El conjunto de datos más valioso en IA es el que nadie conserva

En la primera edición, argumenté que la próxima generación de IA —modelos del mundo, IA física— se ganará con datos que nunca se pusieron en línea. Esa fue la tesis.

Esta edición es la prueba, y es más específica de lo que esperaba. Porque cuando dejas de teorizar y realmente escuchas al mercado —miles de señales independientes y fechadas de la economía real— no apunta a una vaga oportunidad de "datos industriales". Señala, una y otra vez, a un conjunto de datos.

Esto es lo que dos meses de escucha nos enseñaron.

1. Lo que la máquina escuchó: 5.000 señales, una forma recurrente

Nuestra plataforma funciona con un principio simple y deliberadamente poco publicitado que llamamos señal primero: no partimos de una opinión sobre dónde están los datos. Partimos de hechos —una ronda de financiación, una operación de fusiones y adquisiciones, una asociación de datos, una licitación, un despliegue de IoT, una presentación regulatoria— cada uno fechado, cada uno obtenido de la prensa especializada, cada uno apuntando a un tema que produce datos.

Durante las últimas ocho semanas, el motor cosechó ~5.000 señales de este tipo. Luego hizo algo importante: se negó a confiar en una sola. Un tema solo se convierte en un "nicho" real cuando al menos tres fuentes independientes convergen en él —una salvaguarda contra el bombo de un titular ruidoso. Con esa vara, 195 nichos superaron la confirmación.

Y aquí está la parte sorprendente. Esas ~5.000 señales generaron miles de temas candidatos, pero se colapsan en un puñado de familias, y cada una de ellas es la economía física en operación:

• Energía, red, renovables y almacenamiento — ~1.000 clústeres, ~2.500 señales
• Cadena de suministro, logística y transporte — ~620 clústeres, ~2.200 señales
• Robótica y automatización industrial — ~455 clústeres, ~1.500 señales
• Movilidad, VE, automoción y flotas — ~530 clústeres, ~1.350 señales
• Minería, minerales críticos y materiales — ~310 clústeres, ~1.000 señales

No "IA". No "LLMs". No la web. El mercado sigue hablando de máquinas que operan en el mundo real —y, implícitamente, de los datos que esas máquinas producen cada segundo y que nadie conserva.

2. Pregunte "¿qué datos y para quién?" — y se colapsa en un nicho

Las señales te dicen dónde está el calor. La pregunta real es: ¿qué conjunto de datos crea esto realmente, y quién pagaría por él?

Ahora hemos mapeado 413 titulares de datos reales (frente a 311 en la última edición — el mapa se está expandiendo). Cuando clasificamos lo que cada uno realmente posee, la distribución no es plana. Un nicho se eleva por encima del resto:

• El 43% de cada titular que hemos mapeado se resuelve en el mismo caso de uso: Mantenimiento Predictivo — 179 de 413. Los siguientes (monitorización industrial, inteligencia documental, RAG regulatorio, IA de diagnóstico) quedan muy atrás.
• El 100% de esos 179 son series temporales. Cada uno. Registros de máquinas, telemetría de sensores, telemática de flotas — la señal cruda del mundo físico, con marca de tiempo.
• Corta limpiamente entre sectores: industrial (89), movilidad/flotas (58), energía y otros (23), atención médica (7) — las mismas familias de las que gritaban las señales.
• Y el lado de la demanda tiene un perfil de comprador dominante: proveedores de IA industrial y optimización de mantenimiento.

Ese es el patrón más repetido y confirmado de forma independiente en todo lo que hemos recopilado. El mercado no pide "datos". Pide series temporales de mantenimiento predictivo —y lo pide a gritos.

3. Por qué este nicho, y no otro: el coste del problema es asombroso

El mantenimiento predictivo no es el nicho más prolífico por accidente. Se asienta sobre uno de los mayores costes no resueltos de la economía global.

Según el informe True Cost of Downtime 2024 de Siemens, las 500 mayores empresas del mundo pierden un estimado de $1.4 billones al año por tiempo de inactividad no planificado —equivalente al 11% de sus ingresos, aproximadamente el PIB de España. En el extremo, una hora de tiempo de inactividad no planificado en una planta automotriz ahora cuesta hasta $2.3 millones —más de $600 por segundo— y ese coste por hora se ha duplicado aproximadamente desde 2019.

Ese es el dolor exacto que el mantenimiento predictivo existe para eliminar. Razón por la cual el mercado para él es real, no una promesa: analistas independientes estiman el mercado global de mantenimiento predictivo en ~$13–14 mil millones en 2025 (Grand View ~$14.2B; Fortune Business Insights ~$13.65B; Mordor ~$14.1B; MarketsandMarkets ~$12.1B). Las estimaciones de crecimiento varían ampliamente —desde ~11% hasta ~34% CAGR dependiendo de la firma— así que trate la tasa de crecimiento principal como un rango, no como un número fijo. Pero la dirección es unánime: hacia arriba y a la derecha, durante una década.

Un coste gigante, cuantificado y recurrente —y los datos que lo solucionarían son exactamente los datos que nuestros titulares subexplotan.

