INTRODUCCIÓN

El término Industria 4.0 fue utilizado por primera vez en Alemania en el año 2011 dentro de su iniciativa “Plan de Acción Estrategia de Alta Tecnología 2020” como una oportunidad para lograr el liderazgo tecnológico y establecerse como líder de mercado y proveedor de la naciente Industria 4.0 y que se posicionara como un ícono dentro de la cuarta revolución industrial (Germany Trade & Invest, 2016). Antes de continuar es pertinente describir brevemente la historia para contextualizar, la primera revolución industrial se dio alrededor de 1890, se caracterizó por la mecanización de la industria y el uso de vapor como fuente de energía. La segunda revolución industrial sucedió alrededor de 1929 cuya característica principal fue la masificación de la producción y el uso como fuente de poder de la energía eléctrica. La tercera revolución inicia alrededor de 1970 de la mano de una mayor automatización de la producción, el uso de la electrónica y las tecnologías de la información (TI). Mientras que, la cuarta revolución industrial está basada en sistemas ciber-físicos. Estos últimos son dispositivos que están formados por una parte física y una parte virtual, mismos que pueden ser embebidos casi en cualquier cosa (Germany Trade & Invest, 2017).

Como en las anteriores revoluciones se espera que esta cuarta revolución represente ganancias en productividad y reducciones de costo (PwC, 2016; Ynzunza et al., 2017). Por ejemplo, un distintivo es la creación de la fábrica inteligente, caracterizadas por ser modular y estructurada, donde los sistemas ciber-físicos supervisan procesos físicos, crean una copia virtual del mundo físico y toman decisiones descentralizadas (Sung, 2018), es decir, la principal característica es el uso de TI en el contexto de la economía digital. Sin embargo, al ser un fenómeno relativamente incipiente, incierto y caótico desde los países en desarrollo como México es pertinente y relevante analizar ¿Cómo las empresas de manufactura se integrarán a esta nueva industria? ¿Cómo saber si están listas o no? Son solo algunas de las muchas interrogantes que deben ser reflexionadas como fundamento de la decisión acerca de lo que implica este cambio que conlleva un rompimiento de paradigmas.

Pero el contexto mexicano demanda muchos retos, según el Foro Económico Mundial a través del Informe Global de Tecnología de la Información 2016, en particular el Índice NRI (Networked Readiness Index) ilustra los países líderes de la cuarta revolución industrial, México se ubica en la posición 76 de 139, por debajo de seis países latinoamericanos encabezados por Chile.

En tal sentido, las empresas mexicanas tienen problemas para, por un lado, captar la idea general de Industria 4.0 y conceptos particulares y por otro tienen capacidad limitada para relacionarla a sus dominios y su estrategia de negocios particular. También tienen problemas para determinar el estado de desarrollo con respecto a la visión de Industria 4.0 y por lo tanto fallan en identificar acciones, programas y proyectos concretos. Para superar estos problemas se requieren nuevos métodos y herramientas para proveer guía y soporte que permita alinear la estrategia de negocios y la de operaciones (Schumacher, Erol & Sihn, 2016). En las etapas iniciales de la transformación de los negocios, es cuando el uso de los modelos de madurez es más útil, ya que permiten identificar las áreas donde se pueden hacer cambios (Cimini, Pinto & Cavalieri, 2017).

El tema Industria 4.0 en general, y la medición del grado de madurez y/o preparación en particular son temas recientes y que han sido estudiados principalmente en Europa. En tal sentido el presente documento tiene como objetivo hacer una revisión de la literatura de los modelos de evaluación del grado de preparación y/o madurez para proporcionar un punto de partida que facilite realizar investigaciones del tema trasladando lo aprendido a México en particular y a Latinoamérica en general.

Definiciones

Industria 4.0. Académicos, profesionistas, universidades y empresas de todo el mundo vienen estudiado el tema Industria 4.0. Constructo que viene evolucionando, en cuya definición se distingue la presencia de tecnología. En la tabla 1 se presentan algunas proposiciones al respecto.

