IA en talleres: qué se automatiza y qué sigue siendo del mecánico

Hablar de IA en talleres suele acabar en el mismo sitio: un vídeo de un brazo robótico montando un motor en una fábrica. Eso no es un taller. Un taller de automoción —independiente, de red o concesionario— es un negocio de agenda, de piezas y de horas facturables, y ahí la informática que ya tiene (el DMS, el catálogo de recambios, la máquina de diagnosis) resuelve solo una parte del trabajo. El resto lo sostiene el teléfono, el WhatsApp del jefe de taller y la cabeza del mecánico con veinte años de oficio.

Esta guía va de lo segundo: qué tramos de ese trabajo manual se pueden automatizar hoy con datos propios, cuánto cuesta cada uno en esfuerzo real y dónde conviene no tocar nada porque el criterio del mecánico sigue siendo más barato y más fiable que cualquier modelo.

Aviso de partida, el mismo de siempre: si en tu taller nadie puede decir en dos minutos cuántas horas se facturaron la semana pasada por operario y cuántas se perdieron esperando una pieza, el problema todavía no es de IA. Es que el DMS y la hoja de cálculo de recambios no se hablan. Eso se arregla antes, cuesta menos y es el requisito de todo lo demás.

¿Qué problema tiene de verdad un taller antes de hablar de IA?

Si uno se sienta un día entero en recepción, los agujeros se repiten en casi todos los talleres medianos:

• El teléfono que nadie coge. Las llamadas entran mientras el jefe de taller está debajo de un coche o explicando un presupuesto en mostrador. Una parte se pierde y no vuelve a llamar. Nadie mide cuántas.
• La agenda mal cuadrada. Se cita por hueco libre, no por carga real: cuatro distribuciones el mismo martes y el elevador de alineación parado el miércoles.
• El presupuesto que tarda dos días. Entre pedir precio de pieza, mirar baremo y que el cliente conteste, la OR se queda abierta y el coche ocupa plaza.
• La espera de recambio. La pieza no estaba, el proveedor la trae mañana y el vehículo bloquea el foso.
• La posventa que no existe. Nadie avisa de la revisión de los 30.000 ni de la ITV que vence. El cliente aparece dos años después o no aparece.

Ninguno de esos cinco problemas es un problema de inteligencia artificial. Son problemas de información que llega tarde. La IA sirve aquí porque la mayoría de esa información ya está escrita en algún sitio —órdenes de reparación de los últimos años, histórico de piezas, llamadas, mensajes— y hoy nadie la lee.

¿Qué sistemas hay que tocar en un taller?

Antes de prometer nada conviene mirar de dónde sale cada dato y cuánto cuesta sacarlo. En un taller con 4-15 operarios el mapa suele ser este:

| Fuente | Qué aporta | Problema habitual | |---|---|---| | DMS / software de taller | OR, cliente, vehículo, mano de obra, facturación | API limitada o inexistente; export a CSV y poco más | | Catálogo de recambios | Referencias, equivalencias, precio proveedor | Varios catálogos distintos conviviendo | | Máquina de diagnosis | Códigos de avería (DTC), parámetros en vivo | El dato se queda en la máquina, no entra en la OR | | Agenda / citas | Huecos, tipo de servicio | A menudo en papel o en un calendario compartido | | Teléfono y WhatsApp | La mitad de la relación con el cliente | Sin registro: lo que se habló no queda en ningún sitio | | Almacén | Stock de consumibles y piezas de rotación | Descuadres crónicos; filtros y aceite sin inventariar |

La regla práctica: empieza por lo que ya genera dato estructurado (DMS y catálogo) y mete después el canal de cliente. La diagnosis conectada a la OR es muy valiosa y suele ser lo último, porque exige tocar un equipo del fabricante.

Si el DMS no tiene API decente, no es el fin del mundo: con una exportación diaria a un almacén de datos pequeño se cubre el 80% de los casos de este artículo. Los patrones y las trampas son los mismos que en integrar ERP y CRM.

¿Cómo se automatiza la cita previa y la recepción?

Es el caso con mejor relación entre esfuerzo y resultado, y el único que casi todos los talleres pueden abordar sin proyecto de datos previo.

Lo que funciona hoy:

• Atención fuera de horario. Un asistente en web o WhatsApp que recoge matrícula, kilómetros, síntoma y preferencia de día, y deja la cita propuesta para que recepción la confirme por la mañana. No hace falta que decida nada técnico: basta con que no se pierda el contacto. Los límites reales de este canal están en chatbot de WhatsApp para empresas.
• Llamadas desbordadas. Cuando entran tres llamadas a la vez, un agente de voz puede coger la tercera, identificar al cliente por matrícula y ofrecer hueco o tomar recado. Aguanta bien la cita rutinaria y la consulta de estado; en cuanto hay discusión de factura o avería compleja, transfiere. Lo que se puede y no se puede pedir a esta tecnología está en agentes de voz con IA.
• Citar por carga, no por hueco. Esto no es IA todavía, es un dato bien puesto: cada tipo de trabajo con su tiempo estimado y su recurso (elevador, alineador, máquina de aire acondicionado). Con eso la agenda deja de tener martes imposibles. El modelo viene después, cuando hay histórico suficiente para corregir el tiempo teórico con el tiempo real de tu taller.

