Un modelo de evaluación híbrido para la fabricación inteligente bajo incertidumbres integrando sistemas hombre‑máquina y estrategias de automatización

Por qué las fábricas más inteligentes necesitan decisiones más inteligentes

A medida que las fábricas se llenan de robots, sensores e IA, los responsables se enfrentan a una pregunta aparentemente sencilla: ¿cuánto debemos automatizar y cuánto debemos seguir confiando en las personas? La respuesta rara vez es rotunda. Las líneas de producción reales son entornos ruidosos e impredecibles donde la confianza humana, la seguridad y la carga de trabajo importan tanto como la velocidad y el coste. Este artículo presenta una nueva forma de evaluar distintas configuraciones de automatización que tiene en cuenta esa realidad compleja, ayudando a los decisores a escoger opciones que sean eficientes, resilientes y verdaderamente centradas en las personas.

El reto de evaluar el trabajo en equipo humano–máquina

Los sistemas modernos de “fabricación inteligente” combinan personas, robots y herramientas digitales. Evaluar estos sistemas es difícil porque muchos de los factores más importantes—la confianza del operario, la percepción de seguridad, la facilidad de colaboración—son subjetivos y cambian con el tiempo. Al mismo tiempo, las fábricas generan océanos de datos procedentes de sensores y sistemas ciberfísicos que pueden estar incompletos o ser ruidosos. Los enfoques de puntuación tradicionales se apoyan en listas de verificación rígidas, dependen en exceso de la opinión de expertos o solo miran el rendimiento numérico. Ninguno puede capturar simultáneamente las percepciones humanas cambiantes, criterios en conflicto y datos duros; sin embargo, esa combinación es exactamente lo que exige la Industria 5.0, con su énfasis en la producción centrada en las personas y resiliente.

Una nueva lente para la incertidumbre en el juicio experto

La primera innovación del estudio es una lente matemática para describir la opinión experta denominada conjuntos difusos esféricos circulares. En términos sencillos, en lugar de obligar a un ingeniero a etiquetar una opción simplemente como “buena” o “mala”, el método le permite expresar cuánto parece buena, cuánto parece no serlo, cuánta incertidumbre tiene y cómo su confianza puede oscilar. Por ejemplo, la confianza de un operario en un robot colaborativo puede aumentar con la productividad, caer bruscamente tras un casi‑accidente y luego recuperarse lentamente tras una re‑formación. Este tipo de vacilación cíclica no puede manejarse bien con herramientas difusas anteriores, que asumen que la incertidumbre se mueve en línea recta. La extensión circular añade un elemento direccional, casi como una brújula, que refleja mejor cómo las personas reales revisan sus juicios conforme las situaciones evolucionan.

Equilibrar la intuición y los números duros

Para convertir estas opiniones ricas pero desordenadas en clasificaciones claras de opciones de automatización, el autor combina dos técnicas de decisión en un único modelo híbrido. Una parte, llamada CRITIC, analiza los datos y determina qué criterios realmente tienen peso viendo cuánto varían y cuánto se enfrentan entre sí. Otra parte, MAIRCA, compara cada opción con un conjunto “ideal” imaginado de puntuaciones y mide qué tan lejos queda de él. Las evaluaciones difusas circulares de los expertos se convierten primero en puntuaciones numéricas especialmente diseñadas para que CRITIC pueda operar sobre ellas sin descartar la incertidumbre subyacente. Juntos, este trío—modelado difuso circular, ponderación basada en datos y comparación ideal‑versus‑real—pretende equilibrar la intuición humana y la estructura objetiva.

Poner el modelo a prueba en una fábrica piloto

Para mostrar cómo se comporta el marco, el artículo recorre un caso hipotético de un fabricante de tamaño medio que elige entre cuatro diseños de automatización: una línea híbrida semi‑automatizada, un sistema ciberfísico guiado por operarios, una línea totalmente automatizada y un escenario con robots colaborativos. Ocho criterios mezclan preocupaciones económicas, técnicas y humanas, incluidos coste, eficiencia, flexibilidad, integración de factores humanos, seguridad, carga de mantenimiento, fiabilidad y uso de datos. Los expertos califican cada opción con términos lingüísticos como “alto” o “medio”, que se traducen a valores difusos circulares. El método híbrido calcula entonces la importancia de cada criterio, construye un referente ideal, mide cuánto se desvía cada opción de ese ideal y las clasifica en consecuencia. En esta prueba, la línea híbrida semi‑automatizada resulta la mejor, en gran parte porque rinde de forma sólida en todos los criterios sin debilidades importantes, mientras que las opciones que persiguen la máxima automatización pagan un precio en la integración del factor humano y en la complejidad.

Cómo esto cambia las decisiones en fábricas reales

Más allá del ejemplo, el estudio compara su modelo híbrido con métodos populares como AHP y TOPSIS y con variantes difusas de estas herramientas. Esos clásicos son más fáciles de aplicar pero propensos a clasificaciones inestables y a un manejo pobre de la incertidumbre. En contraste, el nuevo enfoque muestra clasificaciones más estables cuando se varían parámetros clave y puede distinguir mejor entre alternativas muy pareadas, especialmente cuando la vacilación experta depende fuertemente del contexto. El autor advierte con cautela que los resultados actuales se basan en datos sintéticos y que la validación completa en líneas de producción reales es trabajo futuro. Aun así, el marco apunta hacia herramientas de decisión que ven las fábricas como sistemas socio‑técnicos, donde personas y máquinas se coadaptan con el tiempo.

Qué implica esto para el futuro del trabajo y la automatización

En términos cotidianos, la conclusión del artículo es que las decisiones sobre automatización no deben ni ignorar el juicio humano ni ahogarlo en datos. En su lugar, deben modelar explícitamente cómo cambian las opiniones de las personas a medida que ganan experiencia, afrontan incidentes y se adaptan a nuevas tecnologías. El modelo propuesto ofrece una forma estructurada de hacerlo, al tiempo que tiene en cuenta costes, seguridad, flexibilidad y capacidades digitales. Usadas con criterio, tales herramientas podrían ayudar a las empresas a escoger estrategias de automatización que no solo sean eficientes en el papel, sino también en las que los trabajadores confíen, que sean más seguras en la práctica y más robustas cuando cambian las condiciones —ingredientes clave para las fábricas previstas bajo la Industria 5.0.

Cita: Chen, Z. A hybrid evaluation model for intelligent manufacturing under uncertainties by integrating human-machine systems and automation strategies. Sci Rep 16, 10936 (2026). https://doi.org/10.1038/s41598-026-45749-x

Palabras clave: fabricación inteligente, colaboración hombre‑máquina, estrategia de automatización, modelo de toma de decisiones, incertidumbre difusa