La definición de trabajo de Industria 4.0 para este documento: es la utilización de nuevas tecnologías: sistemas ciber-físicos, Internet de la cosas e Internet de los servicios, etc., en el diseño, manufactura y comercialización de los productos, utilizando nuevos modelos de negocios que consideren la nueva dinámica entre dichas tecnologías y los empleados, así como entre las empresas, los proveedores y clientes.

En general, Industria 4.0 y cuarta revolución industrial son dos constructos que han sido comparados y utilizados indistintamente, para Yang et al. (2018), la industria 4.0 se refiere a la cuarta etapa de la industrialización, que apunta a un alto nivel de automatización en la industria de fabricación mediante la adopción de TI omnipresentes, donde los límites entre el entorno virtual y el mundo real se difuminan cada vez más, lo que se denomina sistemas de producción ciberfísica (CPPS). En términos simples, en los CPPS, los componentes electrónicos y mecánicos se conectan a través de sensores en una red, que proporciona una plataforma inteligente para el flujo de datos y el análisis de datos. Sin embargo, Sung (2018) puntualiza que la cuarta revolución industrial se refiere a una transformación sistémica que incluye un impacto en la sociedad civil, las estructuras de gobierno y la identidad humana, además de las ramificaciones económicas y de fabricación.

Feng, Zhang, & Zhou (2018) argumentan que los países de todo el mundo han lanzado políticas para aumentar la inversión a favor de promover la fabricación inteligente, se esfuerzan por lograr la transformación y la modernización de sus industrias manufactureras, México como un país manufacturero (maquilador), no es la excepción. Es importante destacar que las empresas tienden a centrarse en el aspecto tecnológico de la Industria 4.0 para alcanzar ventajas de mercado a corto plazo. Empero, la Industria 4.0 cambiará toda la cadena de valor interna de una empresa, desde el diseño, la fabricación, la operación y el servicio de los productos y sistemas de producción (Ganzarain & Errasti, 2016).

Madurez y/o nivel de preparación. El término "madurez" normalmente se refiere a estar en estado completo, estar perfecto o listo, también puede implicar un progreso en el desarrollo de un sistema (Schumacher et al., 2016). Los modelos de madurez son muy importantes para el nivel organizacional y pueden ser utilizados para crear una hoja de ruta para mejoras (Tonelli et al., 2016). Los modelos de madurez han sido desarrollados para asistir a las empresas a identificar maneras de reducir costos, de mejorar la calidad y a reducir el tiempo de comercialización de manera que puedan obtener y conservar una ventaja competitiva (De Bruin et al., 2005; Goncalves & Waterson, 2018).

Para la medición de la madurez existen tres tipos de modelos de acuerdo con su propósito: descriptivo, prescriptivo y comparativo (De Carolis et al., 2017; Klötzer & Pflaum, 2017). Aunque parecen tres modelos distintos, son fases evolutivas del ciclo de vida de un modelo (De Carolis et al., 2017). Considerados como sinónimos están los modelos de preparación que permiten capturar el punto de partida y permitir la iniciación del proceso de desarrollo. La diferencia entre la preparación y la madurez está en que la evaluación de la primera se lleva a cabo antes de iniciar el proceso de maduración, mientras que la evaluación de la segunda se hace para obtener el estado instantáneo durante el proceso de maduración (Schumacher et al., 2016).

La definición de trabajo de madurez para este documento: es el grado de preparación o implementación de elementos de Industria 4.0 en un momento dado con respecto a una lista completa de elementos de Industria 4.0.

MATERIALES y MÉTODOS

Para la revisión de la literatura, primero se establecieron los objetivos, el alcance y el método para la selección y síntesis de datos. Como segundo paso se realizó la búsqueda sistemática de artículos en las bases de datos de referencia. Los artículos de investigación son una fuente importante de información ya que son puntuales y breves, y los artículos de revisión presentan un avance de lo que se ha investigado de un tema en particular (Chicaíza & García, 2011).