Ese último punto es el que más dinero mueve. El baremo del fabricante dice 1,2 horas; tu taller tarda 1,8 en ese modelo concreto porque hay que desmontar una tapa que el baremo no contempla. Con dos años de OR cerradas se puede calcular la desviación real por operación y modelo, y citar con ella. Es un modelo sencillo, verificable cada semana y que nadie se discute: los datos son tuyos.

La IA en el taller no empieza por adivinar averías. Empieza por saber cuánto tardas de verdad en cada trabajo.

¿Puede la IA hacer un presupuesto fiable?

Puede preparar el 70% y dejarlo listo para firmar. No puede firmarlo.

El borrador automático funciona así: a partir del síntoma descrito y el vehículo (marca, modelo, motorización, kilómetros), el sistema busca en tu histórico las OR parecidas, propone las operaciones más frecuentes con su tiempo real, consulta precio de las referencias habituales en el catálogo y monta un presupuesto estimado con rango. El jefe de taller lo revisa, lo ajusta y lo envía. De dos días a veinte minutos.

Dónde falla y por qué conviene saberlo:

• Si el síntoma está mal descrito, el presupuesto está mal. «Hace un ruido» no es un dato. La recogida estructurada del síntoma en recepción es la mitad del trabajo.
• El histórico arrastra tus errores. Si durante años se presupuestó de menos para captar trabajo, el modelo aprenderá a presupuestar de menos. Se corrige mirando qué OR acabaron con ampliación de presupuesto.
• Las piezas se mueven. Un precio de catálogo de hace tres meses no sirve. O se consulta en vivo al proveedor o el presupuesto lleva fecha de caducidad escrita.

Y un uso menos evidente pero muy rentable: detectar la fuga de margen. Cruzar horas facturadas frente a horas de presencia, piezas cargadas en OR frente a piezas que salieron de almacén, y descuentos aplicados por operario y por cliente. Es detección de anomalías clásica, la misma lógica de detección de fraude, y casi siempre lo que aparece no es robo: es un procedimiento que nadie sigue.

¿Qué aporta la IA en recambios y almacén?

El recambio es donde un taller pierde horas sin facturarlas. Tres casos ordenados por dificultad:

1. Stock de rotación con previsión. Filtros, aceite, pastillas, baterías, escobillas. Con 18-24 meses de consumo y el parque de vehículos que pasa por tu taller (que conoces por matrícula) se calcula un stock de seguridad por referencia bastante mejor que el «pide dos cajas cuando queden tres». La mecánica es la de optimización de inventario, aplicada a un almacén pequeño. 2. Anticipar la pieza antes de la cita. Si un cliente ha pedido cita para la revisión de los 60.000 de un modelo concreto, las referencias necesarias son predecibles con alta probabilidad. Pedirlas al confirmar la cita, y no al abrir la OR, quita un día de inmovilizado por vehículo. 3. Equivalencias y referencias cruzadas. Encontrar la referencia alternativa compatible, con stock y a mejor precio, es una búsqueda en catálogos desordenados. Es exactamente el tipo de tarea donde un buscador sobre documentos propios aporta: lee catálogos de varios proveedores y devuelve candidatos, el de recambios decide. Antes de montarlo, lee cómo se evalúa que responde bien en buscador interno sobre documentos.

El error típico aquí es empezar por el 3 porque es el más vistoso. El 1 y el 2 se montan con el dato que ya tienes y liberan plaza de taller desde el primer mes.

¿Hasta dónde llega el diagnóstico asistido?

Esta es la parte donde más humo hay y donde más claro conviene ser.

Lo que hoy funciona:

• Recuperar casos parecidos. «Este modelo, con este código de avería y estos kilómetros, lo hemos visto once veces: en ocho era esta pieza.» No es magia, es buscar en tu propio histórico de OR con el texto de los partes. Ahorra tiempo de prueba y error, sobre todo al operario con menos experiencia.
• Leer la documentación técnica. Boletines, manuales y procedimientos del fabricante son miles de páginas. Un asistente que localice el procedimiento exacto y cite la página es una ayuda real, siempre que muestre la fuente para que el mecánico la contraste. La arquitectura de esto es RAG: recuperar y citar, no inventar.
• Patrones en flota. Si gestionas los vehículos de una empresa con telemetría, se pueden anticipar averías por consumo, temperaturas o avisos recurrentes. Ahí el caso se parece más a mantenimiento predictivo y a lo que contamos sobre gestión de flotas.

Lo que no funciona, por mucho que se venda:

• Diagnosticar sin ver el coche. Un código de avería señala un circuito, no una pieza rota. El falso positivo lo paga el cliente con una pieza cambiada sin motivo.
• Decidir la reparación. Un sistema que propone «cambiar el grupo completo» cuando el mecánico ve que es un conector oxidado no es una ayuda: es un riesgo de reclamación y de reputación.
• Prometer precisión con treinta órdenes de reparación de histórico. No hay datos suficientes. Con menos de un par de años de OR bien cumplimentadas, esta vía no es realista.

