Revista Internacional de Economía de la Producción 210 (2019) 15–26

Listas de contenidos disponibles en ScienceDirect

Revista Internacional de Economía de la Producción

revista Página de inicio: www.elsevier.com/locate/ijpe

Tecnologías de la Industria 4.0: patrones de implementación en empresas manufactureras

Alejandro Germán Frank una , ∗ , Lucas Santos Dalenogare si , Néstor Fabián Ayala C
una Grupo de Ingeniería Organizacional (Núcleo de Engenharia Organizacional - NEO), Departamento de Ingeniería Industrial, Universidade Federal do Rio Grande do Sul, Brasil

si Laboratorio G-SCOP, Instituto de Tecnología de Grenoble (Grenoble INP), Francia

C Grupo de Ingeniería Organizacional (Núcleo de Engenharia Organizacional - NEO), Departamento de Ingeniería de Servicios, Universidade Federal do Rio Grande do Sul, Brasil

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: La Industria 4.0 se ha considerado una nueva etapa industrial en la que varias tecnologías emergentes están convergiendo para proporcionar soluciones
Industria 4.0 digitales. Sin embargo, no se comprende cómo las empresas implementan estas tecnologías. Por lo tanto, nuestro objetivo es comprender los patrones de
Smart Manufacturing empresas de adopción de las tecnologías de la Industria 4.0 en las empresas manufactureras. Proponemos un marco conceptual para estas tecnologías, que dividimos
fabricación de transformación
en tecnologías front-end y base. Las tecnologías front-end consideran cuatro dimensiones: Smart Manufacturing, Smart Products, Smart Supply Chain y
digital
Smart Working, mientras que las tecnologías base consideran cuatro elementos: Internet de las cosas, servicios en la nube, big data y análisis.
Realizamos una encuesta en 92 empresas manufactureras para estudiar la implementación de estas tecnologías. Nuestros hallazgos muestran que la
Industria 4. 0 está relacionado con una adopción sistémica de las tecnologías front-end, en las que Smart Manufacturing desempeña un papel central.
Nuestros resultados también muestran que la implementación de las tecnologías de base es un desafío para las empresas, ya que el big data y el análisis
aún se implementan poco en la muestra estudiada. Proponemos una estructura de capas tecnológicas de la Industria 4.0 y mostramos niveles de
adopción de estas tecnologías y sus implicaciones para las empresas manufactureras.

1. Introducción
La cuarta revolución industrial, también denominada Industria 4.0, es uno de los temas de
mayor tendencia tanto en el ámbito profesional como académico ( Chiarello et al., 2018; Liao et al.,
2017 ) Este concepto tiene la fabricación inteligente como elemento central ( Kagermann et al., 2013 )
También considera la integración de la fábrica con todo el ciclo de vida del producto y las actividades
de la cadena de suministro ( Wang et al., 2016b; Dalenogare et al., 2018 ), cambiando incluso la forma
en que las personas trabajan ( Stock et al., 2018 ) La Industria 4.0 se basa en la adopción de
tecnologías digitales para recopilar datos en tiempo real y analizarlos, proporcionando información
útil al sistema de fabricación ( Lee et al., 2015; Wang et al., 2016a ) El advenimiento de Internet de las
cosas (IoT), servicios en la nube, big data y análisis, lo hizo posible, creando el concepto de sistema
ciberfísico de la Industria 4.0 ( Wang et al., 2015; Lu, 2017 )
El concepto Industry 4.0 tiene una arquitectura tecnológica muy compleja de los sistemas de
fabricación ( Lee et al., 2015 ), que es una de las principales preocupaciones en esta nueva etapa
industrial. Por lo tanto, la implementación efectiva de las tecnologías de la Industria 4.0 sigue siendo
un tema de investigación
( Lee et al., 2015; Babiceanu y Seker, 2016; Dalenogare et al., 2018 ) Algunos trabajos anteriores han
propuesto modelos de madurez para la implementación de estas tecnologías (p. Ej. Schuh et al.,
2017; Lee et al., 2015; Lu y Weng, 2018; Mittal et al., 2018 ), mientras que otros trabajos han
estudiado el impacto de estas tecnologías en el rendimiento industrial ( Dalenogare et al., 2018 ) Sin
embargo, faltan estudios que brinden evidencia empírica sobre la forma en que se adoptan estas
tecnologías en las empresas manufactureras, lo que lleva a una pregunta importante: ¿Cuáles son los
patrones actuales de adopción de tecnologías de la Industria 4.0 en las empresas manufactureras?
Para responder a esta pregunta, presentamos un análisis cuantitativo exploratorio de 92
empresas manufactureras del sector de maquinaria y equipo. Nuestro objetivo es comprender si las
empresas de fabricación pueden organizarse según los patrones de adopción de las tecnologías de
la Industria 4.0 y si estos patrones permiten definir configuraciones específicas de las tecnologías de
la Industria 4.0. Tal análisis nos ayuda a comprender lo que se necesita para una implementación
efectiva de las tecnologías de la Industria 4.0 en las empresas manufactureras. Primero, proponemos
un marco conceptual de las tecnologías de la Industria 4.0, en dos capas principales: front-end

∗ Autor correspondiente. Universidade Federal do Rio Grande do Sul, Centro, Av. Osvaldo Aranha 99 - Sala LOPP 508 - 5º andar, Escola de Engenharia, CEP

90035190, Porto Alegre, RS, Brasil.

Dirección de correo electrónico: frank@producao.ufrgs.br (AG Frank).

https://doi.org/10.1016/j.ijpe.2019.01.004
Recibido el 22 de septiembre de 2018; Recibido en forma revisada el 3 de enero de 2019; Aceptado el 5 de enero de 2019

Disponible en línea el 09 de enero de 2019

0925-5273 / © 2019 Elsevier BV Todos los derechos reservados.

AG Frank y col. Revista Internacional de Economía de la Producción 210 (2019) 15–26

y tecnologías de base. La primera capa (tecnologías front-end) comprende cuatro dimensiones

principales de la Industria 4.0: Fabricación inteligente, Productos inteligentes, Cadena de suministro
inteligente y Trabajo inteligente, cada uno de los cuales representa un subconjunto específico de
tecnologías. La segunda capa (tecnologías de base) considera tecnologías que proporcionan
conectividad e inteligencia a las tecnologías front-end (por ejemplo, IoT y análisis). Luego, aplicamos
un análisis de conglomerados para definir patrones de adopción de estas dos capas de tecnologías
en las empresas encuestadas y para comprender las relaciones entre estas tecnologías. Como
hallazgo clave, proponemos una estructura de capas tecnológicas de la Industria 4.0 y mostramos los
niveles de adopción de estas tecnologías y sus implicaciones para la implementación del concepto
de la Industria 4.0.
Figura 1. Marco teórico de las tecnologías de la Industria 4.0.

tecnologías emergentes (Smart Manufacturing) y la forma en que se ofrecen los productos (Smart
Products) ( Dalenogare et al., 2018 ) También considera la forma en que se entregan las materias
primas y el producto (Smart Supply Chain) ( Ángeles, 2009 ) y las nuevas formas en que los
trabajadores realizan sus actividades basadas en el soporte de tecnologías emergentes (Smart
2. Definiendo el concepto de Industria 4.0
Working) ( Stock et al., 2018; Longo et al., 2017 ) Nosotros llamamos 'tecnologías front-end' a esta
capa de tecnología porque las cuatro dimensiones "inteligentes" se refieren a las necesidades
La Industria 4.0 fue acuñada en 2011 por una iniciativa alemana del gobierno federal con
operativas y del mercado. Por lo tanto, tienen un propósito de aplicación final para la cadena de valor
universidades y empresas privadas. Fue un programa estratégico para desarrollar sistemas de
de las empresas, como se muestra en la flecha esquemática representada en Figura 1 . Vale la pena
producción avanzados con el objetivo de aumentar la productividad y la eficiencia de la industria
notar que la dimensión central de la capa de tecnología front-end es la Fabricación inteligente,
nacional ( Kagermann et al., 2013 ) Este concepto representa una nueva etapa industrial de los
mientras que las otras dimensiones están interconectadas a esta. La capa frontal se basa en otra
sistemas de fabricación al integrar un conjunto de tecnologías emergentes y convergentes que
capa representada en Figura 1 : el ' tecnologías de base 'que comprende tecnologías que proporcionan
agregan valor a todo el ciclo de vida del producto ( Dalenogare et al., 2018; Wang et al., 2016b ) Esta
conectividad e inteligencia para tecnologías de front-end. Esta última capa es la que habilita el
nueva etapa industrial exige una evolución socio-técnica del papel humano en los sistemas de
concepto Industry 4.0, que lo diferencia de las etapas industriales anteriores. Esto se debe a que las
producción, en el que todas las actividades de trabajo de la cadena de valor se realizarán con
tecnologías de base permiten conectar tecnologías de front-end en un sistema de fabricación
enfoques inteligentes ( Trabajo inteligente) ( Stock et al., 2018; Longo et al., 2017 ) y basado en las
integrado completo ( Tao et al., 2018a; Thoben et al., 2017; Wang et al., 2016a ) En las siguientes
tecnologías de la información y la comunicación (TIC) ( Raguseo et al., 2016 )
subsecciones, definimos cada capa propuesta en nuestro marco de Figura 1 . Nuestro objetivo es
comprender cómo se utilizan estas tecnologías en las empresas manufactureras y si siguen los
patrones de implementación.

La industria 4.0 se basa en la fabricación avanzada o también llamada

Fabricación inteligente concepto, es decir, un sistema adaptable donde las líneas flexibles ajustan
automáticamente los procesos de producción para múltiples tipos de productos y condiciones
cambiantes ( Wang et al., 2016a; Schuh et al., 2017 ) Esto permite aumentar la calidad, la
productividad y la flexibilidad y puede ayudar a lograr productos personalizados a gran escala y de
forma sostenible con un mejor consumo de recursos ( Dalenogare et al., 2018; de Sousa Jabbour et
al., 2018 ) 3.1. Tecnologías front-end de la Industria 4.0

