Mantenimiento Predictivo vs. Preventivo vs. Correctivo: Comparativa de Costes y ROI

El mantenimiento preventivo ahorra entre un 12% y un 18% respecto al correctivo puro, y el predictivo puede añadir otros 8–12 puntos porcentuales sobre el preventivo según el Departamento de Energía de EE.UU. — aunque implementaciones maduras documentadas por McKinsey (2021) han alcanzado reducciones del 18–25%. La diferencia entre estas cifras importa: el primero es un benchmark conservador de 2010; el segundo es el resultado de un fabricante de dispositivos médicos con datos históricos sólidos y plataforma integrada. Antes de elegir estrategia, conviene saber qué activos tienes, qué te cuesta que fallen y si realmente tienes los datos para que el predictivo funcione.

Cómo funciona cada estrategia

Las tres estrategias no son mutuamente excluyentes ni igualmente válidas para todos los activos — cada una responde a una lógica económica distinta.

Mantenimiento Correctivo (o reactivo)

El mantenimiento correctivo no interviene hasta que el equipo falla. En su versión deliberada, es una decisión económicamente racional para activos de baja criticidad y bajo coste de sustitución.

Cuándo tiene sentido: activos con coste de fallo total inferior al coste acumulado de prevención; componentes con redundancia operativa; piezas de desgaste baratas con tiempo de sustitución inferior a 30 minutos.

El coste de una hora de parada no planificada ha subido un 113% entre 2019 y 2023, superando con creces la inflación del periodo, según un informe de Siemens 2024 citado por Verdantis. En automoción, ese coste supera los 2,3 millones de dólares por hora. Operar en correctivo sin haber calculado este número es asumir un riesgo financiero no cuantificado.

Fabrico (2026) lo expresa con precisión: el objetivo no es eliminar el mantenimiento reactivo, sino convertirlo en una estrategia deliberada para activos específicos, en lugar de la consecuencia inevitable de un programa mal financiado.

El 23,7% de los accidentes laborales en la industria española ocurre durante tareas de instalación y mantenimiento, según el Informe Anual de Accidentes de Trabajo del INSST 2024. Las reparaciones bajo presión de tiempo — el escenario típico del correctivo no planificado — son el contexto de mayor riesgo. La Ley 31/1995 de Prevención de Riesgos Laborales exige documentar y planificar las intervenciones; un programa puramente reactivo dificulta esa documentación y expone a la empresa ante una inspección de trabajo.

Mantenimiento Preventivo

El mantenimiento preventivo sigue un calendario fijo derivado de las recomendaciones del fabricante y las tasas históricas de fallos. Es fácil de planificar, no requiere infraestructura de sensores y genera ventanas de mantenimiento predecibles.

Su principal debilidad: el 80% de los patrones de fallo son aleatorios, no relacionados con la edad del activo, según datos citados por Fracttal (2025). Un calendario fijo no puede anticipar estos fallos, y el sobremantenimiento — sustitución de componentes con vida útil restante — eleva el coste de repuestos. El preventivo representa aproximadamente el 54% del coste total de mantenimiento en la industria (IFMA, citado por Verdantis).

El 88% de las plantas manufactureras usa mantenimiento preventivo, pero solo el 40% combina predictivo con analítica, según el estudio Plant Engineering 2025 recogido por MaintainX.

Mantenimiento Predictivo

El mantenimiento predictivo usa sensores IoT para monitorizar continuamente los indicadores de salud de la máquina y alimenta los datos a modelos de machine learning que detectan anomalías 2–8 semanas antes de que se conviertan en averías.

Su principal limitación: requiere inversión inicial en sensores (500–5.000 $ por activo según tipo, Verdantis 2026), un periodo de recopilación de datos de 4–12 semanas y personal capacitado para interpretar alertas. Sin datos históricos de fallos, los modelos no funcionan.

Las firmas de análisis proyectan un mercado global de 10,93 mil millones de dólares en 2024 (Fortune Business Insights) con CAGR del 26–35% hasta 2032. Sin embargo, la encuesta de campo de MaintainX 2025 muestra que la adopción real cayó del 30% al 27% entre 2024 y 2025. El mercado crece porque las grandes corporaciones invierten más, mientras las pymes — la mayoría del tejido industrial español — siguen en preventivo/correctivo.

