Una alarma de vibración en un molino de bolas: 7,8 mm/s y subiendo. Mantenimiento pregunta qué está fallando. Operaciones pregunta cuánto cobre fino se pierde si se detiene. Planificación pregunta si se alcanza a llegar a la ventana de mantención.
Tres preguntas sobre el mismo equipo, respondidas con tres planillas distintas.
Me puse a leer qué entienden McKinsey y Accenture por gemelo digital, y me llamaron la atención dos ideas.
Un gemelo no es una maqueta 3D
McKinsey lo define como una réplica digital conectada a datos reales, que se actualiza con ellos. Una simulación aislada o un plano CAD no califican. Lo que importa no es el render, es la conexión con la operación.
Unificar no es lo mismo que juntar
La segunda idea es de Accenture: un data lake junta los datos en un solo lugar, pero no entrega la información estructurada que se necesita para optimizar de punta a punta. El gemelo unifica y contextualiza. En una planta, eso obliga a escribir cómo la dureza del mineral afecta la molienda, cómo la molienda afecta la flotación y cómo todo eso termina en cobre fino. Sospecho que ahí está buena parte del valor, incluso antes de optimizar nada.
Lo que me llevo
El gemelo se gana el nombre cuando permite probar decisiones antes de ejecutarlas. Seguir igual, detener 12 horas o bajar carga 8 % dejan de ser opiniones y pasan a ser escenarios con un costo en cobre fino.
Esa traducción, de mm/s a toneladas, es la que pone a mantenimiento, operaciones y planificación a discutir el mismo número.
Y la decisión sigue en la sala de control. El gemelo propone; las personas aprueban.
En este video recorro el ciclo completo (medir, predecir, simular, optimizar y monitorear) con un caso ilustrativo:
Lo que salió en la conversación
¿Cómo se maneja la incertidumbre del modelo en la sala de control? Un escenario con costo en cobre fino pesa distinto si el operador no sabe cuánto confiar en ese número. Creo que la forma de mostrarlo marca la diferencia: el costo como un rango y no como un solo número, junto con qué tan bien ha acertado el modelo en casos parecidos. Así el operador sabe cuánto confiar antes de decidir.
¿Basta con predecir? No. El paso siguiente es prescribir, y para que eso sea útil la recomendación tiene que venir con su incertidumbre: no es lo mismo «detén en 12 horas» que «detén entre 10 y 16 horas, con esta confianza». El modelo sigue siendo imperfecto, pero se vuelve útil para decidir.
¿Y el realismo de la simulación? Un escenario que no sabe si el repuesto está en bodega o si hay cuadrilla disponible es un ejercicio teórico. Por eso el gemelo también tiene que leer mantenimiento: avisos, órdenes, repuestos y la próxima detención programada. Recién ahí la simulación conversa con la realidad de la operación.
¿Qué les ha costado más: construir el gemelo o lograr que alguien decida con él?
Referencias
- McKinsey — “What is digital-twin technology?”. mckinsey.com
- McKinsey — “Digital twins: What could they do for your business?”. mckinsey.com
- Accenture — “How digital twins enable autonomous operations”. accenture.com
Publicado originalmente en LinkedIn el 3 de noviembre de 2026.