La Industria 4.0 también considera el intercambio de información y la integración de la cadena
de suministro (llamada Cadena de suministro inteligente), sincronizar la producción con los
proveedores para reducir los tiempos de entrega y las distorsiones de información que producen
efectos de látigo ( Ivanov et al., 2016 ) Esta integración también permite a las empresas combinar
recursos en la fabricación colaborativa ( Chien y Kuo, 2013; Lin et al., 2012 ), lo que les permite
centrarse en sus competencias básicas y compartir capacidades para la innovación de productos en
plataformas industriales, un esfuerzo conjunto para desarrollar productos y activos y servicios
complementarios, con más valor agregado ( Gawer y Cusumano, 2014; Kortmann y Piller, 2016; Chen
y Tsai, 2017 )
Las tecnologías integradas en los productos finales ( Productos inteligentes)
también forman parte del concepto más amplio de Industry 4.0 ( Dalenogare et al., 2018 ) Smart
Products puede proporcionar comentarios de datos para el desarrollo de nuevos productos ( Tao et al.,
2018b ) así como también pueden proporcionar nuevos servicios y soluciones al cliente ( Porter y
Heppelmann, 2015 ) Por lo tanto, algunos académicos consideran que los productos inteligentes son el
segundo objetivo principal de la Industria 4.0, ya que permiten nuevos modelos de negocio, como los
sistemas de productos y servicios, que crean nuevas oportunidades para los fabricantes y
proveedores de servicios ( Zhong et al., 2017; Ayala et al., 2019 )
3. Un marco conceptual para las tecnologías de la Industria 4.0
Las tecnologías de la Industria 4.0 se pueden separar, al menos, en dos capas diferentes de
acuerdo con su objetivo principal, como se propone en nuestro marco conceptual de Figura 1 . En el
centro del marco colocamos lo que llamamos como ' Tecnologías front-end 'de Industria 4.0, que
considera la transformación de las actividades de fabricación basadas en
3.1.1. Fabricación inteligente y productos inteligentes
En el núcleo del concepto Industria 4.0, las tecnologías de fabricación inteligente funcionan
como el pilar central de las actividades de operaciones internas ( Ahuett-Garza y ​Kurfess, 2018 ),
mientras que Smart Product considera el valor agregado externo de los productos, cuando la
información y los datos del cliente se integran con el sistema de producción ( Dalenogare et al., 2018 )
Estas dos dimensiones consideran tecnologías que tienen un impacto directo en los productos
fabricados. Smart Manufacturing considera tecnologías para el procesamiento del producto (sistema
de producción), mientras que Smart Products considera tecnologías relacionadas con la oferta del
producto. Por lo tanto, suponemos que Smart Manufacturing es el principio y el primer propósito de
Industry 4.0, mientras que Smart Product es su extensión. Esta visión sigue la evolución cronológica
reciente del concepto Industry 4.0, que tiene sus raíces en primer lugar en los sistemas de
fabricación avanzados y sus conexiones con otros procesos de la empresa ( Yin et al., 2018;
Dalenogare et al., 2018 )
Con respecto a la dimensión Smart Manufacturing, subdividimos las tecnologías relacionadas en
seis propósitos principales: (i) integración vertical, (ii) virtualización, (iii) automatización, (iv)
trazabilidad, (v) flexibilidad y (vi) gestión de la energía, como se resume en tabla 1 . La integración
vertical de Factory comprende sistemas avanzados de TIC que integran todos los niveles jerárquicos
de la empresa, desde el taller hasta los niveles medio y de alta gerencia, ayudando a las acciones de
toma de decisiones a ser menos dependientes de la intervención humana ( Schuh et al., 2017 ) Para
alcanzar la integración vertical, el primer paso en el taller es la digitalización de todos los objetos y
parámetros físicos con sensores, actuadores y controladores lógicos programables (PLC) ( Jeschke
et al., 2017 ) Los datos se recopilan con control de supervisión y adquisición de datos.

dieciséis
AG Frank y col.
tabla 1
Tecnologías de fabricación inteligente.
Categorias Tecnologías para la fabricación inteligente
Integración vertical Sensores, actuadores y controladores lógicos programables (PLC)
Control de supervisión y adquisición de datos (SCADA)
Sistema de ejecución de fabricación (MES)
Planificación de recursos empresariales (ERP)
Comunicación de máquina a máquina (M2M)
Virtualización Puesta en marcha virtual
Simulación de procesos (p. Ej. Fabricación digital)
Inteligencia artificial para mantenimiento predictivo
Inteligencia artificial para la planificación de la producción.
Automatización Comunicación de máquina a máquina (M2M)
Robots (por ejemplo, Robots industriales, Vehículos autónomos guiados o similares)
Identificación automática de no conformidades en producción
Trazabilidad Identificación y trazabilidad de materias primas.
Identificación y trazabilidad de productos finales.
Flexibilidad Fabricación aditiva
Líneas flexibles y autónomas.
Gestión de la energía Sistema de monitoreo de eficiencia energética.
Sistema de mejora de la eficiencia energética.
(SCADA), para control de producción y diagnóstico en el taller. En las capas de información
gerencial, los Sistemas de Ejecución de Manufactura (MES) obtienen datos de SCADA,
proporcionando el estado de producción al sistema de Planificación de Recursos Empresariales
(ERP). Cuando todos los sistemas se integran adecuadamente, la información de las órdenes de
producción también fluye de manera inversa (aguas abajo), desde ERP a MES y luego a SCADA,
ayudando a desplegar los recursos empresariales en las órdenes de fabricación ( Tao et al., 2018c;
Jeschke et al., 2017 ) Por lo tanto, la integración vertical proporciona más transparencia y control del
proceso de producción y ayuda a mejorar el proceso de toma de decisiones en el taller. Para mejorar
la adaptabilidad para diferentes tipos de productos, Smart Manufacturing comprende máquinas en
red en el taller, a través de la comunicación de máquina a máquina (M2M) ( Kagermann et al., 2013 )
M2M consiste en un sistema de comunicación con interoperabilidad, que hace que las máquinas
sean capaces de entenderse entre sí, facilitando su adaptación en las líneas de fabricación ( Gilchrist,
2016 ) Esta capacidad es compatible con la puesta en marcha virtual, que emula los diferentes
códigos PLC de las máquinas y valida virtualmente los procedimientos de configuración, evitando
tiempos de inactividad prolongados debido a la larga configuración del equipo ( Mortensen y Madsen,
2018 ) Esta simulación es más avanzada con la fabricación digital, que además de los códigos PLC
también considera los datos de todos los objetos virtualizados del taller y luego simula los procesos
de las operaciones, considerando varios parámetros que pueden afectar la producción ( Jeschke et
al., 2017 ) Smart Manufacturing también promueve una automatización mejorada ( Kagermann et al.,
2013 ) Los robots pueden realizar tareas con más precisión que en el pasado, aumentando la
productividad y siendo mucho menos propensos a la fatiga ( Thoben et al., 2017 ) En nuestro trabajo,
diferenciamos los robots y la automatización de los robots colaborativos. El primero está diseñado
para automatizar los procesos operativos y, por lo tanto, lo incluimos como parte de la dimensión
Smart Manufacturing, mientras que el segundo está diseñado para trabajar con humanos, apoyando
tareas que ayudan a mejorar la flexibilidad y la productividad humana ( Gilchrist, 2016 ) Por lo tanto,
se incluyeron robots colaborativos como tecnología de la dimensión Smart Working, como
explicamos más adelante.
Por otra parte, artificial la inteligencia da soporte para inteligente
Fabricación de muchas maneras. En las máquinas, las herramientas analíticas avanzadas pueden
analizar los datos recopilados de los sensores para monitorear y pronosticar fallas, sobrecargas o
cualquier otro problema de la máquina. Esto permite un mantenimiento predictivo que ayuda a evitar
tiempos de inactividad debido a fallas inesperadas durante el proceso de producción ( Tao et al.,
2018c ) Las máquinas con inteligencia artificial también pueden identificar automáticamente las no
conformidades del producto en las primeras etapas del proceso de producción, aumentando el control
de calidad y reduciendo los costos de producción ( Tao et al., 2018c ) Además, la inteligencia artificial
también complementa sistemas como ERP, prediciendo demandas de producción a largo plazo y
transformándolas en
17
Revista Internacional de Economía de la Producción 210 (2019) 15–26
Referencia
Jeschke y col. (2017); Lee y col. (2015)
Jeschke y col. (2017)
Telukdarie y col. (2018); Jeschke y col. (2017)
Jeschke y col. (2017)
Gilchrist (2016)
Mortensen y Madsen (2018); Tao y col. (2018c)
Jeschke y col. (2017)
Tao y col. (2018c)
Gilchrist (2016)
Gilchrist (2016)
Gilchrist (2016)
Gilchrist (2016); Jeschke y col. (2017)
Ángeles (2009)
Weller y col. (2015); D'Aveni (2015)
Balogun y Popplewell (1999); Wang y col. (2016a)
Gilchrist (2016); Kagermann y col. (2013)
Jeschke y col. (2017); Kagermann y col. (2013)
órdenes de producción diarias, teniendo en cuenta las órdenes de última hora y las restricciones de operaciones ( Gilchrist,
2016 )
Para la trazabilidad interna, los sensores se aplican en materias primas y productos terminados
en el almacén de la fábrica. Este control de inventario optimizado brinda soporte para acciones de
retiro, a través de la identificación de componentes específicos en lotes de productos terminados. La
trazabilidad interna también puede brindar soporte a sistemas adaptables con líneas flexibles ( Ángeles,
2009; Wang et al., 2016b ), en el que las máquinas leen los requisitos de los productos en los
sensores integrados en ellos y realizan las acciones necesarias para fabricarlos. Las líneas flexibles
también pueden comprender máquinas modulares que se conectan fácilmente a una línea de
fabricación con una configuración mínima. Esto permite la producción de diferentes tipos de
productos en lotes pequeños, con una pérdida mínima de productividad ( Wang et al., 2016b; Balogun
y Popplewell, 1999 ) Además, para personalizar los productos, la fabricación aditiva es una tecnología
prometedora de la industria
4.0 concepto. La fabricación aditiva utiliza la impresión 3D de modelos digitales que pueden
modificarse para la personalización, utilizando los mismos recursos para fabricar diferentes
productos. La fabricación aditiva también promueve una producción sostenible, ya que solo requiere
un proceso que genera menos desperdicio que la fabricación tradicional. Sin embargo, para
producciones a gran escala, el uso de la fabricación aditiva sigue siendo limitado debido a su baja
velocidad de rendimiento ( Weller et al., 2015; D'Aveni, 2015 ) Por último, para mejorar la eficiencia de
la fábrica, Smart Manufacturing también comprende la gestión energética (monitoreo y mejora de la
eficiencia energética) ( Kagermann et al., 2013 ) El monitoreo de la eficiencia depende de la
recolección de datos del consumo de energía en las redes eléctricas, mientras que su mejora se
logra a través de sistemas inteligentes para el manejo de la energía que programan etapas
intensivas de producción en tiempos con tarifas de electricidad favorables ( Gilchrist, 2016; Jeschke et
al., 2017 ) Las empresas de fabricación pueden centrarse en las diferentes necesidades que puedan
tener cuando priorizan la implementación de las tecnologías de fabricación inteligentes antes
mencionadas. Sin embargo, los hallazgos recientes de la literatura han demostrado que la industria
varía en los beneficios esperados por esas tecnologías para el rendimiento industrial y las empresas
deberían pensar sistemáticamente en la implementación de dichas tecnologías para lograr un mayor
nivel de madurez de la Industria 4.0 ( Dalenogare et al., 2018 ) Esto sugiere que las tecnologías de
fabricación inteligente pueden estar interrelacionadas y crear sinergia para los fines de la Industria
4.0. Esta integración sinérgica de las tecnologías de fabricación inteligente compatibles con IoT da
como resultado los llamados sistemas ciberfísicos (CPS), es decir, la integración de los objetos
físicos de la fábrica con la dimensión virtual de la fábrica, incluidos los datos integrados, inteligencia
artificial y simulación - ( Wang et al., 2016a; Schuh et al., 2017; Tao et al., 2018c ), que es uno de los
conceptos esenciales de la Industria 4.0. Por lo tanto, asumimos la siguiente hipótesis con respecto a
la adopción de Smart
AG Frank y col.
Tabla 2
Tecnologías de productos inteligentes.
Categorias Tecnologías para productos Referencia
inteligentes
Capacidades de Smart, Conectividad del producto Porter y Heppelmann (2014)
productos conectados Monitoreo del producto Control
del producto Optimización del
producto Autonomía del producto
Tecnologías de fabricación:
H1 Las empresas manufactureras que apuntan a un mayor nivel de madurez de la Industria 4.0
implementar sistemáticamente la mayoría de los Smart
Tecnologías de fabricación, ya que estas tecnologías están interrelacionadas.
Por otro lado, las tecnologías front-end para productos inteligentes comprenden componentes
inteligentes que permiten capacidades y servicios digitales con la oferta de productos, como se
muestra en Tabla 2 . En este caso, consideramos las capacidades tecnológicas necesarias para
diferentes niveles de producto inteligente, tal como se propone en el trabajo seminal de Porter y
Heppelmann (2014) . Los sensores integrados permiten la conectividad de productos en una red con
otros objetos y sistemas. Los sensores pueden proporcionar capacidad de monitoreo en productos
físicos, permitiendo a los clientes conocer la condición del producto y los parámetros de uso. Los
productos con software integrado conectado a servicios en la nube pueden controlarse a través de
interfaces remotas digitales. Con algoritmos analíticos, los productos pueden tener funciones de
optimización, mejorando el rendimiento de los productos basados ​en diagnósticos predictivos que
informan las correcciones necesarias. Usando inteligencia artificial, los productos pueden optimizarse
de forma autónoma. Estas capacidades amplían las funciones de los productos para los clientes,
brindando nuevas oportunidades para los fabricantes. El monitoreo del producto también proporciona
información útil para los fabricantes, quién puede recopilar estos datos e identificar patrones de uso del
producto para la segmentación del mercado y el desarrollo de nuevos productos. Esto también habilita
los sistemas digitales de servicios de productos (PSS), en los que los fabricantes pueden ofrecer
servicios adicionales con el producto e incluso ofrecer el producto como un servicio ( Zhong et al.,
2017; Ayala et al., 2017 ) Aunque algunas empresas pueden centrarse en el aspecto externo de las
tecnologías digitales,
es decir, Productos inteligentes para el cliente final, el concepto de Industria 4.0 supone que tanto la
Fabricación inteligente interna como los Productos inteligentes externos deben estar conectados e
integrados ( Tao et al., 2018a; Kagermann et al., 2013; Porter y Heppelmann, 2015 ) Tal enfoque fue
previamente estudiado por Kamp y col. (2017) y Rymaszewska y col. (2017) quien estudió las
conexiones de los productos y servicios digitales con procesos internos. Por lo tanto, proponemos la
siguiente hipótesis:
H2 Las empresas de fabricación que están fuertemente comprometidas con las tecnologías de productos
inteligentes también mostrarán una alta madurez en las tecnologías de fabricación inteligente, ya que ambas
implementaciones están relacionadas.
3.1.2. Cadena de suministro inteligente y trabajo inteligente
Otros dos grupos complementarios de tecnologías front-end de Industry 4.0 son Smart Supply
Chain y Smart Working. Los consideramos por separado de Smart Manufacturing y Smart Products
porque estos dos últimos tienen el propósito de agregar valor a fabricación y productos finales mientras
que las dimensiones Smart Supply Chain y Smart Working tienen el propósito de proporcionar
eficiencia a lo complementario actividades operacionales. Fuera de la fábrica, Smart Supply Chain
incluye tecnologías para respaldar la integración horizontal de la fábrica con proveedores externos
para mejorar la entrega de materia prima y producto final en la cadena de suministro, lo que impacta
en los costos operativos y el tiempo de entrega ( Marodin et al., 2016, 2017a, b ) Por otro lado, dentro
de la fábrica, Smart Working considera tecnologías para apoyar las tareas de los trabajadores, lo que
les permite ser más productivos y flexibles para atender los requisitos del sistema de fabricación ( Stock
et al., 2018 )
18 años
Revista Internacional de Economía de la Producción 210 (2019) 15–26
Tabla 3
Cadena de suministro inteligente y tecnologías de trabajo inteligentes.
Tecnologías para la cadena de suministro inteligente Referencias
Plataformas digitales con proveedores. ( Pfohl et al., 2017; Ángeles, 2009; Simchi-Levi
Plataformas digitales con clientes Plataformas et al., 2004 )
digitales con otra empresa
unidades
Tecnologías para el trabajo inteligente Referencias
Monitoreo remoto de producción. ( Wang et al., 2016a; El Kadiri et al., 2016; Zhong
Operación remota de producción Realidad et al., 2017 )
aumentada para mantenimiento ( Elia et al., 2016; Scurati et al., 2018 )
Realidad virtual para la formación de los trabajadores. ( Elia et al., 2016; Gorecky et al., 2017 )
Realidad aumentada y virtual para ( Elia et al., 2016; Tao et al., 2018b )
desarrollo de productos
Robots colaborativos ( Du et al., 2012; Wang et al., 2015 )
Tanto Smart Supply Chain como Smart Working se consideran front-end ya que también tienen una
contribución directa al rendimiento operativo de la empresa. A continuación, explicamos en detalle
las tecnologías específicas de estas dos dimensiones, que se presentan en Tabla 3 . Primero, la
integración horizontal, respaldada por las tecnologías Smart Supply Chain, implica el intercambio de
información en tiempo real sobre pedidos de producción con proveedores y centros de distribución ( Pfohl
et al., 2017 ) Mientras que Smart Manufacturing incluye procesos intralogísticos con tecnologías para
la trazabilidad interna de materiales y vehículos autónomos guiados ( Tao et al., 2018a; Zhou et al.,
2017 ), se necesitan otras tecnologías para conectar fábricas a procesos externos ( Pfohl et al., 2017 )
Las plataformas digitales cumplen este requisito, ya que proporcionan un acceso fácil a pedido a la
información que se muestra en una nube, integrando proveedores y fabricantes ( Pfohl et al., 2017;
Ángeles, 2009 ) El seguimiento de los productos se puede controlar de forma remota, manteniendo el
almacenamiento en niveles optimizados debido a la comunicación en tiempo real con los
proveedores. Además, cuando las plataformas digitales con capacidades analíticas están
conectadas a sistemas meteorológicos, se pueden evitar retrasos en la entrega. Las plataformas
digitales también pueden llegar a los clientes mediante el seguimiento de la entrega del producto y
atendiendo las demandas específicas de los clientes ( Pfohl et al., 2017 ) Las plataformas digitales
también pueden integrar diferentes fábricas de la compañía al compartir información en tiempo real
de las actividades de operaciones entre ellas ( Simchi-Levi et al., 2004 )
Por otro lado, las tecnologías de trabajo inteligente tienen como objetivo proporcionar mejores
condiciones a los trabajadores para mejorar su productividad ( Kagermann et al., 2013 ) y para
proporcionarles acceso remoto a la información del taller ( Wang et al., 2016a ) Por lo tanto, los
humanos y las máquinas se consideran en el concepto de Industria 4.0 como un mecanismo
socio-técnico integrado ( Thoben et al., 2017 ) La Industria 4.0 considera también el control remoto de
las actividades de operaciones a través de dispositivos móviles, lo que mejora los procesos de toma
de decisiones y mejora la visibilidad de la información del proceso, dos aspectos que también
contribuyen al Smart Working ( El Kadiri et al., 2016; Ahuett-Garza y ​Kurfess, 2018; Tao et al., 2018a,
b, c; Thoben et al., 2017 ) Las herramientas virtuales también pueden considerarse parte de Smart
Working, ya que apoyan el proceso de toma de decisiones. La realidad aumentada y virtual son dos
tecnologías emergentes en este campo que crean entornos virtuales parciales y completos ( Elia et
al., 2016; Gilchrist, 2016 ) En el mantenimiento de fabricación, la realidad virtual acelera la formación
de los trabajadores con una simulación inmersiva de las rutinas de mantenimiento ( Gorecky et al.,
2017; Turner et al., 2016 ), mientras que la realidad aumentada apoya a los trabajadores con una
guía interactiva y en tiempo real para los pasos necesarios de las tareas a realizar ( Scurati et al.,
2018 ) En las actividades de desarrollo de productos, estas herramientas crean modelos virtuales del
producto, lo que ayuda a detectar fallas durante el uso del producto sin necesidad de prototipos
físicos ( Tao et al., 2018a; Guo et al., 2018 ) Por último, también incluimos robots colaborativos en la
dimensión Smart Working. Esto se debe a que los robots colaborativos son específicamente
AG Frank y col. Revista Internacional de Economía de la Producción 210 (2019) 15–26