Comparativa de Costes

El coste real de cada estrategia solo se puede comparar honestamente si se incluyen los costes ocultos del correctivo y el sobremantenimiento del preventivo.

Un GMAO/CMMS para una planta mediana cuesta entre 6.000 y 30.000 dólares anuales — prerrequisito para cualquier programa preventivo o predictivo serio, según Verdantis (2026).

Dónde difieren las fuentes sobre el ahorro del predictivo: El Departamento de Energía de EE.UU. cifra el ahorro en 8–12% sobre el preventivo y hasta un 40% sobre el reactivo — datos de 2010 que el propio Infraspeak (2025) advierte que «mucho ha cambiado en la última década». McKinsey (2021) documenta un 18–25% en un único fabricante de dispositivos médicos con implementación madura; su análisis transversal de industria pesada sitúa el rango en 15–30% (McKinsey 2021). Usar el 8–12% como suelo conservador y el 18–25% como techo para implementaciones avanzadas es la postura más honesta disponible.

Matriz de decisión por activo: qué estrategia asignar a cada equipo

Este es el marco que permite asignar una estrategia de mantenimiento a cada activo concreto, con criterios explícitos, umbrales de coste y un ejemplo de cálculo real.

Paso 1 — puntuación de criticidad (dos dimensiones, escala 1–5)

Puntuación de criticidad = Consecuencia × Detectabilidad (máximo: 25)

Paso 2 — asignación de estrategia por puntuación

Paso 3 — umbral de ROI para el predictivo

Antes de instalar sensores en cualquier activo, aplicar este cálculo:

Beneficio anual evitado = (P_fallo × Coste_fallo × Factor_reducción) − (Coste_sensor + Coste_plataforma + Coste_laboral)

Ejemplo trabajado — supuestos explícitos:

Activo: bomba centrífuga de 75 kW en una línea de proceso continuo en una planta de alimentación en el corredor industrial de Madrid (Arganda del Rey).

• P_fallo anual: 0,4 (falla aproximadamente una vez cada 2,5 años sin intervención)
• Coste por evento de fallo: 18.000 € (4 h de parada × 3.000 €/h de pérdida de producción + 6.000 € de reparación de emergencia)
• Factor de reducción del predictivo: 0,6 (estimación conservadora basada en el suelo del DoE)
• Beneficio anual evitado: 0,4 × 18.000 € × 0,6 = 4.320 €/año
• Coste de sensor + plataforma (amortizado a 3 años): 1.200 €/año
• Beneficio neto anual: 3.120 € → Payback < 12 meses ✓

Mismo activo, circuito secundario no crítico con coste de fallo de 500 €:

• Beneficio anual evitado: 0,4 × 500 € × 0,6 = 120 €/año → No justifica el sensor → Asignar correctivo

La diferencia entre las dos bombas no es técnica; es económica. El marco fuerza esa conversación antes de gastar.

Paso 4 — lista de verificación de preparación para el predictivo

Antes de asignar predictivo a un activo, verificar:

• ≥ 12 meses de historial de fallos en GMAO/CMMS para ese activo
• Tipo de sensor emparejado con el modo de fallo dominante (vibración → desgaste de rodamientos; termografía → fallos eléctricos; ultrasonidos → fugas)
• GMAO integrado con la plataforma predictiva (alerta → orden de trabajo automatizada)
• Técnico formado para interpretar datos de condición, no solo recibir alertas
• Firma de referencia («sano») establecida antes de iniciar la monitorización

Si alguna casilla no se cumple → asignar preventivo hasta que los prerrequisitos estén en orden. Saltar este paso es el error más frecuente en los proyectos de predictivo que fracasan en la fase piloto.

Análisis de ROI: ¿cuándo rentabiliza el mantenimiento predictivo?

