Todo despliegue de IoT arranca con la misma estrategia contra anomalías: un umbral. Que salte una alerta si la temperatura supera los 8 grados. Funciona, es fácil y detecta los fallos evidentes. Durante un tiempo, parece suficiente.
Luego la realidad lo complica. El congelador que marca 7,9 grados durante seis horas seguidas está técnicamente en rango, pero es obvio que está fallando. La bomba cuya vibración es normal en valor absoluto pero anómala para un martes por la mañana. El sensor que se desvía poco a poco en vez de dispararse. Los umbrales fijos se pierden todo esto, porque una anomalía no es “un número grande”. Es una lectura que el patrón normal no habría predicho.
Detectar ese tipo de anomalía exige una progresión, de los umbrales a las líneas base y de ahí a la investigación asistida por IA. Aquí tienes esa progresión, qué detecta cada etapa y cómo montarla sin intentar abarcarlo todo de golpe.
Etapa 1: los umbrales y sus límites honestos
Empieza aquí, porque es lo correcto. Un umbral estático es barato, transparente y acertado para límites duros que nunca cambian. Un refrigerador de vacunas no debe pasar nunca de 8 grados, y punto. Eso es un umbral, y las Actions de TagoIO lo resuelven directamente: defines la condición, defines la respuesta y listo.
La limitación es que los umbrales solo conocen valores absolutos. No pueden saber que una lectura está bien de forma aislada pero es errónea en su contexto. Saltan tarde ante desviaciones lentas y guardan silencio ante los patrones. Así que los umbrales son el suelo de la detección de anomalías, no el techo. Consérvalos para los límites duros y añade la siguiente etapa para todo lo demás.
Etapa 2: líneas base estadísticas
El siguiente paso es comparar cada lectura con lo que es normal para ese sensor, a esa hora, en ese contexto, en lugar de contra una línea fija. Aquí es donde se concentra la mayor parte del valor real, y no hace falta machine learning para empezar.
La idea es una línea base móvil. Calcula la media y la desviación estándar recientes de una variable y luego marca las lecturas que caen demasiado fuera de la banda esperada, por ejemplo más allá de tres desviaciones estándar. Esa única técnica detecta picos que un umbral dejaría pasar y desviaciones que un umbral se perdería, porque la banda se mueve con los datos. Puedes montar esto hoy mismo con un script de Analysis de TagoIO que lea el historial reciente, calcule la banda y escriba de vuelta una marca de anomalía como variable que tu dashboard y tus Actions puedan usar.
El refinamiento que importa en IoT es el contexto. Una temperatura que es normal a las 2 de la madrugada puede ser anómala a las 2 de la tarde. Una línea base segmentada por hora, día de la semana o modo de operación es mucho más precisa que un promedio plano. Es estadística poco vistosa, y supera a un modelo de IA ingenuo en la mayoría de los flujos de sensores porque codifica lo que de verdad sabes sobre el proceso.
Etapa 3: investigación asistida por IA
Aquí va el planteamiento honesto sobre la IA, porque la expresión “detección de anomalías con IA” está sobrevalorada. Para el paso de detección en sí, una línea base estadística bien construida suele ser tan buena como un modelo y mucho más fácil de depurar y en la que confiar. Donde la IA se gana su sitio no es normalmente al marcar la anomalía, sino al explicarla.
Una línea base estadística te dice que la Unidad 4 se salió de rango a las 3:20 de la madrugada. No te dice por qué, ni si forma parte de un patrón, ni qué hacer. Esa investigación (correlacionar la anomalía con otras variables, comprobar si la misma unidad se comportó mal la semana pasada y redactar la corrección) es justo lo que un asistente de IA hace bien cuando puede acceder a tus datos reales.
Con el servidor MCP de TagoIO puedes pedirle a un asistente que investigue una anomalía marcada contra tu cuenta real: que traiga las lecturas del entorno, revise el historial del dispositivo y proponga una Action más estricta. La detección sigue siendo estadística y auditable; la IA se encarga de la correlación tediosa y del primer borrador de la respuesta. Cubrimos ese flujo de consulta en cómo consultar tus datos IoT en lenguaje natural, y el panorama más amplio en qué significa MCP para el IoT.
Un orden de construcción práctico
No necesitas las tres etapas el primer día. Constrúyelas en este orden y cada etapa se paga sola antes de que añadas la siguiente.
Empieza con umbrales sobre tus verdaderos límites duros, usando Actions. Añade una línea base estadística móvil para las variables donde importa el contexto, con un simple script de Analysis que escriba una marca de anomalía. Segmenta esa línea base por tiempo o por modo en cuanto veas que los falsos positivos se agrupan en horas predecibles. Después, una vez que las anomalías se marquen de forma fiable, conecta un asistente de IA a través de MCP para que investigarlas cueste una pregunta en lugar de una tarde entera.
La trampa que hay que evitar es empezar por la etapa tres. Una IA investigando anomalías que aún no has aprendido a detectar con fiabilidad es una conjetura segura de sí misma sobre unos cimientos frágiles. Primero la detección, después la explicación.
La conclusión
La detección de anomalías es una progresión, no un producto. Los umbrales detectan los fallos de límite duro. Las líneas base estadísticas detectan los picos y las desviaciones que los umbrales se pierden, y son más fiables de lo que casi todo el mundo espera. La IA se aprovecha mejor para investigar y explicar las anomalías que tus líneas base sacan a la luz, ancladas a tus datos reales a través de MCP. Construye en ese orden y obtendrás un sistema preciso, depurable y de verdad útil, en lugar de una demo impresionante en la que nadie confía en producción.
¿Quieres montarlo? Consulta Analysis y Actions en la documentación, o empieza gratis en TagoIO y marca tu primera anomalía esta semana.