diseñado para la interacción con humanos y para apoyar las actividades de los trabajadores. De esta
manera, el trabajo de fabricación se mejora con la precisión, fiabilidad y eficiencia de los robots, sin
perder la flexibilidad del trabajo humano ( Du et al., 2012; Wang et al., 2015 ) En este sentido, el
objetivo es reducir las tareas de bajo valor agregado de los trabajadores mediante el uso de robots
colaborativos y aprovechar el potencial de los trabajadores para tareas más avanzadas en las que
los robots están limitados debido a la flexibilidad de las tareas.
Por lo tanto, teniendo en cuenta que, como explicamos anteriormente, ambas tecnologías,
Smart Supply Chain y Smart Working, brindan soporte para diferentes necesidades del sistema de
producción Industry 4.0, una enfocada en la conexión del sistema de fabricación con la cadena de
suministro y la otra enfocados en integrar al trabajador con el sistema de fabricación, proponemos la
siguiente hipótesis:
Sucede ( Schuh et al., 2017 ) La combinación de big data con análisis puede respaldar la
autoorganización de las líneas de producción y puede optimizar las actividades de toma de
decisiones en cada dimensión de un negocio industrial ( Wang et al., 2016a ; Babiceanu y Seker,
2016; Wamba et al., 2015 )
Las cuatro tecnologías mencionadas anteriormente: IoT, nube, big data y análisis, tienen
diferentes capacidades. IoT tiene como objetivo resolver problemas de comunicación entre todos los
objetos y sistemas en una fábrica, mientras que los servicios en la nube proporcionan un fácil acceso
a la información y los servicios. Por último, el big data y el análisis se consideran habilitadores clave
para las aplicaciones avanzadas de Industry 4.0, ya que la inteligencia del sistema depende de la
gran cantidad de datos acumulados (big data) y la capacidad de analizar con técnicas avanzadas
(análisis). Por lo tanto, centrándonos en el elemento central de la Industria 4.0, formulamos nuestra
cuarta y última hipótesis:

H3 Las empresas de fabricación que están fuertemente comprometidas con las tecnologías Smart
Supply Chain (H3a) y Smart Working (H3b) también mostrarán una alta madurez en las tecnologías H4 Cuanto más avanzada esté la compañía en las tecnologías de fabricación inteligente de Industry
de Smart Manufacturing. 4.0, más fuerte será la presencia de las tecnologías base.