Las bases de datos utilizadas fueron en el área de las ciencias computacionales: ACM (Association for Computing Machinery); multidisciplinaria y económica-administrativas: EBSCO, Science Direct; de ingeniería eléctrica y electrónica: IEEE; interdisciplinarias y de referencia: Web of Science, Springer, Google Académico y Researchgate. Los términos de búsqueda fueron los siguientes: Industry 4.0 maturity; Industry 4.0 readiness; Industry 4.0 AND maturity; Industry 4.0 AND readiness; Industry 4.0 implementation; e Industry 4.0 AND implementation. Se buscó en: el título; resumen (abstract); palabras claves: y en el texto completo. Se incluyeron todos los años y todos los idiomas.

Los criterios de selección utilizados fueron: que incluyera un modelo de madurez, de evaluación de la preparación en la Industria 4.0 o sus tecnologías, o de implementación de Industria 4.0 o sus tecnologías. Se usaron artículos científicos y presentaciones de conferencias. Criterios de exclusión: que solo mencionara los criterios de búsqueda sin incluir los mismos, que no estuviera disponible. El tercer paso fue revisar los resúmenes para descartar aquellos que no fueran relevantes para el estudio.

En una primera instancia se encontraron 162 artículos con los términos de búsqueda, después de revisar el resumen, el número de artículos a considerar fue de 51, mismos documentos que fueron revisados, al final el número de artículos que cumplieron con los criterios de inclusión fueron 16. Las razones por no considerar los otros 35 artículos fueron: no presentaba un modelo específico, solo presentaba preguntas de investigación, los términos de búsqueda estaban solo en las referencias, solo se presentaba un marco de referencia, el proceso de madurez se presentaba para una función específica, o resultados de encuesta solamente sin descripción de dimensiones evaluadas. El proceso detallado de selección se presenta en la figura 1.

Los datos de los artículos se vaciaron en una hoja de cálculo donde se incluyó: autores, año de publicación, título del artículo, fuente donde se encontró, palabras claves, tipo de artículo, forma apropiada de citación, información DOI o dirección web del artículo si era necesaria, país de los autores o estudio. De esta matriz de información, se extrajeron datos pertinentes, y después de la lectura detallada se agregaron las dimensiones y fases específicas del modelo para preparar la tabla 2 que muestra los artículos de esta revisión de literatura.

RESULTADOS

Los modelos publicados hasta ahora son diversos, con base en las variables que incluyen y al espacio de aplicación. Por ejemplo, modelos de madurez con dimensiones y niveles: Gökalp et al., Kermer-Meyer, Schagerl et al.; Modelos de madurez con dimensiones y niveles con aplicación específica: De Carolis et al., Klötzer & Pflaum, Schumacher et al., en industria manufacturera; Leyh et al., orientado a TI; Reder & Klünder, aplicado a redes de cadenas de suministros; Pérez-Lara et al., orientado a modelo de negocios; Gracel & Lebkowsky, orientado a tecnologías de manufactura; Jæger & Halse, a IoT.

También se encontraron modelos de preparación con dimensiones y niveles: Kopp & Basl, y Roko; Modelos de transformación a Industria 4.0: Erol, Schumacher & Sihn. Modelos de transformación y madurez a Industria 4.0: Ganzarain & Errasti. Con dimensiones aplicado a una tecnología específica: Soldatos et al., aplicado a IoT. En la tabla 3 se puede observar un resumen de esta información.

De los 16 artículos seleccionados para análisis, nueve se publicaron en 2017 y siete en 2016, estudios contemporáneos como muestra de tratarse de un tema novedoso y de interés global. Asimismo, la mayoría de los artículos están publicados en inglés, aunque también hay artículos en otros idiomas como polaco, alemán y español. Los países de procedencia de los autores y/o estudios fueron: Italia, Turquía, Polonia, Noruega, Alemania (5), República Checa, Austria (3), España, México, así como multipaís (Grecia, Italia, Portugal).

