4.8% de la manufactura mexicana usa IA, una cuarta parte del promedio de la OCDE: el diagnóstico antes de invertir en la planta

Sólo 4.8% de las empresas manufactureras mexicanas con más de diez trabajadores usa inteligencia artificial, según el Censo Económico 2024 del INEGI, analizado por Centro México Digital (CMD). Es una cuarta parte del promedio de la OCDE, que está en 19.1%. Mientras tanto, Nuevo León cerró 2025 con 3,628 millones de dólares de inversión extranjera directa, un crecimiento de 73% frente a 2024, con la industria automotriz a la cabeza. Para un director de planta, eso significa una cosa concreta: la competencia por los contratos de nearshoring ya no se gana sólo con mano de obra calificada y cercanía con Estados Unidos. Se gana también con qué tan rápido detecta una falla antes de que pare la línea.

Lo que dice el estudio, y lo que no dice

El estudio "México Inteligente: la manufactura frente a la oportunidad que no espera", de CMD con datos del Censo Económico 2024, analizó 33,316 unidades económicas de 21 industrias en las 32 entidades. Sus hallazgos centrales:

• 4.8% de la manufactura mexicana usa IA, contra 19.1% en la OCDE.
• Aunque el Censo Económico 2024 del INEGI confirma que 4.8% de la manufactura usa IA, la distribución específica por tamaño de empresa (1.2% pequeñas, 7.8% medianas) no aparece en el comunicado oficial de la Secretaría de Economía. Estos números deberían atribuirse explícitamente al estudio de Centro México Digital o verificarse contra la fuente primaria del Censo completo.
• Un incremento de 10 puntos porcentuales en adopción de IA se asocia con 18.8% más producción bruta por unidad económica, 5.4% más salario por trabajador y 3.3% más empleo.
• 35% de las manufactureras mexicanas considera que la IA será decisiva para su competitividad a largo plazo, pero muchas iniciativas se quedan en fase piloto sin integrarse al proceso central, en buena medida porque las pymes no encuentran casos de IA funcionando en empresas de su tamaño y su presupuesto.

Aquí vale una aclaración que no siempre se hace bien en la cobertura de este tema: la cifra de 92% que circula junto a estos datos no es mexicana. Viene de una encuesta de Deloitte entre 600 ejecutivos de manufactura con sede u operaciones en Estados Unidos, levantada en agosto y septiembre de 2024, donde 92% cree que la manufactura inteligente será el principal motor de competitividad en los próximos tres años. Mezclar ese optimismo estadounidense con el 4.8% de adopción real en México infla la lectura del problema. La cifra mexicana que sí aplica es 35%: menos entusiasmo, y con razón, porque la mayoría todavía no tiene evidencia propia de que funcione.

Manufactura genera 20% del PIB mexicano y 90% de las exportaciones del país, según el mismo estudio. Es el sector con más que perder si se queda atrás, y el que menos IA usa entre los que sí generan valor exportable.

Por qué esto urge ahora, y no en abstracto

El nearshoring no es un concepto de columna de opinión en Nuevo León: es dinero que ya entró. El estado cerró 2025 con 3,628 millones de dólares de inversión extranjera directa, 73% más que en 2024, con manufactura avanzada, automotriz, tecnología y logística como sectores principales. Sólo en inversión automotriz, Nuevo León captó 1,454 millones de dólares en 2025, el monto más alto del país.

Esa inversión no llega a una planta cualquiera. Las armadoras y sus proveedores de primer nivel auditan la capacidad de entrega, la trazabilidad de calidad y la variabilidad del proceso antes de asignar un contrato. Una planta que detecta una falla de calibración por revisión manual dos turnos después de que empezó a fallar compite en desventaja contra una que la detecta en minutos porque monitorea el proceso en tiempo real. El diagnóstico deja de ser un ejercicio interno de eficiencia y se convierte en un criterio de elegibilidad frente a la marca que decide dónde fabricar.

El error más caro: comprar sensores antes de mapear la falla

El hallazgo de CMD que más debería pesar en la decisión de un director de planta es este: los pilotos se estancan no porque la tecnología falle, sino porque no hay evidencia de que resuelva el problema específico de esa línea, a esa escala. Comprar sensores IoT o un paquete de mantenimiento predictivo antes de saber cuál es el cuello de botella real es la misma lógica que ya falla en automatización de oficina: la mayoría de los pilotos de RPA en México nunca llegan a producción porque se automatizó un paso mal entendido, no el proceso completo.

En planta el patrón se repite así: se instala sensórica en la máquina que parece más moderna o más visible para una demo, no en la que realmente genera los paros. El resultado es un dashboard que nadie consulta a los tres meses, porque no está conectado a una decisión que alguien tome todos los días.