3.2. Tecnologías de base de la Industria 4.0

4. Método de investigación

Consideramos una segunda capa de tecnologías de la Industria 4.0, que llamamos "tecnologías
4.1. Muestreo
de base", ya que admiten todas las demás dimensiones 'inteligentes' discutidas anteriormente. Las
tecnologías base están compuestas por las llamadas nuevas TIC ( Tabla 4 ), que incluye Internet de
Realizamos una encuesta transversal en empresas manufactureras. Obtuvimos nuestra muestra
las cosas (IoT), servicios en la nube, big data y análisis ( Tao et al., 2018a; Thoben et al., 2017; Wang
de la oficina regional del sur de la Asociación Brasileña de Constructores de Maquinaria y Equipo
et al., 2016a ) Estas tecnologías se consideran básicas porque están presentes en todas las
(ABIMAQ-Sul). Esta asociación fue elegida debido a su compromiso actual con las políticas y
dimensiones y en diferentes tecnologías de tales dimensiones. Aprovechan las dimensiones de la
estrategias industriales para promover el concepto de Industria 4.0, que muestra un interés creciente
Industria 4.0 y hacen posible la interconectividad, además de proporcionar la inteligencia de los
por parte de las empresas asociadas. También elegimos esta asociación para representar uno de los
nuevos sistemas de fabricación.
sectores de fabricación más fuertes en este país. La muestra está compuesta por 143 empresas
asociadas a ABIMAQ-Sul. El cuestionario fue dirigido a los Directores Ejecutivos o Directores de
Operaciones de las empresas. Se enviaron dos seguimientos cada dos semanas después de la
IoT representa la integración de sensores y computación en un entorno de Internet a través de
última. Obtuvimos un total de 92 cuestionarios completos para las variables estudiadas en este
la comunicación inalámbrica ( Tao et al., 2018c ) Los recientes avances en Internet permitieron con
artículo, representando una tasa de respuesta del 64.33%. Esta alta tasa de respuesta se debe a la
éxito la comunicación de varios objetos, logrando este concepto. Esto también fue respaldado por la
forma en que se administró el cuestionario, ya que la oficina de ABIMAQ-Sul contactó a todas las
reducción de costos de los sensores en los últimos años ( Schuh et al., 2017 ), que permitió detectar
empresas para informar sobre la encuesta, así como presentó esta investigación en los seminarios
cualquier tipo de objeto y su conexión a una red más amplia ( Boyes et al., 2018 )
industriales de la asociación y envió los cuestionarios por un correo electrónico institucional. -mail,
siguiendo el proceso de recolección. Tabla 5 muestra la composición de la

Los servicios en la nube permiten el acceso a la red a pedido a un grupo compartido de

recursos informáticos ( Mell y Grance, 2009 ) Esta tecnología tiene la capacidad de almacenar datos
en un proveedor de servidores de Internet que se pueden recuperar fácilmente a través del acceso
remoto ( Yu et al., 2015 ) Por lo tanto, los servicios en la nube facilitan la integración de diferentes
dispositivos, ya que no necesitan estar físicamente cerca y aunque puedan compartir información y
Tabla 5
coordinar actividades ( Yu et al., 2015; Thoben et al., 2017 ) La combinación del uso de IoT y Cloud
Características demográficas de la muestra.
permite conectar diferentes equipos, recolectando una gran cantidad de datos, lo que resulta en el
Categoría Descripción (%) Categoría Descripción (%)
almacenamiento de Big Data ( Lu, 2017; Liu, 2013 ) Big data consiste en la recopilación de datos de
sistemas y objetos, como lecturas de sensores ( Porter y Heppelmann, 2015 ) Junto con la analítica,
Industrias principales Agricultura 48% de la empresa Pequeño (<100 41%
por ejemplo, minería de datos y aprendizaje automático, se considera uno de los impulsores más atendidos por las Biotecnología 1% Talla empleados)

importantes de la cuarta revolución industrial y una fuente clave de ventaja competitiva para el futuro empresas
manufactureras de la Productos quimicos 24% Mediano 37%
( Tao et al., 2018a; Porter y Heppelmann, 2015; Ahuett-Garza y ​Kurfess, 2018 ) La importancia
muestra Construcción 10% (100–500
principal se debe a la información que puede generar. Se necesitan grandes datos para generar los
empleados)
gemelos digitales de la fábrica y, posteriormente, el análisis permite una capacidad predictiva Energía 15% Grandes (> 500 22%
avanzada, identificando eventos que pueden afectar la producción antes Productos alimenticios 29% empleados)

Cuero y 3% de encuestados Gerentes o directores

78%
productos perfil
relacionados
Minería 21% Supervisores 10%
Mueble 10%
Farmacéutico 10% Analistas 4%
Tabla 4
Pulpa y papel 16% Software y
Tecnologías de base para la Industria 4.0
tecnología 17% Otro 8%
Tecnologías de base Referencias
Acería 18%
Internet de las cosas (IoT) ( Wang et al., 2016a; Lu, 2017; Zhong et al., 2017; Gilchrist, 2016 ) Transporte 13%
Cloud computing Big Productos metálicos 34%
data Analytics Otras manufacturas 24%

19
AG Frank y col. Revista Internacional de Economía de la Producción 210 (2019) 15–26

muestra sobre el tamaño de las empresas, el perfil de los encuestados y los principales mercados a los que
asisten las empresas de la muestra.
4.2. Definición de variables
Siguiendo nuestro marco conceptual representado en Figura 1 , decimos
aceleró un cuestionario para evaluar las tecnologías front-end y base de Industry 4.0 ( Tablas 1–4 ) El
cuestionario evaluó la existencia o no de un tipo de tecnología y el nivel de implementación de dicha
tecnología en las empresas manufactureras. Utilizamos una escala Likert de cinco puntos que varía
de 1 - Implementación muy baja a Implementación avanzada. Por lo tanto, el grado más alto muestra
una madurez avanzada de esta tecnología. Dado que nuestro objetivo era clasificar a las empresas
con respecto a sus patrones de implementación del concepto Industria 4.0, también incluimos en el
cuestionario información de las empresas que puede ayudarnos a comprender mejor su perfil. Estas
características ya se presentaron en la descripción demográfica que se muestra en Tabla 5 . Antes de
implementar el cuestionario, refinamos la descripción de las tecnologías y su estructura con una
ronda de entrevistas con 15 académicos y siete profesionales. Los académicos están afiliados a
institutos tecnológicos del sur de Brasil dedicados al desarrollo de soluciones innovadoras basadas
en tecnologías IoT.
Industria re
los presentadores son los CEO de las compañías que componen el directorio de ABIMAQ-Sul.
Ayudaron a alinear el cuestionario con el lenguaje técnico de las empresas.
4.3. Muestra y varianza del método
Probamos el sesgo potencial de la muestra usando la prueba de Levene para la igualdad de
varianzas y t- prueba de la igualdad de medios entre encuestados tempranos y tardíos. Con este
objetivo, agrupamos a los encuestados en dos oleadas principales, los encuestados iniciales, es
decir, los del primer correo electrónico (63 respuestas) y los encuestados tardíos, es decir, las 29
respuestas restantes. Las pruebas indicaron que solo 2 de las 45 variables (tecnologías) mostraron
diferencias estadísticas entre ambos grupos, pero solo a p <0.01, mientras que no hubo diferencias
en ninguna variable para p <0.05. Siguiendo ( Armstrong y Overton, 1977 ), concluimos que no existen
evidencias de diferencias de estos grupos en comparación con la población.
Montoya et al., 2009 ) Agrupamos grupos según su similitud de adopción de tecnologías de
fabricación inteligente, ya que nuestra premisa teórica es que esta es la dimensión central de la
Industria 4.0. Siguiendo
Milligan y Cooper (1985) , primero realizamos un análisis jerárquico de conglomerados (HCA), que
determina el número adecuado de grupos para la división de la muestra. HCA se realizó utilizando el
método de Ward en el proceso de agrupamiento, con la medida de similitud de distancia euclidiana
entre los encuestados. La segunda etapa consideró el refinamiento de la solución de conglomerados
y la definición de variables que discriminaban los conglomerados obtenidos. Esto se realizó utilizando
un algoritmo de clúster K-means no jerárquico ( HAIR et al., 2009 )
Después de obtener las composiciones del clúster, realizamos un análisis demográfico de los
miembros del clúster. El objetivo de este paso era comprender si los grupos formados con análisis de
conglomerados presentaban diferentes patrones de alta implementación de las tecnologías de
fabricación inteligente de la Industria 4.0 ( H1 ) También utilizamos el análisis demográfico y las
pruebas de independencia para comprender la relación de estos grupos de empresas asignados en
los diferentes grupos con niveles de desarrollo de Productos inteligentes ( H2 ), Trabajo inteligente y
adopción de la cadena de suministro inteligente (H3a y 3b) y de tecnologías básicas ( H4 ) Utilizamos
la medida de asociación estandarizada Chi-cuadrado de Pearson, que se utiliza para rechazar la
hipótesis nula de que no hay asociación entre las variables. En una tabla de contingencia,
Chi-cuadrado de Pearson compara las frecuencias de los valores esperados de una variable con sus
valores actuales. Un valor de asociación más alto significa que para la categoría en análisis
(columna), las variables (fila) tienen un valor diferente al esperado ( Ross, 2010 ) En nuestro análisis,
el rechazo de la hipótesis nula respalda nuestra hipótesis formulada, lo que indica un patrón diferente
de adopción de tecnología entre los grupos agrupados. De acuerdo a HAIR y col. (2009) , esta medida
es adecuada para muestras de más de 50 casos, con un mínimo de cinco observaciones para cada
clase. Por lo tanto, utilizamos la prueba exacta de Fisher para las asociaciones que resultan en
menos de cinco observaciones ( Cortimiglia et al., 2016 )
5. Resultados

5.1. Resultados para las tecnologías front-end de Industry 4.0

Con respecto a la varianza del método común ( Podsakoff et al., 2003 ),

Figura 2 muestra el dendrograma del análisis de conglomerados jerárquico realizado utilizando
aleatorizamos el orden de la lista de tecnologías para evitar que el encuestado pueda asociar
las tecnologías Smart Manufacturing ( tabla 1 ) como variables de selección. El dendrograma
directamente las tecnologías de la lista. Además, enviamos nuestro cuestionario a los encuestados
representa las similitudes entre empresas en función del perfil de adopción de estas tecnologías de
clave (CEO y Directores de Operaciones), como se explica en la sección de muestreo (4.1.), Para
fabricación inteligente ( Figura 1 ) Los resultados muestran que las empresas pueden agruparse en
obtener una visión más amplia del nivel de implementación de los conceptos de la Industria 4.0 en
dos o tres grupos principales. Elegimos trabajar con tres grupos para obtener una mayor
las empresas. Finalmente, calculamos la prueba de factor único de Harman con un análisis factorial
diferenciación de los patrones de la Industria 4.0. Evitamos seleccionar un número de grupos más
exploratorio para abordar el sesgo de método común, es decir, la varianza debida al método de
refinado, ya que esto daría lugar a algunos grupos con poca representatividad debido al bajo número
medición en lugar de a las medidas que se supone que representan ( Podsakoff et al., 2003 ) Esta
de empresas en ellos.
prueba con todas las variables resultó en un primer factor que comprendía solo el 33% de la varianza
observada y que, por lo tanto, no existe un factor único que represente la mayoría de la varianza en
el modelo. Sin embargo, para estar completamente seguro de la ausencia de este problema
Después de definir el número de grupos, realizamos el análisis de K-means para refinar las
potencial, se debe utilizar un enfoque de respuesta múltiple que represente a cada empresa, lo que
membresías de los grupos. Tabla 6 muestra la contribución de cada una de las tecnologías de Smart
no fue posible en nuestra encuesta, ya que es una limitación de nuestro estudio ( Guía y Ketokivi,
Manufacturing para la definición de la composición de los clústeres. El promedio para el nivel de
2015 )
adopción de las tecnologías Smart Manufacturing es estadísticamente diferente entre los tres grupos
para todas las tecnologías, excepto para las líneas flexibles (ver valores F de ANOVA). El primer
grupo se caracteriza por tecnologías por debajo del nivel moderado de adopción (≤3.00); el segundo
es

4.4. Análisis de los datos

El primer paso del análisis de datos fue identificar empresas con diferentes niveles de madurez
en la adopción de tecnologías de fabricación inteligente. Fueron necesarios al menos dos grupos con
un nivel tecnológico distinto para probar nuestras hipótesis, a fin de descubrir patrones diferentes
entre estos grupos que puedan explicar la adopción de la Industria 4.0. Por lo tanto, seguimos un
análisis de conglomerados de dos pasos para la identificación de grupos distintos con características
tecnológicas similares en la muestra, como lo hicieron previamente otros estudios ( Marodin et al.,
2016;
Figura 2. Dendrograma para la selección del número de clústeres.

20
AG Frank y col. Revista Internacional de Economía de la Producción 210 (2019) 15–26

Tabla 6
Resultados de K-medias para variables de agrupación.