El punto de equilibrio depende del coste de la parada no planificada y del valor de reposición del activo monitorizado. El predictivo justifica su inversión cuando una parada no planificada cuesta > 500 €/hora por línea, el activo monitorizado cuesta > 50.000 € en reparación o sustitución, y el activo opera > 16 horas/día.

El informe PwC & Mainnovation «Predictive Maintenance 4.0: Beyond the Hype» (2018, n=268 empresas europeas) encontró que el 95% de las empresas que ya usaban PdM 4.0 declararon resultados concretos, y el 60% logró aumentar la disponibilidad de sus equipos con una mejora media del 9% en uptime — datos de Alemania, Países Bajos y Bélgica, mercados industrialmente comparables al corredor Madrid–Guadalajara.

La estrategia híbrida: lo mejor de los tres mundos

La mayoría de plantas con más de 5 M€ en equipamiento aplican una estrategia híbrida en tres niveles. Los profesionales de mantenimiento españoles consultados por Gaherma (2026) señalan el 80% preventivo / 20% correctivo como equilibrio habitual, y advierten que reducir el correctivo por debajo del 15% tiene un coste marginal muy elevado.

Nivel 1 — Predictivo: Activos con coste de parada > 1.000 €/hora o valor de reposición > 30.000 €. Sensores IoT con umbrales de alerta basados en ML.

Nivel 2 — Preventivo: Equipamiento estándar con intervalos de servicio definidos, optimizados con los datos de horas de operación del Nivel 1.

Nivel 3 — Correctivo deliberado: Componentes de bajo coste donde la sustitución es más rápida y barata que la monitorización. Se mantiene stock de repuestos. No es un fracaso: es una decisión.

Ruta de Implementación

Un despliegue de mantenimiento predictivo no requiere una instalación completa desde el primer día.

Fase 1 — Piloto (Semanas 1–6): Seleccionar 3–5 activos críticos aplicando la matriz del Paso 1. Instalar sensores de vibración y temperatura. Establecer comportamiento de referencia («firma sana»).

Fase 2 — Entrenamiento del Modelo (Semanas 6–14): Recopilar datos en condiciones normales y anómalas. Establecer umbrales de alerta junto al equipo de mantenimiento — no solo con el proveedor de tecnología.

Fase 3 — Despliegue Completo (Meses 4–12): Extender a los activos restantes del Nivel 1. Integrar alertas con el GMAO — la alerta que no genera una orden de trabajo automática se ignora en semanas.

Fase 4 — Optimización Continua: Cada avería real retroalimenta el entrenamiento del modelo. Ampliar al Nivel 2 donde los datos del piloto confirmen el caso de negocio.

Errores frecuentes que hemos visto en proyectos de este tipo:

• Desplegar sensores sin historial de fallos previo: el modelo genera falsas alarmas o silencio.
• Alertas desconectadas del GMAO: los técnicos reciben notificaciones en un panel que nadie mira después de la semana de formación.
• Aplicar predictivo a activos de baja criticidad porque «la tecnología ya está disponible»: el ROI no cierra y el proyecto pierde credibilidad interna.

En un proyecto de inspección industrial que construimos con Mapper — plataforma de inspección con informes automáticos y mapas 3D — uno de los aprendizajes que más se repiten es precisamente este: la calidad del dato de entrada determina la calidad de la alerta de salida. Sin datos históricos estructurados, cualquier plataforma predictiva produce ruido antes que señal.

Preguntas Frecuentes

¿Cuánto ahorra el mantenimiento predictivo respecto al correctivo? El Departamento de Energía de EE.UU. cifra el ahorro en hasta un 40% sobre el mantenimiento reactivo puro, pero este dato procede de 2010. Implementaciones más recientes documentadas por McKinsey (2021) muestran reducciones del 18–25% en plantas con datos históricos sólidos y plataforma integrada. El rango real depende del punto de partida: cuanto más reactiva sea la planta de origen, mayor es el margen de mejora.

¿Es el mantenimiento correctivo siempre un error de gestión? No. Para activos de baja criticidad, bajo coste de sustitución y alta disponibilidad de repuestos, operar hasta el fallo es una decisión económicamente racional. El error no es usar el correctivo, sino aplicarlo por defecto en activos críticos porque no existe un programa de mantenimiento planificado. La diferencia entre correctivo deliberado y correctivo por omisión es un plan de criticidad de activos.

