El problema
Las reparaciones y los mantenimientos tienen una casuística que se repite. Cuando un técnico sale a una intervención, cuenta con poca información sobre la avería y, aunque la tuviera, no tiene tiempo para investigarla y prepararla antes de salir del taller. Esto hace que su primera visita funcione por intuición: carga en la furgoneta los elementos más comunes o aquellos que, si el problema es habitual, su experiencia le permite anticipar.
Pero llegar al fondo del problema casi siempre trae sorpresas y averías inesperadas, y eso provoca un problema costoso para ambas partes: la doble visita. Casi siempre el factor determinante es el tiempo; si el equipo hubiera podido valorar la incidencia, revisar el historial de intervenciones previas, cruzarlo con la documentación existente y repasar galerías de imágenes (incluso audios, ¿por qué no?), la probabilidad de resolver en la primera visita —tanto en repuestos como en conocimiento para desmontar un elemento— habría aumentado enormemente.
Cualquier empresa de instalaciones y mantenimiento se encuentra con este problema. Climatización, electricidad, ascensores, maquinaria… toda intervención se beneficiaría de una investigación previa que funcionase como asistente. Cuando la operación se distribuye entre múltiples técnicos, los equipos que hay que mantener crecen exponencialmente en marcas y modelos, y cuando la construcción de esos equipos empieza a ser muy distinta entre fabricantes, los técnicos se encuentran con intervenciones cada vez más únicas, que suponen más reto y, por tanto, más tiempo de intervención.
¿Podemos mejorar esa asistencia inicial?
Desde Artenis proponemos un sistema de generación de briefings asistido por un copiloto de IA que cruza toda la información generada por la incidencia con el conocimiento acumulado por la organización.
Os mostramos un caso común: el mantenimiento de calderas. Como se puede ver en esta pequeña muestra, el sistema recoge distintos aspectos de la incidencia, tanto del historial del cliente como de la información que este aporta. Si utilizáis el botón “Generar Briefing”, veréis cómo el copiloto genera un reporte proponiendo posibles soluciones y necesidades para la intervención. Conviene insistir en que el objetivo no es resolver la incidencia por sí mismo, sino reducir esas indeseadas segundas visitas.
(Esta es una demo estática para el blog; no está generando contenido contra un LLM real.)
¿Cómo podemos conseguirlo?
El sistema se apoya en dos fuentes básicas:
- La integración de las fuentes de datos existentes (históricos, CRM…), fomentando que ese conocimiento crezca con cada intervención.
- El afinado de modelos con documentación técnica, fallos conocidos, foros…, generando una base de conocimiento contra la que comparar el problema con los datos disponibles.
A partir de ahí, apoyándose en modelos de tratamiento de imagen y audio, combinados con las reglas propias de la automatización de procesos de la organización, se obtiene una base sobre la que construir una asistencia previa a la intervención.
Si este es un problema que te resuena, contáctanos y hablamos de si este tipo de soluciones puede adaptarse a tu operativa diaria. Esto es un concepto que hemos validado, no algo enlatado: cada empresa tiene su propio histórico y sus propios equipos, y ahí es donde entra la conversación real.