DISCUSIÓN

Dentro de la revisión bibliográfica no se encontraron otros estudios de revisión de literatura de modelos de madurez o preparación en la Industria 4.0, pero se puede contrastar este análisis con los estudios en los cuales se revisaron otros modelos de madurez.

Gökalp et al. (2017), revisaron siete modelos los cuales consideraron incompletos y no los usaron para la construcción de su modelo ya que buscaban uno que fuera aplicable de manera general y consideraron que los elaborados hasta ese momento no proveían esa perspectiva. El modelo que desarrollaron está orientado a suministrar una guía completa que permita a las organizaciones observar sus debilidades y áreas problemáticas, así como la aplicación de prácticas que permitan la transformación a Industria 4.0 de forma consistente. El modelo lo construyeron basándose en el modelo SPICE (Software Process Improvement and Capability dEtermination, mejora de procesos de software y determinación de capacidad).

Gracel & Lebkowsky (2017), por su parte revisaron diez modelos previos de madurez, pero no encontraron ninguno para su objeto de estudio (tecnologías de manufactura). El modelo lo desarrollaron para ayudar a la alta gerencia a evaluar el nivel actual de avance tecnológico de la fábrica y como las tecnologías de manufactura deben de ser desplegadas para asegurar la ejecución efectiva de una nueva estrategia de Industria 4.0. Para el desarrollo de su modelo utilizaron la metodología propuesta por Becker, Knackstedt & Pöppelbuß (2009), la cual comprende las siguientes etapas: definición del problema, comparación de modelos de madurez existentes, determinación de una estrategia de desarrollo, desarrollo iterativo del modelo de madurez, concepción de la transferencia y evaluación.

El modelo de Schumacher et al. (2016), fue desarrollado con un doble propósito: científico y práctico. El primero fue para obtener datos sólidos del estado de las empresas y de las estrategias para la Industria 4.0 y también para extraer factores de éxito potenciales. El propósito práctico fue permitir a las empresas evaluar su madurez en relación a Industria 4.0 y reflexionar, basados en esa evaluación, en la adecuación de sus estrategias actuales. Para el desarrollo del modelo de madurez se enfocaron en cinco modelos y herramientas para evaluar la preparación o la madurez. El objetivo del modelo presentado fue realizar una extensión de modelos existentes a través de un enfoque en aspectos organizacionales. Adicionalmente buscaron transformar los conceptos que consideraron abstractos de manufactura inteligente en elementos que pudieran ser medidos en ambientes reales de producción.

Así que, para la construcción de modelos de madurez, los estudios revisados se basaron en diferentes modelos o metodologías. En el caso de Gökalp et al. (2017), en SPICE, Gracel & Lebkowsky (2017) en la metodología propuesta por Becker et al. (2009), mientras que Schumacher et al. (2016), buscaron expandir los modelos desarrollados hasta ese momento. La primera diferencia en el resultado se puede ver en las dimensiones de evaluación. Mientras que Gökalp et al. (2017), manejan cinco: gestión de activos; control de datos; gestión de aplicaciones; alineación organizacional y transformación de proceso; Gracel & Lebkowsky (2017) determinaron ocho: tecnologías esenciales; gente y cultura; gestión del conocimiento; integración en tiempo real; infraestructura; alineación y conciencia estratégica; excelencia de proceso; y ciber-seguridad. Schumacher et al. (2016), usaron nueve: productos; clientes; operaciones; tecnología; estrategia; liderazgo; sistema de gobierno; cultura; y gente.

Otra diferencia, aunque no necesariamente pudo ser debida solo al enfoque usado, es en los niveles de madurez. El modelo de Gökalp et al. (2017), tiene seis niveles: incompleto; realizado; gestionado; establecido; predecible; y optimizado. El modelo de Gracel & Lebkowsky (2017) tiene 5, sin asignar un nombre para cada nivel. Y el modelo de Schumacher et al. (2016), también tiene cinco e igual sin asignar nombre para los niveles. En general los otros modelos usaron cuatro, cinco, seis y ocho, siendo el más usado cinco niveles. En el caso de este estudio se propone un modelo preliminar partiendo de los modelos ya desarrollados, los niveles a usar, serían cinco, ya que es el número que parece es el más adecuado de acuerdo con la bibliografía analizada. Este modelo se puede mejorar y enriquecer por medio de más estudios, especialmente del tipo empírico.