¿Qué porcentaje de mantenimiento correctivo es aceptable en una planta industrial española? Los profesionales de mantenimiento españoles consultados por Gaherma (2026) señalan el 20% como referencia habitual, con el 80% restante en preventivo. Reducir el correctivo por debajo del 15% tiene un coste marginal muy elevado en la mayoría de sectores; en plantas de proceso continuo puede estar justificado, en fabricación discreta raramente.

¿Cuánto tiempo tarda en dar ROI positivo un sistema de mantenimiento predictivo? La cronología típica sitúa el ROI positivo entre los 12 y 18 meses desde la instalación de sensores, con las primeras predicciones útiles entre el mes 3 y el 4. El factor más determinante no es la tecnología, sino la calidad del historial de fallos previo: plantas con GMAO bien mantenido durante al menos 12 meses alcanzan el ROI positivo en el extremo inferior del rango.

¿Qué sensores necesito para empezar con mantenimiento predictivo? Depende del modo de fallo dominante. Para equipos rotativos (motores, bombas, compresores), los sensores de vibración son el punto de entrada más eficiente: detectan desgaste de rodamientos con 4–8 semanas de antelación a un coste de 300–800 € por punto de medida. La termografía infrarroja cubre fallos eléctricos (150–500 €) y el análisis de aceite detecta degradación de lubricación a 50–200 € por muestra.

¿Qué diferencia hay entre mantenimiento predictivo y mantenimiento basado en condición? El mantenimiento basado en condición (MBC) es el concepto más amplio: intervenir cuando el estado del activo lo requiere, medido por cualquier indicador (inspección visual, termografía periódica, análisis de aceite). El mantenimiento predictivo es una forma avanzada de MBC que usa monitorización continua y modelos de ML para anticipar el fallo antes de que la condición se deteriore visiblemente. Todo el predictivo es basado en condición, pero no al revés.

Trabajo Relacionado

• mantenimiento predictivo con IA — qué es y cómo implantarlo
• software de inspección de radiación para Enusa
• Explorar Servicios de IA y Mantenimiento Predictivo →

Lecturas relacionadas

• Mantenimiento prescriptivo — el paso más allá de la predicción: del dato del sensor a una orden de trabajo real.
• Mantenimiento de maquinaria industrial — por qué el cuello de botella pasó de la visita de inspección al posprocesado manual.
• Mantenimiento Predictivo con IA — el lado del sensor y el modelo: qué aportan realmente los datos IoT y el machine learning.
• Maedcore — Mecatrónica — qué construimos en esta área.

Fuentes

• Fortune Business Insights — Predictive Maintenance Market Size, Share & Industry Analysis 2025–2032 — Fortune Business Insights, 2025.
• PwC & Mainnovation — Predictive Maintenance 4.0: Beyond the Hype — PwC / Mainnovation, 2018.
• McKinsey & Company — Establishing the Right Analytics-Based Maintenance Strategy — McKinsey & Company, 2021.
• McKinsey & Company — A Smarter Way to Digitize Maintenance and Reliability — McKinsey & Company, 2021.
• INSST — Informe Anual de Accidentes de Trabajo en España, Datos 2024 — Instituto Nacional de Seguridad y Salud en el Trabajo, 2025.
• MaintainX — 2025 State of Industrial Maintenance — MaintainX, 2025.
• Infraspeak — Maintenance Statistics and Trends 2025 — Infraspeak, 2025.
• Verdantis — 15+ Powerful Preventive & Predictive Maintenance Statistics — Verdantis, 2026.
• Gaherma — % Ideal de Mantenimiento Correctivo, Preventivo y Predictivo — Gaherma, 2026.
• Fracttal — ¿Qué es el Mantenimiento Predictivo y cómo implementarlo? — Fracttal, 2025.
• Fabrico — Mantenimiento Reactivo vs. Preventivo: La Diferencia de Costes — Fabrico, 2026.