Tecnologías de fabricación inteligente ( H1 ) una Cluster Mean + SD Valor F de

ANOVA

Cluster 1 Grupo 2 Grupo 3

Adoptadores bajos Adoptadores moderados Adoptadores avanzados

Sensores, actuadores y PLC 2,36 ± 1,22 3,55 ± 1.00 4.60 ± 0,63 27.89 ***
Planificación de recursos empresariales (ERP) 3.20 ± 1,15 4.06 ± 1.00 4.53 ± 1.06 10.80 ***
Sistema de ejecución de fabricación (MES) 2,14 ± 0,90 3,39 ± 1.00 4.33 ± 0,72 38,48 ***
Control de supervisión y adquisición de datos (SCADA) 2,32 ± 0,98 3.21 ± 1.02 4.07 ± 1.10 18,61 ***
Sistema de monitoreo de eficiencia energética. 1,75 ± 0,65 2,15 ± 0,76 4.07 ± 0,96 54,72 ***
Sistema de mejora de la eficiencia energética. 1,77 ± 0,60 2,15 ± 0,83 4.07 ± 0,96 52,23 ***
Identificación y trazabilidad de productos finales. 2,32 ± 0,96 3,64 ± 1.19 4.00 ± 0,76 23.12 ***
Identificación y trazabilidad de materias primas. 2,18 ± 0,97 3,52 ± 1.20 4.00 ± 0,65 25,43 ***
Simulación de procesos (fabricación digital) 2,20 ± 0,85 2,73 ± 1.13 4.00 ± 0,93 19,22 ***
Comunicación de máquina a máquina 1,80 ± 0,73 2,79 ± 0,99 3.93 ± 0,70 40.01 ***
Robots industriales 1,80 ± 0,82 2,94 ± 1,30 3.80 ± 1,21 23.00 ***
Inteligencia Artificial para producción 1,77 ± 0,60 2,70 ± 0,85 3.40 ± 1.06 28,79 ***
Puesta en marcha virtual 1,73 ± 0,66 2,39 ± 0,97 3,33 ± 1,29 18,72 ***
Inteligencia artificial para mantenimiento predictivo 1,68 ± 0,74 2,42 ± 0,94 3,33 ± 1,23 19.95 ***
Identificación automática de no conformidades 1,95 ± 0,61 2,55 ± 0,83 3.27 ± 1.10 16.70 ***
Fabricación aditiva 1,80 ± 0,67 2,48 ± 1,18 2,60 ± 1,24 6.39 **
Lineas flexibles 2,00 ± 0,89 2,45 ± 1,23 2,53 ± 1,36 2,19
Numero de empresas 44 33 15
Pequeñas empresas 63,6% 21,2% 6,7%
Empresas medianas 22,7% 54,5% 20,0%
Empresas de gran tamaño 13,6% 24,2% 63,3%;

* ** * p <0,05; *** p <0,001.

una Nota: la escala de grises representa los niveles de adopción de las tecnologías consideradas en cada grupo, que varía de alta adopción (gris claro) a baja adopción (gris oscuro).

Tabla 7
Niveles de adopción de tecnologías de productos inteligentes.

Tecnologías de productos inteligentes ( H2 ) Adopción Cluster 1 Grupo 2 Grupo 3 Prueba

Adoptadores bajos Adoptadores moderados Adoptadores avanzados

Productos inteligentes con capacidad de conectividad si 14% 36% 73% Prueba de Fisher = 18.40 ***
No 86% 64% 27%
Productos inteligentes con capacidad de monitoreo si 20% 45% 67% Pearson Χ 2 prueba = 1.84 **
No 80% 55% 33%
Productos inteligentes con capacidad de control si 23% 39% 67% Pearson Χ 2 prueba = 9.66 **
No 77% 61% 33%
Productos inteligentes con capacidad de optimización si 7% 18% 53% Prueba de Fisher = 3.86 **

No 93% 82% 47%

Productos inteligentes con capacidad de autonomía. si 7% 6% 53% Prueba de Fisher = 16.69 ***
No 93% 94% 47%
Cuenta total 44 33 15

* ** * p = 0,05; *** p = 0,001.

caracterizado por mayores niveles de adopción que el primer grupo, pero con valores medios por
debajo del alto nivel de implementación (≤4.00). Finalmente, el último grupo tiene el nivel más alto de
implementación de todas las tecnologías y tiene un subconjunto de tecnologías con alto nivel de
implementación (≥4.0) mientras que las otras tecnologías están por encima del nivel medio de
implementación (≥3.00). Por lo tanto, definimos estos tres grupos como adoptadores bajos (Cluster
1), adoptadores moderados (Cluster 2) y adoptadores avanzados (Cluster 3), respectivamente, de las
tecnologías de Fabricación Inteligente de Industry 4.0. Con respecto al tamaño de las compañías que
constituyen cada uno de estos grupos, vale la pena notar que cuanto más avanzado esté el grupo en
términos de adopción de tecnología, mayor será la concentración de las grandes compañías que lo
componen.
Los hallazgos presentados en los resultados de K-means de Tabla 6 apoyo H1 .
Estos hallazgos muestran que los grupos (patrón de adopción) se dividen de acuerdo con los niveles
de implementación del conjunto completo de tecnologías. En otras palabras, uno podría esperar que
algún grupo pueda agrupar compañías con alta implementación de un tipo de tecnologías, mientras
que otros grupos pueden agrupar compañías con alta implementación de otro tipo de tecnologías,
pero esto no sucedió. Lo que muestran los resultados, como se propone en la hipótesis H1 , es que
las empresas están agrupadas en una implementación progresiva del conjunto completo de
tecnologías, mostrando una
fuerte interrelación entre ellos, excepto las líneas flexibles que no mostraron diferencias estadísticas
entre los grupos. Por lo tanto, como se sugiere en
H1 , las tecnologías de fabricación inteligente son complementarias y no sustituibles, mientras que las
empresas están creciendo en madurez. Adicionalmente,
Tabla 6 presenta tres categorías de tecnologías independientemente del grupo analizado. Esto se
puede ver en la clasificación presentada en escala de grises. La primera categoría, representada con
un color gris claro, está compuesta por tecnologías con el más alto nivel de implementación en
cualquier clúster. Este conjunto de tecnologías considera las relacionadas con la integración vertical:
sensores / PLC + sistemas SCADA + MES + ERP, y las asociadas con la eficiencia energética y la
trazabilidad. La segunda categoría de tecnologías, resaltada con un color gris moderado, está
compuesta por tecnologías centradas en la virtualización de la fábrica y la automatización.
Finalmente, el grupo resaltado en color gris oscuro está representado por las tecnologías menos
implementadas en los grupos.
En el segundo paso, asociamos los tres grupos de niveles de madurez con la adopción de
diferentes tipos de soluciones para productos inteligentes, algo que forma parte del concepto más
amplio de la Industria 4.0, como se propone en nuestra hipótesis. H2 . Estos resultados se informan
en Tabla 7 en el que se puede ver que H2 esta apoyado. Los resultados muestran que Cluster 3, que
está compuesto por empresas con adopción anticipada de Smart

21
AG Frank y col. Revista Internacional de Economía de la Producción 210 (2019) 15–26

Tabla 8
Niveles de adopción de las tecnologías Smart Supply Chain y Smart Working.

Tecnologías de soporte Grupo de adopción 1 Grupo 2 Grupo 3 Prueba exacta de Fisher

Adoptadores bajos Adoptadores moderados Adoptadores avanzados

Tecnologías de cadena de suministro inteligente (H3a) Plataformas digitales con proveedores si 7% 9% 33% 6.38 **
No 93% 91% 67%
Plataformas digitales con clientes. si 5% 9% 33% 7.81 **
No 95% 91% 67%
Plataformas digitales con otras unidades de la empresa Sí 9% 21% 53% 11,91 **
No 91% 79% 47%
Tecnologías de trabajo inteligente (H3b) Monitoreo remoto de producción. si 9% 39% 93% 37.17 ***
No 91% 61% 7%
Robots colaborativos si 2% 9% 67% 28,30 ***
No 98% 91% 33%
Operación remota de producción. si 5% 3% 40% 12.95 ***
No 95% 97% 60%
Realidad aumentada para mantenimiento si 0% 6% 27% 10,24 ***
No 100% 94% 73%
Realidad virtual para la formación de los trabajadores. si 0% 6% 27% 10,24 ***
No 100% 94% 73%
Realidad aumentada y virtual para NPD si 2% 6% 33% 10,31 ***
No 98% 94% 67%
Cuenta total 44 33 15

* ** * p = 0,05; *** p = 0,001.

Fig. 3. Marco que resume los resultados de los patrones de adopción de la Industria 4.0.

La fabricación es la única con alta adopción de tres capacidades para productos inteligentes:
conectividad (73%), monitoreo (67%) y control (67%). Por lo tanto, nuestros hallazgos muestran que
existe una conexión, al menos en el nivel avanzado de la Industria 4.0 (Cluster 3), entre la adopción
de las tecnologías Smart Manufacturing y Smart Product. Por otro lado, la optimización y la
autonomía son capacidades menos implementadas en el nivel avanzado (el 47% de las empresas
del Clúster 3 no adoptaron estas capacidades), aunque muestran un mayor número de empresas
que las adoptaron en comparación con los otros dos grupos.
por nuestros hallazgos. En primer lugar, con respecto a las tecnologías Smart Supply Chain de
Industry 4.0 (H3a), es posible ver que los tres tipos de plataformas para la integración con
proveedores, clientes y otras unidades de la compañía muestran bajos niveles de adopción en los
tres grupos. Vale la pena señalar que las plataformas digitales para la integración de proveedores y
clientes, que representan la integración horizontal del concepto Industry 4.0, son muy poco
adoptadas, incluso en empresas con un nivel avanzado de implementación de Smart Manufacturing.
Solo las plataformas para la integración con otras unidades mostraron un nivel relativamente alto de
adopción (53%) en los usuarios avanzados de las tecnologías de Fabricación Inteligente (Cluster 3).

En el siguiente paso, probamos las hipótesis H3a y H3b. Los resultados se presentan en Tabla 8 ,
mostrando que H3a y H3b son parcialmente compatibles