La regla sana: el sistema sugiere y ordena hipótesis; el mecánico confirma y firma. Si alguien te ofrece lo contrario, pídele que te enseñe cómo responde del error.

¿Y la posventa? ¿Se puede recuperar al cliente que no vuelve?

Es el caso de IA en talleres con retorno más claro y el más olvidado, porque no es técnico sino comercial.

Con el histórico del DMS tienes, para cada vehículo: fecha de la última intervención, kilómetros, operaciones hechas y periodicidad teórica del fabricante. Con eso salen tres acciones:

• Aviso de mantenimiento y de ITV en el mes correcto, por el canal que use el cliente, con el precio cerrado del servicio. Simple, barato y es la base del taller que llena la agenda de enero.
• Predicción de abandono. Un cliente que venía cada ocho meses y lleva dieciséis sin aparecer, probablemente ya no vuelve. Priorizar la lista por valor y por probabilidad es un modelo de predicción de churn de manual, y la diferencia la marca que alguien llame, no que el modelo acierte.
• Resumen de reseñas y partes de incidencia. Qué se repite en las quejas: plazos, limpieza del vehículo, explicación de la factura. Análisis de sentimiento sobre cien reseñas da más información que la intuición de tres meses.

Ojo con el cumplimiento: matrícula, bastidor y datos de contacto son datos personales, y el aviso comercial exige base legal e información clara. Nada exótico, pero hay que escribirlo antes y no después. Lo esencial está en RGPD e IA.

¿Por dónde empezar en un taller mediano?

Orden realista por relación entre esfuerzo y resultado:

| Orden | Proyecto | Dato que exige | Señal de que te toca | |---|---|---|---| | 1 | Agenda por carga con tiempos reales | OR cerradas de 18-24 meses | Días desbordados y días muertos | | 2 | Avisos de mantenimiento e ITV | DMS + contacto del cliente | Clientes que no vuelven y no sabes por qué | | 3 | Captación de citas fuera de horario | Web o WhatsApp | Llamadas perdidas sin contar | | 4 | Borrador automático de presupuesto | Histórico de OR + catálogo | Presupuestos que tardan días | | 5 | Previsión de recambio de rotación | Consumo + parque de clientes | Coches parados esperando pieza | | 6 | Control de desvíos de horas y piezas | Horas y almacén en el mismo sitio | Margen que no cuadra con la actividad | | 7 | Asistente de diagnóstico sobre histórico | OR con texto bien cumplimentado | Operarios nuevos repitiendo pruebas |

Ningún punto de esa lista empieza por comprar una herramienta. Todos empiezan por decidir qué decisión cambia y quién la toma. Si el jefe de taller no va a mirar la lista que genera el sistema, el sistema sobra: es lo mismo que explicamos en gestión del cambio.

Y un apunte de tamaño: si tienes dos operarios y cuarenta clientes, nada de esto compensa salvo los avisos de mantenimiento. El criterio de proporción está en IA para pymes.

Preguntas frecuentes

¿Sirve de algo la IA si mi DMS es antiguo y cerrado?

Sí, aunque con más trabajo. Si el DMS permite exportar órdenes de reparación, clientes y almacén a CSV, con una exportación diaria se cubre casi todo lo de este artículo. Lo que no se puede es escribir de vuelta en el DMS: la cita o el presupuesto los sigue metiendo una persona hasta que el fabricante abra una API.

¿Cuánto histórico hace falta para predecir el tiempo real de una reparación?

Entre 18 y 24 meses de órdenes cerradas, y lo importante no es el volumen sino la coherencia: que la operación esté codificada igual siempre y que las horas imputadas sean las reales y no las del baremo. Si el operario ficha la hora teórica, el modelo aprenderá el baremo, no tu taller.

¿Puede un asistente atender a clientes sin que parezca un robot?

Para citas, estado del vehículo y preguntas de horario, sí, y lo normal es que el cliente lo agradezca porque le contestan a las once de la noche. Para negociar una factura o explicar una avería delicada, no: debe transferir a una persona y hacerlo rápido. Lo que quema la confianza no es el robot, es el robot que no sabe retirarse.

¿Esto me obliga a cambiar la máquina de diagnosis?

No. Los casos con mejor retorno —agenda, avisos, presupuesto, recambios— no tocan la diagnosis. Integrar los códigos de avería en la orden de reparación aporta, pero es una fase posterior y depende de lo que permita el fabricante del equipo.

---

Si tienes un taller, un DMS lleno de órdenes de reparación de los últimos años y la sensación de que ahí dentro hay información que nadie usa, el primer paso no es un piloto de IA: es ver qué se puede responder hoy con lo que ya tienes y qué falta para lo siguiente. Eso es justo lo que miramos en la auditoría, y si prefieres contarlo en media hora de conversación, hablemos.