En la figura 2 se muestra un modelo que puede permitir a las empresas de cualquier orientación insertarse en las nuevas cadenas de valor, mientras que la figura 3 exhibe las etapas de la construcción de un modelo de madurez para ser aplicado en Industria 4.0.

De forma preliminar con base en la revisión de literatura y expandiendo el modelo de Schumacher et al. (2016), se propone en la Tabla 4, la lista de verificación aplicable a cualquier tipo de empresa con el objetivo de evaluar su grado de preparación para incorporase a la Industria 4.0.

Las definiciones de Industria 4.0 y madurez en el contexto de Industria 4.0, junto con estos tres elementos: modelo de transición, etapas del modelo de madurez y lista de verificación, constituyen la aportación de este estudio, construidas con base en el conocimiento previo y abierto a mejoras y refinamiento posterior.

CONCLUSIONES

Es evidente por los modelos revisados que no hay hasta ahora un modelo que sea ampliamente aceptado y cada autor lo personaliza de acuerdo a su formación e intereses. Por otro lado, esta disparidad en enfoques también puede ser resultado del contexto donde se aplicó el estudio o el país de procedencia de los autores.

En consecuencia, se plantea que un modelo único no pudiera ser representativo para todas las industrias y todos los países; por un lado, las industrias tienen una gran variedad de procesos diferentes que hace que unas dimensiones sean útiles en algunas industrias, pero en otras no. Y por el lado de los países, tampoco hay homogeneidad ni siquiera entre países con el mismo nivel de desarrollo económico. Así mismo, siendo la Industria 4.0 un tema novedoso, esto también influye en esta gran disparidad de enfoques y aproximaciones.

Este nuevo escenario representa una oportunidad de investigación, ya que como se comprobó no existe un modelo que sea representativo, y por lo tanto se puede seguir investigando para el desarrollo de un modelo específico a una región e industria. Dado que la Industria 4.0 representa el nuevo escenario de competencia. La industria en general cada día innova vía la digitalización, la sustitución o incorporación a sus productos de componentes inteligentes, ello implica que integrarse a esta nueva industria no es una elección, es imprescindible, de lo contrario su mercado se limita cada día más por encontrarse en etapa de declive a un paso de perecer.

Respecto a cómo saber si las empresas se encuentran listas para incursionar en las cadenas de valor que se gestan bajo este nuevo paradigma del internet de las cosas, es necesario realizar un diagnóstico, en tal sentido este estudio pretender ser una guía. Aunque es preciso enfatizar que se trata de un escenario reciente y en construcción, que se alimenta con cada innovación, y que evoluciona hacia la digitalización aprovechando las TI y el poder de análisis del big data, entre otros avances.

Es relevante señalar la importancia de que las empresas latinoamericanas empiecen a desarrollar estrategias para su incorporación a la cuarta revolución, ya que si bien es cierto que ahora solo hay estimaciones de los beneficios que esta incorporación traerá, lo cierto es que es un cambio de paradigma y que al igual que la calidad de los productos no dan a las empresas una ventaja competitiva, lo mismo sucederá con la Industria 4.0. Sin embargo, la falta de calidad o la no incorporación a la cuarta revolución, hará que la empresa pierda competitividad y eventualmente enfrente problemas de solvencia.

Si se examina el modelo de efectividad de manufactura de cuatro etapas de Hayes & Wheelwright (E1: corregir los peores problemas, E2: adoptar la mejor práctica, E3: ligar estrategia con operaciones, y E4: dar una ventaja a operaciones), pero en reversa de la etapa 4 a la etapa 1 se puede ver las consecuencias de no adoptar la Industria 4.0. Las empresas dominantes en este momento no definirán las expectativas de la industria, ni tampoco serán las mejores de la industria. Solo serán tan buenos como otros competidores que tampoco adoptaron la Industria 4.0 (Davies, Coole, & Smith, 2017).