22
AG Frank y col.
En cuanto a las tecnologías de trabajo inteligente (H3b) ( Tabla 8 ), nosotros también
encontró solo apoyo parcial para la hipótesis H3b. En este caso, solo el uso de monitoreo remoto de
la producción y el uso de robots colaborativos presentaron un nivel relativamente más alto de
adopción (93% y 67% de las empresas) entre los usuarios avanzados de tecnologías de fabricación
inteligente. La operación remota de la producción mostró un nivel de adopción ligeramente mayor en
el Grupo 3 (40% de las empresas), pero la falta de adopción de esta tecnología sigue predominando
en este grupo (60% de las empresas). Las tecnologías menos implementadas para Smart Working
en los tres grupos eran realidad aumentada y realidad virtual.
5.2. Resultados para las tecnologías base de la Industria 4.0
En el paso final, analizamos cómo las tecnologías base están presentes en la implementación
de las tecnologías de fabricación inteligente de la Industria 4.0, como se propone en la hipótesis H4 .
Nuestros hallazgos apoyan H4
dado que las cuatro tecnologías básicas se adoptan más en el Cluster 3 (adoptadores avanzados de
Smart Manufacturing). También es posible ver que los servicios en la nube son la tecnología base
adoptada en todos los clústeres, siendo la solución más accesible utilizada por las empresas. Por
otro lado, Internet de las cosas, Big Data y Analytics siguen un patrón similar con bajos niveles de
adopción en los clústeres 1 y 2.
6. Discusiones
Resumimos nuestros hallazgos en el marco de Fig. 3 para ilustrar una visión holística de los
patrones de adopción de las tecnologías de la Industria 4.0. El marco resume los resultados
presentados en Tablas 6–9 . Dividimos la estructura siguiendo nuestro marco conceptual inicial de
Figura 1 , que ampliamos con los hallazgos empíricos. También dividimos la complejidad de la
implementación en función de los resultados de los tres grupos, mostrando las tecnologías más
implementadas (color gris claro) a las menos implementadas (color gris oscuro). Representamos
estas intensidades como una complejidad creciente al implementar una secuencia de etapas. Vale la
pena notar que no los estamos proponiendo como las etapas ideales de implementación, sino solo la
situación actual de las empresas estudiadas. Este marco se puede comparar con otras propuestas
anteriores de la literatura, como Schuh y col. (2017), Lee et al. (2015)
y Lu y Weng (2018) . La principal diferencia entre estos modelos y nuestro marco es que propusieron
etapas ideales, mientras que las nuestras presentan lo que está sucediendo en un sector industrial
basado en evidencias empíricas. También detallamos las tecnologías, mientras que se centraron
principalmente en las capacidades requeridas para la Industria 4.0. Además, nuestro modelo es más
amplio, ya que considera no solo las tecnologías internas de Smart Manufacturing como los otros
modelos, sino que también incluimos muchas otras dimensiones y tecnologías importantes.
Utilizamos este marco para guiar las discusiones a continuación.
Nuestros hallazgos nos permitieron verificar algunas sugerencias previas de la literatura. Uno de
ellos es que el nivel de implementación de la industria
El concepto 4.0 depende del tamaño de las empresas, como lo sugiere
Kagermann y col. (2013) y Schuh y col. (2017) . Nuestros resultados ( Tabla 6 )
Tabla 9
Niveles de adopción de tecnologías de base.
Tecnologías de base ( H4 ) Adopción Cluster 1
Adoptadores bajos
Internet de las Cosas si 18%
No 82%
Nube si 43%
No 57%
Big Data si 9%
No 91%
Analítica si 18%
No 82%
Cuenta total 44
* ** * p = 0,05; *** p = 0,001.
Revista Internacional de Economía de la Producción 210 (2019) 15–26
mostrar una relación entre grandes empresas e implementación avanzada de Industry 4.0. Esto está
alineado con la literatura general de innovación, que afirma que las grandes empresas son más
propensas a invertir en innovación de procesos y productos, ya que requiere altas inversiones en
infraestructura tecnológica, algo que no es viable para las pequeñas empresas ( Frank et al., 2016 )
Además, estos hallazgos mostraron que los adoptantes avanzados están liderando todas las
tecnologías y no algunas específicas, lo que puede indicar que la madurez creciente en las
tecnologías de la Industria 4.0 implica agregar soluciones tecnológicas como un 'Lego' en lugar de
sustituir una por otra. Esto está representado en nuestro marco ( Fig. 3 ) como la incorporación
progresiva de tecnologías en la creciente madurez de la Industria 4.0.
Además, un resultado sorprendente de nuestros hallazgos con respecto a la adopción de Smart
Manufacturing es que las líneas flexibles son la única tecnología que no se adoptó con fuerza en
ninguno de los tres grupos de madurez. Esto está en línea con los hallazgos anteriores de Dalenogare
y col. (2018) a nivel de la industria. La línea flexible ha sido propuesta como una de las industrias
4.0 conceptos, que también pueden ser respaldados por el uso de fabricación aditiva para producir
diferentes componentes y productos en la misma línea ( Wang et al., 2016b; Weller et al., 2015;
D'Aveni, 2015 ) Sin embargo, estudios previos sobre la Industria 4.0 en países emergentes
destacaron la productividad como la principal preocupación industrial en lugar de la flexibilidad ( CNI,
2016 ) Como estudiamos una muestra industrial centrada en soluciones de empresa a empresa en la
que la personalización de los productos podría requerir más flexibilidad y adaptación de las plantas,
en lugar de la producción a gran escala, esperábamos resultados diferentes. Por lo tanto, una de
nuestras preocupaciones es que las empresas solo están replicando un patrón de adopción de la
Industria 4.0 desde otro contexto empresarial centrado en economías de escala y, en consecuencia,
en la productividad. Otra posibilidad es que las empresas vean esto como un nivel de
implementación muy avanzado, que está en la parte superior de la madurez, como lo mostramos en
el marco de Fig. 3 . Por ejemplo, hacer que una línea de producción existente sea más flexible
requerirá no solo aplicar nueva tecnología sino también cambiar el diseño y los métodos de
producción. Esto podría ser financieramente restrictivo o requerir demasiados reordenamientos que
interrumpan las rutinas de operaciones. Por lo tanto, el papel de las líneas flexibles en la Industria 4.0
requiere más investigación en futuras investigaciones.
Con respecto a la conexión entre Smart Manufacturing y Smart Products, (probado en hipótesis H2
), la literatura existente sugiere que Industry 4.0 puede fomentar la implementación de soluciones
digitales enfocadas en el cliente ( Ardolino y col. 2018; Kamp et al., 2017; Opresnik y Taisch, 2015 ),
estimulando la oferta de productos inteligentes ( Lerch y Gotsch, 2015 ) Podríamos evidenciar tal
relación en nuestros resultados de
Tabla 7 , ya que los grandes adoptantes del concepto Smart Manufacturing son los mismos con una
fuerte implementación de algunas de las capacidades de Smart Product. En este sentido, reforzamos
trabajos anteriores de Kamp y col. (2017) y Rymaszewska y col. (2017) que destacó los posibles
beneficios de los productos inteligentes digitales para los procesos internos de fabricación de la
empresa. Sin embargo, las empresas de nuestra muestra solo están implementando lo que llamamos
productos inteligentes 'pasivos', que ayudan a monitorear y controlar, pero no a optimizar y
proporcionar
Grupo 2 Grupo 3 Prueba
Adoptadores moderados Adoptadores avanzados
39% 67% Pearson Χ 2 prueba = 12.51 **
61% 33%
58% 60% Pearson Χ 2 prueba = 2.13
42% 40%
27% 60% Prueba de Fisher = 15.20 ***
73% 40%
36% 60% Pearson Χ 2 prueba = 9.62 **
64% 40%
33 15
23
AG Frank y col.
autonomía a las máquinas.
Nuestros resultados mostraron evidencia parcial de las hipótesis H3a y H3b. La literatura ha
destacado la integración de la cadena de suministro como una de las ventajas de la Industria 4.0
basada en plataformas integradas con proveedores ( Pfohl et al., 2017; Ángeles, 2009; Simchi-Levi et
al., 2004 ) Nuestros resultados muestran que, al menos en el sector industrial considerado en nuestra
muestra, la integración de la cadena de suministro aún se encuentra en las etapas iniciales de
desarrollo. La misma limitación se encontró en las tecnologías para las actividades de trabajo
inteligente, donde solo el monitoreo remoto de la producción y los robots colaborativos fueron
prominentes entre los usuarios avanzados de las tecnologías de fabricación inteligente. En este caso,
la realidad aumentada y virtual todavía se implementa poco. Lo mismo se informó en otros estudios
que las consideran aún tecnologías iniciales ( Elia et al., 2016 ) Por lo tanto, podríamos afirmar que
estas dos dimensiones solo podrían crecer después de la consolidación de la dimensión interna de
fabricación inteligente de la industria
4.0. En cuanto a las tecnologías de base, se encontraron algunos resultados interesantes y
contraintuitivos. En primer lugar, uno podría esperar que la nube dependa de la implementación de
soluciones de IoT, ya que el equipo debe conectarse primero para generar datos almacenados en la
nube ( Wang et al., 2016a ) Sin embargo, el hecho de que los servicios en la nube sean la primera
tecnología implementada puede sugerir que no se usa como una forma de almacenar datos en
tiempo real del equipo, sino simplemente como un almacenamiento de datos remoto. En este
sentido, la nube puede representar solo un almacenamiento remoto de datos, mientras que la
recopilación de datos en tiempo real puede estar representada por la secuencia de IoT + Big Data +
Analytics, que son las siguientes tecnologías en el marco de Fig. 3 . Como se demostró previamente
por
Dalenogare y col. (2018) a nivel industrial, este es un conjunto de tecnologías aún muy inmaduras en
los sectores manufactureros tradicionales como el que se considera en nuestra muestra. Esto
también está alineado con Enrique y col. (2018)
quien demostró que, en general, las empresas en Brasil necesitan crecer en el uso de las TIC, como
las consideradas aquí.
7. Conclusiones
En este documento, nuestro objetivo fue identificar diferentes patrones de adopción de dos capas
tecnológicas de la Industria 4.0: tecnologías base y tecnologías front-end. Nuestros resultados respaldan
nuestra premisa de que la fabricación inteligente tiene un papel central en la industria 4.0 y que está
conectada con los productos inteligentes, estando fuertemente interrelacionados. También mostramos
cómo otras tecnologías de front-end complementan Smart Manufacturing, pero todavía están poco
implementadas en la muestra estudiada.
Según nuestros hallazgos, las empresas con un nivel avanzado de implementación de Industry
4.0 tienden a adoptar la mayoría de las tecnologías front-end y no un subconjunto específico. Para
las tecnologías adoptadas, se puede dibujar una secuencia de pasos de implementación.
Resumimos esto en un marco, que es la principal contribución de nuestros hallazgos, mostrando
cómo se implementan y se interrelacionan las tecnologías de la Industria 4.0.
7.1. Implicaciones prácticas
Nuestros resultados pueden contribuir a las empresas que buscan actualizaciones tecnológicas.
Proporcionamos información sobre los requisitos para la implementación de las tecnologías de la
