El camión que avisa antes de varar: qué tan lejos está México del mantenimiento predictivo

Hoy, el mantenimiento de la mayoría de las flotas mexicanas se decide de dos formas: por kilometraje fijo —cambiar el aceite cada tantos kilómetros, revisar frenos cada tanto tiempo, sin importar cómo se usó realmente la unidad— o por el instinto de un mecánico de confianza que reconoce un ruido raro antes de que se vuelva una varada en carretera. Ninguna de las dos es mala; las dos son, sin embargo, reactivas o genéricas. La promesa del mantenimiento predictivo es otra cosa: sensores en motor, frenos y llantas alimentando un modelo que busca el patrón que antecede a una falla específica, no un calendario que aplica igual a una unidad que trabaja doble turno que a una que descansa los fines de semana.

Lo que en teoría cambia con sensores y un modelo entrenado

La idea no es exótica ni nueva fuera del transporte de carga: motores de avión y equipo industrial pesado llevan años monitoreados así. Aplicado a un camión, significaría vibración anómala en un balero, una caída gradual en la presión de un sistema de frenos, o un patrón de temperatura de motor que se aleja poco a poco de su curva normal — señales que, a diferencia de una luz de check engine genérica, apuntan a qué componente específico está en riesgo y con cuánto margen de tiempo. En teoría, eso mueve el mantenimiento de "cuando ya truena" o "cada tantos kilómetros porque sí" a "cuando el patrón dice que hace falta, y no antes".

Por qué la brecha con una flota mexicana de 20 unidades sigue siendo grande

El problema no es la tecnología del sensor —esa existe y es razonablemente barata—; es todo lo que hace falta alrededor de ella para que el modelo sea confiable. Instrumentar una unidad usada, que es la mayoría del padrón vehicular de carga en México, cuesta más que comprarla ya instrumentada de fábrica. Un modelo que predice fallas necesita historial: años de datos de esa flota específica, con fallas ya etiquetadas, para aprender qué patrón antecede a qué problema — y la mayoría de las flotas medianas todavía no tiene ese historial digitalizado, o lo tiene fragmentado entre el taller, el proveedor de GPS y una libreta. Sin ese historial, lo que se vende como "mantenimiento predictivo con IA" muchas veces es, en el fondo, un umbral fijo con mejor mercadotecnia: "avisa si la temperatura pasa de X", que no es sustancialmente distinto de la luz que ya trae el tablero de fábrica.

Lo que ya existe, y lo que todavía es una promesa de foro

Vale la pena separar dos cosas que se mezclan en la conversación. Ya existe, y es real: telemetría básica —GPS, horas de motor, códigos de diagnóstico OBD-II— que muchas flotas medianas y grandes en México ya traen instalada, y que permite ver que algo pasó. Lo que todavía es mayormente promesa es el salto de ahí a un modelo que aprende de esos datos y anticipa qué va a pasar antes de que pase, con la confianza suficiente para cambiar una decisión de mantenimiento real. Ese salto exige el historial de fallas etiquetado del que hablábamos, y ese historial es exactamente lo que a una flota mediana mexicana le falta construir todavía.

Dónde no está Likida en esto, y por qué vale la pena decirlo

Likida es software de back-office: liquida viajes, valida CFDI, cuadra peajes y diésel contra la política de gastos de una flota. No lee un sensor de motor ni promete anticipar una falla mecánica, y sería exactamente el tipo de promesa vacía que esta industria ya empezó a desconfiar si dijéramos lo contrario. Si el mantenimiento predictivo llega a ser una realidad operativa para una flota mediana mexicana, es más probable que llegue por el lado de un proveedor de telemetría o de un fabricante de motores con acceso directo a esos datos, no por el lado de un sistema de liquidación. Lo que sí puede hacer un sistema como Likida, el día que esa integración exista, es lo que ya hace con el resto del ciclo: convertir una alerta de mantenimiento en un dato ordenado, con su costo y su fecha, en vez de una nota suelta que nadie vuelve a ver.