REFERENCIAS

Becker, J.; Knackstedt, R. & Pöppelbuß, J. (2009). Developing maturity models for IT management. A Procedure Model and its Application. Business & Information Systems Engineering, 1(3), 213-222. DOI:

Chicaíza, L. & García, M. (2011). Guía de fuentes para la investigación en ciencias económicas. Universidad Nacional de Colombia. Recuperado de http://www.bdigital.unal.edu.co/3228/1/docgarcia_fce_ee_22.pdf

Cimini, C., Pinto, R. & Cavalieri, S. (2017). The business transformation towards smart manufacturing: a literature overview about reference models and research agenda. IFAC-PapersOnLine, 50(1), 14952-14957. DOI: https://doi.org/10.1016/j.ifacol.2017.08.2548

Davies, R., Coole, T. y Smith, A. (2017). Review of Socio-technical Considerations to Ensure Successful Implementation of Industry 4.0. Procedia Manufacturing, 11. 1288-1295. DOI: https://doi.org/10.1016/j.promfg.2017.07.256

De Bruin, T.; Freeze, R.; Kaulkarni, U. & Rosemann, M. (2005). Understanding the main phases of developing a maturity assessment model. ACIS 2005 Proceedings. 109. Recuperado de http://aisel.aisnet.org/acis2005/109

De Carolis A., Macchi M., Negri E. & Terzi S. (2017). A Maturity Model for Assessing the Digital Readiness of Manufacturing Companies. In: Lödding H., Riedel R., Thoben KD., von Cieminski G., Kiritsis D. (eds) Advances in Production Management Systems. The Path to Intelligent, Collaborative and Sustainable Manufacturing. APMS 2017. IFIP Advances in Information and Communication Technology, 513, 13-20. Springer, Cham. DOI: https://doi.org/10.1007/978-3-319-66923-6_2

Erol, S., Schumacher, A. & Sihn, W. (2016). Strategic guidance towards Industry 4.0–a three-stage process model. Conference: International Conference on Competitive Manufacturing 2016 (COMA'16), 495-500. Stellenbosch, South Africa. Recuperado de https://www.researchgate.net/profile/Selim_Erol/publication/286937652_Strategic_guidance_towards_Industry_40_-_a_three-stage_process_model/links/5671898308ae90f7843f2d27/Strategic-guidance-towards-Industry-40-a-three-stage-process-model.pdf

Feng, L., Zhang, X. & Zhou, K. (2018). Current problems in China’s manufacturing and countermeasures for industry 4.0. Eurasip Journal on Wireless Communications and Networking, 90(1), 1-6. DOI: https://doi.org/10.1186/s13638-018-1113-6

Ganzarain, J. & Errasti, N. (2016). Three stage maturity model in SME's toward industry 4.0. Journal of Industrial Engineering and Management, 9(5), 1119-1128. DOI: https://doi.org/10.3926/jiem.2073

Germany Trade & Invest. (2017). Industrie 4.0 – What Is It?. Recuperado de https://industrie4.0.gtai.de/INDUSTRIE40/Navigation/EN/Topics/Industrie-40/what-is-it.html?view=renderPrint

Germany Trade & Invest. (2016). INDUSTRIE 4.0 - Smart Manufacturing for the Future. Recuperado de https://www.gtai.de/GTAI/Navigation/EN/Invest/Service/Publications/business-information,t=industrie-40--smart-manufacturing-for-the-future,did=917080.html

Gökalp, E.; Şener, U. & Eren, P. E. (2017, October). Development of an Assessment Model for Industry 4.0: Industry 4.0-MM. International Conference on Software Process Improvement and Capability Determination. 128-142. Springer, Cham.