Industria 4.0. Esto es importante para los gerentes, ya que todavía existe una considerable
incertidumbre sobre la Industria 4.0, especialmente con respecto a los requisitos tecnológicos y los
beneficios potenciales, como lo han demostrado investigaciones anteriores ( CNI, 2016; Dalenogare
et al., 2018 ) Los gerentes pueden usar nuestro marco para enfocarse no solo en las tecnologías
front-end, sino también en las tecnologías básicas que brindan soporte para la implementación de
Industry 4.0. Los gerentes también pueden usar nuestro marco como un modelo de implementación
de madurez para evolucionar en el concepto de Industria 4.0. El marco muestra niveles de
implementación de varias tecnologías relacionadas con niveles de complejidad para la
implementación del concepto Industria 4.0. Nuestros hallazgos sugieren que las empresas no
deberían quedarse solo en la primera etapa descrita en nuestro marco, centrándose solo en la
integración vertical, la gestión de la energía y
24
Revista Internacional de Economía de la Producción 210 (2019) 15–26
trazabilidad Estas son las tecnologías más consolidadas de la industria.
4.0. Como se muestra en nuestros resultados, la automatización avanzada, la virtualización y la
flexibilización son las fronteras con respecto a la complejidad de la implementación de la Industria
4.0. Las empresas que dominan estos niveles más altos de madurez pueden obtener una ventaja
competitiva. Estas son etapas en las que el big data y el análisis desempeñan un papel clave,
apoyando herramientas como la inteligencia artificial para los aspectos operativos de la fábrica y para
aumentar la productividad de los trabajadores a través de la realidad aumentada y virtual. También
demostramos que incluso las líneas flexibles son algo dirigido por el concepto de Industria 4.0, puede
ser difícil de lograr debido a los arreglos de fabricación ya establecidos. Por lo tanto, los gerentes que
están comenzando nuevas fábricas deberían pensar en este aspecto antes de definir el diseño de
fabricación,
7.2. Limitaciones y futuras investigaciones.
Esta investigación tiene algunas limitaciones que abren nuevas vías para futuras
investigaciones. En primer lugar, nuestro trabajo considera una muestra de un sector industrial
específico que tiene sus propias características. La industria de maquinaria y equipo está
intrínsecamente centrada en las actividades de empresa a empresa (B2B), que son muy diferentes
de los modelos de empresa a consumidor (B2C). Las actividades B2B exigen soluciones más
especializadas y personalizadas, lo que resulta en una interacción y conexión más fuertes entre la
empresa y el cliente. Esto naturalmente afecta la relevancia dada a las diferentes dimensiones de las
tecnologías front-end. Además, casi la mitad de nuestra muestra tiene al sector agrícola como el
principal mercado industrial. Este sector ha crecido muy rápidamente en la demanda de soluciones
de IoT para la agricultura automatizada (p. Ej. Comisión Europea, 2017; Porter y Heppelmann, 2014 )
y esto abrió más oportunidades para la Industria 4.0. Estas características no se pueden extrapolar
simplemente a otro tipo de mercados, especialmente aquellos basados ​en actividades B2C. Otra
característica importante de nuestra muestra es que estamos considerando un sector de fabricación
tradicional, que se posiciona como un nivel medio de madurez en el proceso de transformación
digital, detrás de otros sectores más avanzados como las computadoras y la electrónica ( CNI, 2016 )
Por lo tanto, uno debe tener cuidado de aceptar nuestros hallazgos como un patrón general para las
tecnologías de la Industria 4.0. No obstante, la comparación realizada con trabajos anteriores con
respecto a los niveles de madurez de la Industria 4.0 mostrada en nuestros hallazgos (p. Ej.
Schuh et al., 2017; Lee et al., 2015; Lu y Weng, 2018; Dalenogare et al., 2018 ) nos hace creer que
nuestros resultados podrían extenderse a otros campos industriales. Sin embargo, se necesitan más
evidencias empíricas para validar esta posible extensión a otras industrias. En segundo lugar,
nuestro estudio no consideró el efecto de estas tecnologías en el rendimiento industrial, lo que podría
ser un tema muy interesante para futuras investigaciones. El beneficio real de la Industria 4.0 sigue
siendo una preocupación para los profesionales y dicho estudio podría ser útil para la teoría y la
práctica. Dalenogare y col. (2018)
Recientemente han estudiado tal impacto, pero solo a nivel de la industria, y llamaron la atención
sobre la necesidad de un análisis a nivel de empresa. Movimos nuestra investigación un primer paso
hacia esta dirección, ya que proporcionamos una base empírica para la comprensión de cómo se
adoptan las tecnologías y cómo se relacionan entre sí. Desde este punto de partida, la investigación
futura puede avanzar en el estudio de cómo estas tecnologías impactan en el desempeño industrial a
nivel de empresa. Por último, demostramos que las grandes empresas están más preparadas para la
Industria 4.0, como se esperaba. Sin embargo, el grupo de mayor madurez también presentó algunas
empresas pequeñas que adoptaron con éxito tecnologías de fabricación inteligente. La investigación
futura podría profundizar en este tipo de empresas para comprender qué factores les ayudan a
innovar, Kagermann et al., 2013; Müller et al., 2018 )
Expresiones de gratitud
Los autores agradecen al Consejo Nacional de Desarrollo Científico y Tecnológico de Brasil.
(CNPq - Conselho Nacional de
AG Frank y col.
Desenvolvimento Científico e Tecnológico) (Proceso n. 305844 / 2015-
6), el Consejo de Investigación del Estado de Rio Grande do Sul (FAPERGS, Fundação de Amparo à
Pesquisa do Estado do Rio do do Grande) (Proceso n. 17 / 2551-0001) y la Coordinación de
Investigación del Ministerio de Educación de Brasil (CAPES), por el apoyo financiero recibido para
realizar esta investigación.
Referencias
Ahuett-Garza, H., Kurfess, T., 2018. Una breve discusión sobre las tendencias de habilitación
Tecnologías para la Industria 4.0 y la fabricación inteligente. Manuf. Letón. 15, 60–63 .
Angeles, R., 2009. Infraestructura de TI anticipada y capacidades de integración de la cadena de suministro
para RFID y sus resultados de implementación asociados. En t. J. Inf. Manag. 29 (3), 219–231 .
Ardolino, M., Rapaccini, M., Saccani, N., Gaiardelli, P., Crespi, G., Ruggeri, C., 2018. El
papel de las tecnologías digitales para la transformación de servicios de empresas industriales. En t.
J. Prod. Res. 56 (6), 2116–2132 .
Armstrong, JS, Overton, TS, 1977. Estimación del sesgo de no respuesta en encuestas por correo. J.
Mercado. Res. 396–402 .
Ayala, NF, Paslauski, CA, Ghezzi, A., Frank, AG, 2017. Dinámica de intercambio de conocimientos
en la participación de proveedores de servicios para la servitización de empresas manufactureras. En t. J. Prod. Econ. 193,
538–553 .
Ayala, NF, Gerstlberger, W., Frank, AG, 2019. Gestión de servitización en producto
empresas: el papel moderador de los proveedores de servicios. En t. J. Oper. Pinchar. Manag. 39 (1), 43-74. https://doi.org/10.1108/IJOPM-08-2017-0484
Liu, H., 2013. Big data impulsa la adopción de la nube en la empresa. IEEE Internet Comput. 17 (4)
. 68-71 .
Babiceanu, RF, Seker, R., 2016. Big Data y virtualización para la fabricación de ciber-
sistemas físicos: una encuesta sobre el estado actual y las perspectivas futuras. Comput Ind. 81, 128–137 .
Balogun, OO, Popplewell, K., 1999. Hacia la integración de la fabricación flexible
programación del sistema. En t. J. Prod. Res. 37 (15), 3399–3428 .
Boyes, H., Hallaq, B., Cunningham, J., Watson, T., 2018. El internet industrial de las cosas
(IIoT): un marco de análisis. Comput Ind. 101, 1–12 .
Chen, T., Tsai, HR, 2017. Fabricación ubicua: prácticas actuales, desafíos y
oportunidades Robot. Comput Manuf integrado. 45, 126-132 .
Chiarello, F., Trivelli, L., Bonaccorsi, A., Fantoni, G., 2018. Extracción y mapeo de
Tecnologías dustry 4.0 usando wikipedia. Comput Ind. 100, 244–257 .
Chien, CF, Kuo, RT, 2013. Más allá de hacer o comprar: capacidad a corto plazo entre compañías
respaldo en el ecosistema de la industria de semiconductores. Flexionar. Serv. Manuf. J. 25 (3), 310–342 .
CNI - Confederação Nacional da Indústria, 2016. Industria 4.0: un nuevo desafío para
Industria brasileña. Disponible en: https: //bucket-gw-cni-static-cms-si.s3.amazonaws. com / media / filer_public /
54/02 / 54021e9b-ed9e-4d87-a7e5-3b37399a9030 / challenge_for_industry_40_in_brazil.pdf , Fecha de acceso:
julio de 2018.
Cortimiglia, MN, Ghezzi, A., Frank, AG, 2016. Innovación y estrategia de modelo de negocio
nexus: evidencia de un estudio de métodos mixtos entre industrias. RD Manag. 46 (3), 414–432 .
D'Aveni, R., 2015. La revolución de la impresión en 3-D. Harv. Autobús. Rev. 93 (5), 40–48 .
Dalenogare, LS, Benitez, GB, Ayala, NF, Frank, AG, 2018. La contribución esperada
de las tecnologías Industry 4.0 para el rendimiento industrial. En t. J. Prod. Econ. 204, 383–394 .
de Sousa Jabbour, ABL, Jabbour, CJC, Foropon, C., Godinho Filho, M., 2018. Cuándo
los titanes se encuentran: ¿Puede la industria 4.0 revolucionar la ola de fabricación ambientalmente sostenible? El
papel de los factores críticos de éxito. Technol. Pronóstico. Soc. Cambio
132, 18-25 .
Du, G., Zhang, P., Mai, J., Li, Z., 2012. Seguimiento de mano basado en kinect sin marcador para robot
teleoperación En t. J. Adv. Robar. Syst. 9 (2), 36 .
El Kadiri, S., Grabot, B., Thoben, KD, Hribernik, K., Emmanouilidis, C., Von Cieminski,
G., Kiritsis, D., 2016. Tendencias actuales de las tecnologías TIC para sistemas de información empresarial. Comput
Ind. 79, 14–33 .
Elia, V., Gnoni, MG, Lanzilotto, A., 2016. Evaluación de la aplicación de aumento
dispositivos de realidad en la fabricación desde el punto de vista del proceso: un modelo basado en AHP. Syst experto Appl.
63, 187–197 .
Enrique, DV, Ayala, NF, Lima, MJDRF, Marodin, GA, Gzara, L., Frank, AG, 2018.
El uso de herramientas TIC para apoyar actividades de desarrollo colaborativo de productos: evidencias de la
industria brasileña. Producción 28 .
Comisión Europea, 2017. Monitor de transformación digital Industria 4.0 en agricultura:
Concéntrese en los aspectos de IoT. Julio de 2017. Disponible en: https://ec.europa.eu/growth/tools- bases de datos / dem /
monitor / sites / default / files / DTM_Agriculture% 204.0% 20IoT% 20v1. pdf , Fecha de acceso: julio de 2018.
Frank, AG, Cortimiglia, MN, Ribeiro, JLD, de Oliveira, LS, 2016. El efecto de
actividades de innovación sobre resultados de innovación en la industria brasileña: orientación al mercado versus estrategias
de adquisición de tecnología. Res. Pol. 45 (3), 577–592 .
Gawer, A., Cusumano, MA, 2014. Plataformas industriales e innovación en ecosistemas. J. Prod.
Innovar. Manag. 31 (3), 417–433 .
Gilchrist, A., 2016. Industria 4.0: Internet industrial de las cosas. Apress, Nueva York, pp.
245 .
Gorecky, D., Khamis, M., Mura, K., 2017. Introducción y establecimiento de virtual
formación en la fábrica del futuro. En t. J. Comput. Manuf integrado. 30 (1), 182–190 .
Guía, VDR, Ketokivi, M., 2015. Notas de los editores: redefiniendo algunos métodos
criterios gicos para la revista. J. Oper. Manag. 37, v – viii .