Qué diagnosticar antes de aprobar el presupuesto

En este orden, no al revés:

1. Identifica el paro real, con datos de producción, no con percepción. ¿Qué máquina o qué estación concentra más tiempo de paro no programado en los últimos seis a doce meses? Si esa información no existe en ningún reporte, ese es el primer hueco que hay que cerrar, y a veces se cierra con una bitácora digital simple antes de pensar en sensores.
2. Cuantifica el costo del paro en pesos, no en adjetivos. Horas de línea detenida, producto rechazado, entregas tarde. Sin ese número no hay forma de comparar el retorno de una inversión en mantenimiento predictivo contra cualquier otra prioridad de capital.
3. Revisa qué tan lista está tu infraestructura de datos. Según CMD, Según reportes de Centro México Digital, 44.2% de las manufactureras con más de diez empleados usa servicios en la nube (cifra que requiere verificación adicional contra la fuente primaria del Censo 2024). Si la planta no tiene historial digitalizado de fallas y paros, un modelo predictivo no tiene con qué entrenarse: el proyecto arranca por digitalizar el registro, no por comprar el modelo.
4. Pide al proveedor que te conecte su propuesta al cuello de botella que identificaste, no a un catálogo genérico de sensores. Si la respuesta es "instalamos sensórica en toda la planta y luego vemos qué sale", esa propuesta no pasó por un diagnóstico real.
5. Diseña el piloto para que se integre al proceso desde el primer día, no como un experimento aislado que alguien tiene que recordar revisar. El estudio de CMD es explícito en que ahí es donde se pierden la mayoría de las iniciativas: funcionan en la demo y desaparecen cuando termina el sprint.

Esta lógica de diagnóstico antes de tecnología es la misma que aplica para saber qué proceso automatizar primero cuando el papel y el Excel siguen siendo la norma en la operación. Sin ese mapeo, cualquier inversión en manufactura inteligente compite por presupuesto sin poder demostrar en pesos qué resolvió, el mismo problema que hoy tienen las empresas mexicanas que ya usan IA pero no pueden probar si les rinde.

Diagnosticar el proceso antes de comprar tecnología es justo el trabajo detrás de una automatización de procesos bien planteada: entender qué falla y por qué antes de decidir qué se digitaliza.

Dónde la respuesta obvia es la equivocada

No toda planta necesita IoT ni mantenimiento predictivo con IA ahora mismo, y decirlo con esa claridad es parte del diagnóstico:

• Si la planta tiene baja variabilidad de proceso, volumen reducido o cambios de producto frecuentes que hacen poco rentable entrenar un modelo por línea, el retorno de un proyecto de IA de proceso puede tardar más que el ciclo de vida del contrato que se busca ganar. Ahí conviene resolver primero lo básico: bitácoras digitales, checklist de mantenimiento preventivo estandarizado, trazabilidad de lote.
• Si no hay conectividad OT/IT confiable, ningún proyecto de sensórica sobrevive el primer corte de red o el primer PLC que no habla el mismo protocolo que la plataforma nueva. Eso se arregla antes, no en paralelo.
• Si el problema real es rotación de personal capacitado, y no falta de datos, ningún modelo predictivo compensa que la persona que sabía interpretar la alerta ya no trabaja ahí. El diagnóstico también debe preguntar si el problema es de proceso o de talento.

Un diagnóstico honesto a veces concluye que la inversión correcta no es en IA de proceso, sino en estabilizar lo que ya existe. Decir eso cuesta menos que un piloto que nunca sale del laboratorio.

Lo que separa a la planta que gana el contrato de nearshoring de la que lo pierde no es quién compró primero los sensores, es quién supo primero qué preguntarle a su propio proceso antes de comprar nada. Si tu equipo está por automatizar ese diagnóstico de planta antes de invertir en sensórica o mantenimiento predictivo, ese es exactamente el punto de partida.

Fuentes

• Secretaría de Economía: "La adopción de IA en la manufactura mexicana se asocia con retornos medibles"
• Centro México Digital: "Seis frenos, diez palancas: lo que México necesita para que la inteligencia artificial transforme su manufactura"
• Centro México Digital: "La manufactura que produce más y paga mejor"
• Deloitte, vía PR Newswire: "Deloitte Survey Reveals Smart Manufacturing Is Driving Advantage"
• Vértigo Político: "Nuevo León lidera nearshoring con un crecimiento de 73% en inversión extranjera"
• Cluster Industrial: "Nuevo León cierra 2025 con 1,454 MDD en inversión automotriz, el mayor monto del país"