procedimientos operativos. La due diligence debe verificar que la integración ha sido probada, no solo diseñada.
Una evaluación centrada en tecnología suele tardar de dos a cuatro semanas. Una due diligence completa de M&A que cubre equipo, PI, datos y despliegue puede extenderse de seis a ocho semanas según el acceso a la documentación y la cooperación del objetivo.
La infraestructura de datos y su propiedad. Muchos objetivos demuestran un modelo que funciona, pero no pueden demostrar quién es dueño de los datos de entrenamiento, si los contratos de sensores permiten el uso para IA, o si el pipeline de datos puede reproducirse tras la adquisición.
Sí. En industrias reguladas como la farmacéutica o la aeroespacial, la explicabilidad del modelo es un requisito de cumplimiento. Incluso en sectores menos regulados, un modelo opaco que los operadores no pueden interpretar encontrará resistencia de adopción en planta.
La revisión documental, la auditoría de código y la evaluación de arquitectura pueden hacerse en remoto. Se recomienda una visita a planta para evaluar la madurez del despliegue, la integración con la infraestructura física y la realidad del día a día.
Un modelo que solo funciona con datos históricos sin ruta de reentrenamiento en vivo, un equipo sin experiencia de despliegue en producción, datos obtenidos sin licencia clara, o claims de integración que no se pueden demostrar en una visita a planta real.
Recursos relacionados: nuestro servicio de due diligence tecnológica de IA industrial para private equity proporciona evaluación independiente para decisiones de inversión, y nuestra guía sobre cómo elegir un consultor de IA industrial cubre la selección de proveedor desde la perspectiva del comprador. Para consideraciones sectoriales, consulte nuestras páginas de industria farmacéutica y automoción.
Díganos el objetivo, el sector y el momento de la transacción. Le proponemos profesionales que han realizado due diligence de IA industrial en plantas comparables.