4. Por qué no se puede extraer: estos datos viven detrás del cortafuegos

Esto es lo que hace que este nicho sea estructuralmente diferente del mercado de texto web que los laboratorios ya agotaron.

Las series temporales de mantenimiento predictivo no están en Internet, y nunca lo estarán. Viven dentro de sistemas SCADA, historiadores de planta, bases de datos CMMS y PLCs —detrás del cortafuegos operativo, en formatos construidos para el control, no para la publicación. No hay ningún rastreador que llegue a él.

Y la mayor parte ni siquiera se utiliza. La cifra más citada aquí —Rethink Data de Seagate e IDC— encontró que solo el 32% de los datos disponibles para las empresas se aprovecha alguna vez; el otro 68% queda sin explotar (2020). Forrester situó la cuota de datos empresariales no utilizados para análisis en un 60–73% (2016). Esas cifras son más antiguas, y se refieren a datos empresariales en general, pero describen exactamente la reserva que permanece inactiva dentro de cada fábrica, red y flota.

La escala es visible dondequiera que una empresa haya logrado agregar incluso una parte de ella. En sus presentaciones ante la SEC, la empresa de operaciones conectadas Samsara informa de más de 25 billones de puntos de datos fluyendo a través de su plataforma cada año —y afirma claramente que "el coste y la disponibilidad de sensores, computación… han impedido un análisis generalizado de los datos de operaciones físicas". Veinticinco billones de puntos, y esa es una plataforma privada. El resto está oscuro.

Esa es la definición de un activo escaso: enorme, valioso y bloqueado para todos los que querrían entrenar con él.

5. Los compradores ya están llegando — y son una clase de modelo completamente nueva

Durante años, "¿quién compraría series temporales operativas?" fue una pregunta justa. En 2024, dejó de serlo, porque apareció una categoría de IA completamente nueva que necesita precisamente esto.

Los últimos dos años produjeron la primera ola de modelos fundacionales de series temporales: TimesFM de Google, Chronos de Amazon, Moirai de Salesforce, Granite / Tiny Time Mixers de IBM, MOMENT de CMU, TimeGPT de Nixtla. La misma receta de "preentrenar un modelo grande, generalizar en todas partes" que transformó el texto y las imágenes —ahora dirigida a señales a lo largo del tiempo.

Pero se toparon con el mismo muro que hemos estado describiendo. TimesFM de Google fue preentrenado con ~100 mil millones de puntos temporales extraídos en gran medida de Google Trends y visualizaciones de páginas de Wikipedia —datos públicos de la web, no una sola hora de SCADA o telemetría de sensores. Y los investigadores que construyen estos modelos dicen la parte silenciosa en voz alta:

"Los modelos fundacionales han transformado la visión y el lenguaje al preentrenar en corpus grandes y estructuralmente coherentes —sin embargo, no existe un sustrato análogo para las series temporales industriales." — FactoryNet, 2026

"A diferencia del lenguaje, que tiene abundantes datos públicos de preentrenamiento en terabytes, los datos de series temporales son relativamente escasos, muy diversos y públicamente limitados." — IBM Research, Tiny Time Mixers (NeurIPS 2024)

El capital sigue la misma lógica. El especialista en salud de máquinas Augury recaudó $75M con una valoración de más de $1B (febrero de 2025); la plataforma de mantenimiento industrial Tractian recaudó $120M (diciembre de 2024). Los compradores de datos de mantenimiento predictivo ya no son hipotéticos. Tienen financiación, están construyendo y mueren de hambre por exactamente la reserva en la que se encuentran nuestros 413 titulares.

El resultado final

La Edición #1 dijo que la próxima IA necesita datos que nunca estuvieron en línea. La Edición #2 te dice qué datos, porque el mercado no dejaba de señalarlo: series temporales de mantenimiento predictivo de la economía física —máquinas, redes, flotas, minas.

Es la señal más repetida que recopilamos. Es el nicho más grande que hemos mapeado (43% de cada titular). Es 100% series temporales. Se asienta sobre un problema de $1.4 billones al año. No se puede extraer. Y una clase completamente nueva de modelo fundacional acaba de llegar, incapaz de entrenar sin él.

Por un lado: operadores sentados sobre un activo escaso y sin explotar —a menudo sin darse cuenta de que es el combustible de la próxima década de IA. Por otro: una nueva generación de modelos, y los proveedores que los rodean, listos para pagar por ello. Lo que falta entre ellos es la infraestructura para igualar, calificar y confiar en el intercambio.

Eso es lo que estamos construyendo.

Si opera máquinas, una red, una flota o una planta — casi con seguridad está sentada sobre series temporales de mantenimiento predictivo por las que alguien está dispuesto a pagar ahora. Si está construyendo IA que necesita señal operativa real — aquí es donde vive. De cualquier manera, ahora es el momento de hablar.

— Salim Labriki, d-nvest

Nota metodológica: las cifras de dimensionamiento del mercado son estimaciones de proveedores propietarios, atribuidas por firma; donde los analistas discrepan (notablemente en CAGR), mostramos el rango en lugar de elegir un número. Una "señal" es un hecho externo fechado (prensa/registro); un nicho se cuenta como calificado solo cuando ≥3 fuentes independientes convergen en él.