De datos a decisiones: cómo la IA transforma la prevención de riesgos en operación 

Históricamente, la seguridad laboral y la prevención de riesgos industriales se había sostenido sobre manuales de buenas prácticas, reportes y acciones bajo presión; sin embargo, la inteligencia artificial (IA), el machine learning, así como nuevos equipos para visualización en tiempo real, están transformando la forma de tomar decisiones operativas.

En el marco del Safety Summit 2026 —organizado por MSA Safety en São Paulo los días 6 y 7 de mayo—, la charla “Inteligencia Artificial en la Prevención de Accidentes aplicados en Gerdau”, presentada por Sandro Piussi, Corporate General Manager of Safety & Health en Gerdau, y moderada por Tim Wiesel, socio y líder de IA y Data en Deloitte Brasil, evidenció que el avance de la tecnología ahora permite pasar de la reacción a la anticipación de incidentes.

“Los riesgos siguen existiendo, pero para quienes saben escuchar, hablan antes de que suceda”, señaló Piussi. Este enfoque marca una transición hacia modelos predictivos donde los datos dejan de ser históricos para convertirse en herramientas de decisión en tiempo real.

Frente a este panorama, la sesión abordó tres ejes clave: el uso de analítica avanzada para transformar datos en decisiones, la adopción de tecnologías en campo —como sensores, drones y automatización— y el rol de la cultura organizacional para escalar estos modelos en entornos industriales complejos.

Tendencias de automatización 2026: robots, digital twins y mantenimiento predictivo

Un caso práctico que ejemplifica esa transformación

Piussi y Wiesel mencionaron que, desde 2016, Gerdau desarrolló un sistema de analítica en seguridad basado en machine learning, en alianza con Deloitte, el cual es capaz de procesar grandes volúmenes de información operativa.

De acuerdo con los ponentes, al día de hoy, la organización genera alrededor de 100,000 datos mensuales de seguridad a nivel global, que se derivan en incidentes, cuasi accidentes, desviaciones y condiciones inseguras.

“Llegó un momento en el que teníamos tantos datos que empezamos a cuestionarnos qué hacer con ellos”, explicó Piussi; sin embargo, él mismo detalló que la respuesta fue integrar esa data en algoritmos para “transformarlos en información utilizable para la toma de decisiones”.

Tras una década de evolución, el modelo migró de analítica descriptiva —con la que arrancó el proyecto— a capacidades predictivas y, más recientemente, a exploraciones en inteligencia artificial generativa.

De pilotos a operación: el verdadero desafío de la IA

Los ponentes coincidieron en que uno de los retos actuales para las empresas, con relación a la IA, se encuentra en hacer la transición de pilotos de analítica avanzada hacia un modelo que traduzca esos datos en decisiones operativas.

Tim Wiesel destacó que “solo el 25% de las empresas logran escalar pilotos tecnológicos y apenas el 10% convierte estas iniciativas en soluciones operativas sostenidas”.

El caso Gerdau no es la excepción en cuanto a esos desafíos; aunque, la empresa ha implementado múltiples tecnologías —desde realidad virtual hasta smart cameras y drones— en más de 30 plantas en Brasil y América Latina, su adopción efectiva sigue siendo parcial.

“Muchas cosas que probamos no logramos escalarlas, incluso tecnologías que funcionan bien no alcanzan el uso que podrían tener”, reconoció Piussi. Esto refleja una realidad del sector: el desafío no es acceder a la tecnología, sino integrarla en procesos operativos y lograr su adopción a gran escala.

Metrología, el factor que determina si una planta puede ser 4.0

Tecnología en campo: del monitoreo a la intervención

En operación, la inteligencia artificial se está materializando a través de múltiples soluciones:

• Drones que reducen tiempos de inspección y exposición al riesgo
• Cámaras inteligentes para detectar condiciones inseguras
• Automatización y robótica para eliminar tareas críticas
• Sensores y analítica en tiempo real para anticipar fallas

Dichas herramientas permiten evolucionar hacia sistemas capaces de monitorear, responder, aprender y anticipar, alineados con principios de ingeniería de resiliencia; empero, como subrayó Piussi, el valor no está en los instrumentos en sí: “la tecnología no se resuelve sola; requiere interpretación, gestión y trabajo humano detrás”.

Cultura y datos: el verdadero diferencial competitivo

Al inicio de esta nota, mencionamos que la ponencia se había centrado en tres ejes; ya abordamos el primero que se refiere a la brecha entre experimentación y escalabilidad, el segundo, enfocado en la aplicación real de las tecnologías en campo y llegamos al tercero, que generalmente es el más subestimado: la cultura organizacional.

Los expertos subrayaron que, más allá del despliegue tecnológico en sí; el factor decisivo para una adopción efectiva de la IA como parte de las operaciones cotidianas, se encuentra al interior de la organización y depende de tres pilares:

• Colaboración, tanto interna como entre empresas
• Perseverancia, para sostener iniciativas a largo plazo
• Confianza, para tomar decisiones basadas en modelos predictivos

“Colaboración, asociación y perseverancia son un trípode fundamental para que estas iniciativas funcionen”, señaló Piussi.

Asimismo, el ejecutivo destacó el potencial de la colaboración interempresarial en los datos: al combinar información de múltiples organizaciones, los modelos podrían alcanzar una capacidad predictiva significativamente mayor.

Planeación logística 2026: cómo ajustar inventarios, rutas y contratos 

Los pilares de la transición predictiva

Para Piussi y Wiesel, en la actualidad, la mayor tendencia en materia de seguridad industrial es la anticipación; por ello, los sistemas actuales, además de registrar datos, deben identificar patrones y alertar antes de que ocurra un incidente.

Esto no solo transforma las herramientas tecnológicas, sino también el rol que deben desempeñar los líderes operativos, quienes deben dominar dichos sistemas y tomar decisiones basadas en datos, no solo en su experiencia.

“Debemos pasar de mirar el pasado como un retrovisor a enfocarnos en el futuro, anticipando riesgos para proteger vidas”, subrayaron los ponentes.

Respecto de ¿en qué enfocarnos para llevar a buen puerto esta transición? Piussi reiteró que los factores determinantes son “la colaboración, la asociación y la perseverancia”.

Wiesel destacó que entender la aplicabilidad de las herramientas de IA es neurálgico para su implementación: “Saber cómo funcionan es importante porque cómo vas a confiar en la toma de decisiones de algo que parece cool y coherente, pero sobre lo cual no tienes la menor idea de cómo se usa”.

Checklist: ¿tu empresa está lista para implementar IA en logística y supply chain? 

Hacia una cultura predictiva

Como hemos podido notar, pasar de la reacción a la anticipación es el mayor desafío de la manufactura y la logística modernas. Las herramientas —desde drones hasta IA generativa— ya están disponibles en campo; sin embargo, el verdadero diferencial competitivo estará en la capacidad de las empresas para asimilar estas tecnologías dentro de su ADN cultural.

En una era industrial donde los datos gritan los riesgos del mañana, ignorar su llamado ya no es una opción operativa viable, la consigna es clara: colaborar para predecir, entender para confiar y anticipar para proteger.

Desmitificar la IA, entender su aplicabilidad y fomentar la colaboración interempresarial son los pasos obligados para que las industrias de la región dejen, por fin, de mirar el retrovisor y comiencen a diseñar entornos laborales verdaderamente predictivos y seguros.