Guo, Z., Zhou, D., Chen, J., Geng, J., Lv, C., Zeng, S., 2018. Uso de la realidad virtual para apoyar
diseño de mantenibilidad del producto: sistema de verificación y evaluación de mantenibilidad inmersiva.
Comput Ind. 101, 41–50 .
25
Revista Internacional de Economía de la Producción 210 (2019) 15–26
Hair, JF, et al., 2009. Análisis de datos multivariados, séptima ed. Pearson Prentice Hall .
Ivanov, D., Dolgui, A., Sokolov, B., Werner, F., Ivanova, M., 2016. Un modelo dinámico y
Un algoritmo para la programación de la cadena de suministro a corto plazo en la industria de la fábrica inteligente 4.0. En t. J. Prod. Res.
54 (2), 386–402 .
Jeschke, S., Brecher, C., Meisen, T., Özdemir, D., Eschert, T., 2017. Internet industrial de
cosas y sistemas de fabricación cibernética. En: Internet industrial de las cosas. Springer, Cham, págs. 3–19 .
Kagermann, H., Wahlster, W., Helbig, J., 2013. Recomendaciones para implementar el
Iniciativa estratégica Industrie 4.0: asegurando el futuro de la industria manufacturera alemana. Informe
final del Grupo de Trabajo Industrie 4.0. Acatech, Forschungsunion .
Kamp, B., Ochoa, A., Díaz, J., 2017. Servitización inteligente en el contexto de la industria
relaciones usuario-proveedor: contingencias según fabricante de máquina herramienta. En t. J. Interact. Des.
Manuf. 11 (3), 651–663 .
Kortmann, S., Piller, F., 2016. Modelos de negocio abiertos y cadenas de valor de ciclo cerrado: re
definiendo la relación empresa-consumidor. Calif. Manag. Rev. 58 (3), 88-108 .
Lee, J., Bagheri, B., Kao, HA, 2015. Una arquitectura de sistemas ciberfísicos para la industria
Sistemas de fabricación basados ​en 4.0. Manuf. Letón. 3, 18–23 .
Lerch, C., Gotsch, M., 2015. Sistemas digitalizados de servicios y productos en empresas manufactureras: a
análisis de estudio de caso. Res. Technol. Manag. 58 (5), 45–52 .
Liao, Y., Deschamps, F., Loures, EDFR, Ramos, LFP, 2017. Pasado, presente y futuro de
Industria 4.0: una revisión sistemática de la literatura y una propuesta de agenda de investigación. En t. J. Prod. Res. 55 (12),
3609–3629 .
Lin, HW, Nagalingam, SV, Kuik, SS, Murata, T., 2012. Diseño de una decisión global
sistema de apoyo para una PYME de fabricación: hacia participar en la fabricación colaborativa. En t. J.
Prod. Econ. 136 (1), 1–12 .
Longo, F., Nicoletti, L., Padovano, A., 2017. Operadores inteligentes en la industria 4.0: un ser humano-
enfoque centrado para mejorar las capacidades y competencias de los operadores dentro del nuevo contexto de
fábrica inteligente. Comput Ind. Eng. 113, 144-159 .
Lu, Y., 2017. Industry 4.0: una encuesta sobre tecnologías, aplicaciones e investigación abierta es-
demanda. J. Indus. Inf. Integr. 6, 1–10 .
Lu, HP, Weng, CI, 2018. Tecnología de fabricación inteligente, análisis de madurez del mercado
y hoja de ruta tecnológica en la industria de fabricación de computadoras y productos electrónicos. Technol.
Pronóstico. Soc. Cambio 133, 85–94 .
Marodin, GA, Frank, AG, Tortorella, GL, Saurin, TA, 2016. Factores contextuales y
Implementación de producción ajustada en la cadena de suministro automotriz brasileña. Supply Chain Manag .:
Int. J. 21 (4), 417–432 .
Marodin, GA, Tortorella, GL, Frank, AG, Godinho Filho, M., 2017a. La moderación
Efecto de la gestión de la cadena de suministro Lean sobre el impacto de las prácticas de Lean en el taller sobre la calidad y el
inventario. Supply Chain Manag .: Int. J. 22 (6), 473–485 .
Marodin, GA, Frank, AG, Tortorella, GL, Fetterman, DC, 2017b. Producción ajustada y
Desempeño operacional en la cadena de suministro automotriz brasileña. Gestión de calidad total y
excelencia empresarial, págs. 1-16 .
Mell, P., Grance, T., 2011. La definición NIST de computación en la nube. Nat. Inst. Estar.
Technol. 53 (6), 50 2009 .
Milligan, GW, Cooper, MC, 1985. Un examen de los procedimientos para determinar
cantidad de clústeres en un conjunto de datos. Psychometrika 50 (2), 159-179 .
Mittal, S., Khan, MA, Romero, D., Wuest, T., 2018. Una revisión crítica del manual inteligente
Fabricación y modelos de madurez de la Industria 4.0: implicaciones para las pequeñas y medianas empresas
(PYME). J. Manuf. Syst. 49, 194–214 .
Montoya, MM, Massey, AP, Hung, YTC, Crisp, CB, 2009. ¿Puedes escucharme ahora?
Comunicación en equipos virtuales de desarrollo de productos. J. Prod. Innovar. Manag. 26 (2), 139-155 .
Mortensen, ST, Madsen, O., 2018. Una plataforma virtual de aprendizaje de puesta en marcha. Proc.
Manuf. 23, 93–98 .
Müller, JM, Buliga, O., Voigt, KI, 2018. Fortune favorece a los preparados: cómo las PYME
Enseñar innovaciones de modelo de negocio en la Industria 4.0. Technol. Pronóstico. Soc. Cambio
132, 2–17 .
Opresnik, D., Taisch, M., 2015. El valor de los grandes datos en la servitización. En t. J. Prod. Econ.
165, 174-184 .
Pfohl, HC, Yahsi, B., Kurnaz, T., 2017. Concepto y factores de difusión de la industria 4.0 en
la cadena de suministros. En: Dinámica en Logística. Springer, Cham, págs. 381–390 .
Podsakoff, PM, MacKenzie, SB, Lee, JY, Podsakoff, NP, 2003. Método común
sesgos en la investigación conductual: una revisión crítica de la literatura y los remedios recomendados. J. Appl.
Psychol 88 (5), 879 .
Porter, ME, Heppelmann, JE, 2014. Qué tan inteligentes están transformando los productos conectados
competencia. Harv. Autobús. Rev. 92 (11), 64–88 .
Porter, ME, Heppelmann, JE, 2015. Qué tan inteligentes están transformando los productos conectados
compañías. Harv. Autobús. Rev. 93 (10), 96–114 .
Raguseo, E., Gastaldi, L., Neirotti, P., 2016, diciembre. Trabajo inteligente: apoyo em-
flexibilidad de los empleados a través de las TIC, las prácticas de recursos humanos y el diseño de la oficina. En: HRM basado en la
evidencia: un foro global para la investigación empírica, vol. 4. Emerald Group Publishing Limited, págs. 240–256 núm. 3 .
Ross, SM, 2010. Estadísticas introductorias. Academic Press Books, Elsevier, Nueva York, EE. UU. .
Rymaszewska, A., Helo, P., Gunasekaran, A., 2017. Servitización de IoT con motor
Facturación: un estudio de caso exploratorio. En t. J. Prod. Econ. 192, 92-105 .
Schuh, G., Anderl, R., Gausemeier, J., ten Hompel, M., Wahlster, W., 2017. Industrie 4.0
índice de madurez. En: Gestión de la transformación digital de empresas (Estudio Acatech) Herbert Utz
Verlag, (Munich) .
Scurati, GW, Gattullo, M., Fiorentino, M., Ferrise, F., Bordegoni, M., Uva, AE, 2018.
Conversión de acciones de mantenimiento en símbolos estándar para aplicaciones de Realidad Aumentada en la
Industria 4.0. Comput Ind. 98, 68–79 .
Simchi-Levi, D., Kaminsky, P., Simchi-Levi, E., 2004. Gestión de la cadena de suministro:
Guía definitiva Tata McGraw-Hill Educación .
AG Frank y col.
Stock, T., Obenaus, M., Kunz, S., Kohl, H., 2018. Industria 4.0 como facilitador para un desarrollo sostenible
desarrollo: una evaluación cualitativa de su potencial ecológico y social. Proceso Saf. Reinar. Proteger. 118,
254–267 .
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018a. Pro digital de doble motor
Diseño, fabricación y servicio de ductos con big data. En t. J. Adv. Manuf. Technol. 94 (9-12), 3563-3576 .
Tao, F., Cheng, J., Qi, Q., Zhang, M., Zhang, H., Sui, F., 2018b. Pro digital de doble motor
Diseño, fabricación y servicio de ductos con big data. En t. J. Adv. Manuf. Technol. 94 (9-12), 3563-3576 .
Tao, F., Qi, Q., Liu, A., Kusiak, A., 2018c. Fabricación inteligente basada en datos. J. Manuf.
Syst. 48 (c), 157–169 .
Telukdarie, A., Buhulaiga, E., Bag, S., Gupta, S., Luo, Z., 2018. Industria 4.0 im-
plementación para multinacionales. Proceso Saf. Reinar. Proteger. 118, 316–329 .
Thoben, KD, Wiesner, S., Wuest, T., 2017. Industrie 4.0 ”y fabricación inteligente –a
revisión de temas de investigación y ejemplos de aplicación. En t. J. Autom. Technol. 11 (1) .
Turner, CJ, Hutabarat, W., Oyekan, J., Tiwari, A., 2016. Simulación de eventos discretos y
Uso de la realidad virtual en la industria: nuevas oportunidades y tendencias futuras. IEEE Trans. Mach humano.
Syst. 46 (6), 882–894 .
Wamba, SF, Akter, S., Edwards, A., Chopin, G., Gnanzou, D., 2015. ¿Cómo pueden 'grandes datos'
tener un gran impacto: los resultados de una revisión sistemática y un estudio de caso longitudinal. En t.
J. Prod. Econ. 165, 234–246 .
Wang, L., Törngren, M., Onori, M., 2015. Estado actual y avance del ciber-
Sistemas físicos en la fabricación. J. Manuf. Syst. 37, 517–527 .
Wang, S., Wan, J., Zhang, D., Li, D., Zhang, C., 2016a. Hacia una fábrica inteligente para la industria
4.0: un sistema multiagente autoorganizado con retroalimentación y coordinación basadas en big data.
Comput Red. 101, 158-168 .
Wang, S., Wan, J., Li, D., Zhang, C., 2016b. Implementación de la fábrica inteligente de Industrie 4.0:
un punto de vista. En t. J. Distribuido Sens. Netw. 12 (1), 3159805 .
Weller, C., Kleer, R., Piller, FT, 2015. Implicaciones económicas de la impresión 3D: mercado
Modelos de estructura a la luz de la fabricación aditiva revisitada. En t. J. Prod. Econ. 164, 43–56 .
Yin, Y., Stecke, KE, Li, D., 2018. La evolución de los sistemas de producción de la Industria 2.0
26
Revista Internacional de Economía de la Producción 210 (2019) 15–26
a través de la Industria 4.0. En t. J. Prod. Res. 56 (1–2), 848–861 .
Yu, C., Xu, X., Lu, Y., 2015. Fabricación integrada por computadora, sistemas ciberfísicos
y fabricación en la nube: conceptos y relaciones. Manuf. Letón. 6, 5–9 .
Zhong, RY, Xu, X., Klotz, E., Newman, ST, 2017. Fabricación inteligente en el
contexto de la industria 4.0: una revisión. Ingeniería 3 (5), 616–630 .
Zhou, W., Piramuthu, S., Chu, F., Chu, C., 2017. Almacenamiento flexible habilitado con RFID.
Decis. Soporte Syst. 98, 99-112 .
Alejandro Germán Frank, Ph.D. es Profesor Asociado de Organización Industrial en el Departamento de Ingeniería
Industrial de la Universidad Federal de Rio Grande do Sul (UFRGS) - Brasil, y el director del Grupo de Ingeniería
Organizacional (NEO - Núcleo de Engenharia Organizacional) también en UFRGS. Ha sido profesor visitante en el
Centro de Desempeño Industrial del Instituto de Tecnología de Massachusetts (EE. UU.) Y en el Observatorio de TIC
y Gestión del Politecnico di Milano (Italia). Sus principales intereses de investigación incluyen gestión estratégica y de
operaciones, organización industrial, desempeño industrial, servitización y desarrollo de nuevos productos.
Néstor Fabián Ayala, Ph.D. profesor asociado de ingeniería de servicios en la Universidad Federal de Rio Grande do
Sul (UFRGS) - Brasil, y codirector del Grupo de Ingeniería Organizacional (NEO - Núcleo de Engenharia
Organizacional) también en UFRGS. Ha sido profesor visitante en el Instituto Politécnico de Grenoble (Grenoble INP),
Francia. Sus principales intereses de investigación incluyen gestión estratégica y gestión de operaciones con enfoque
en servitización e Industria 4.0.
Lucas Dalenogare, es doctor candidato en el Instituto Politécnico de Grenoble (Grenoble INP), Francia. Es
investigador del laboratorio G-SCOP de la misma universidad y del Grupo de Ingeniería Organizacional (NEO) de la
Universidad Federal de Rio Grande do Sul (UFRGS). Tiene una licenciatura en Ingeniería Civil y una maestría en
Ingeniería Industrial, ambas de la UFRGS. Su investigación principal se refiere al uso de tecnologías avanzadas para
la Industria 4.0.