Goncalves, F. A. & Waterson, P. (2018). Maturity models and safety culture: A critical review. Safety Science, 105, 192-211. DOI: https://doi.org/10.1016/j.ssci.2018.02.017

Gracel, J. & Lebkowsky, P. (2017). The Concept of Industry 4.0 Related Manufacturing Technology Maturity Model (Manutech Maturity Model, Mtmm). Recuperado de https://www.researchgate.net/publication/320830841_The_concept_of_Industry_40_related_manufacturing_technology_maturity_model_ManuTech_Maturity_Model_MTMM

Hermann, M., Pentek, T., & Otto, B. (2016, Enero). Design principles for industrie 4.0 scenarios. In System Sciences (HICSS), 2016 49th Hawaii International Conference on. 3928-3937. Recuperado de http://www.snom.mb.tu-dortmund.de/cms/de/forschung/Arbeitsberichte/Design-Principles-for-Industrie-4_0-Scenarios.pdf

Jæger, B., & Halse, L. L. (2017, September). The IoT Technological Maturity Assessment Scorecard: A Case Study of Norwegian Manufacturing Companies. In IFIP International Conference on Advances in Production Management Systems. 143-150. DOI: https://doi.org/10.1007/978-3-319-66923-6_17

Kagermann, H.; Wahlster, W. & Helbig, J. (2013). Securing the future of German manufacturing industry. Recomendations for implementing the strategic initiative Industrie 4.0. Frankfurt: Acatech-National Academy of Science and Engineering. Recuperado de https://www.din.de/blob/76902/e8cac883f42bf28536e7e8165993f1fd/recommendations-for-implementing-industry-4-0-data.pdf

Kermer-Meyer A. (2017). Industry 4.0 Maturity Assessment. Conference: Hannover Messe 2017, At Hannover, Germany. 1-9. Recuperado de https://www.researchgate.net/publication/317720108_Industry_40_Maturity_Assessment

Klötzer, C., & Pflaum, A. (2017). Toward the development of a maturity model for digitalization within the manufacturing industry’s supply chain. Recuperado de http://hl-128-171-57-22.library.manoa.hawaii.edu/bitstream/10125/41669/1/paper0520.pdf

Kopp, J. & Basl, J. (2017). Study of the Readiness of Czech Companies to the Industry 4.0. Journal of Systems Integration, 8(3), 40-45. DOI: https://doi.org/10.20470/jsi.v8i2.313

Leyh, C., Bley, K., Schäffer, T., & Forstenhäusler, S. (2016, September). SIMMI 4.0-a maturity model for classifying the enterprise-wide it and software landscape focusing on Industry 4.0. In Computer Science and Information Systems (FedCSIS), Proceedings of the Federated Conference on Computer Science and Information Systems. ACSIS, 81, 297-1302. IEEE. DOI: https://doi.org/10.15439/2016F478

Pérez-Lara, M., Saucedo-Martínez, J. A., Salais-Fierro, T. E. & Marmolejo-Saucedo, J. A. Caracterización de modelo de negocio en el marco de industria 4.0. Recuperado de https://www.researchgate.net/profile/Magdiel_Perez-Lara/publication/320336233_Caracterizacion_de_modelo_de_negocio_en_el_marco_de_industria_40/links/59de8c68a6fdcca0d3204d75/Caracterizacion-de-modelo-de-negocio-en-el-marco-de-industria-40.pdf

PwC (2016). Global Industry 4.0 Survey: Industry 4.0: Building the digital enterprise. Recuperado de https://www.pwc.com/gx/en/industries/industries-4.0/landing-page/industry-4.0-building-your-digital-enterprise-april-2016.pdf

Reder, L., & Klünder, T. (2017). Application of SCOR flexibility metrics to assess the Industry 4.0-Readiness of Supply Chain Networks: an empirical study. Recuperado de http://www.prowi.rub.de/mam/images/2016/arbeitsbericht_nr._16_september_2017_reder_kluender.pdf

Rojko, A. (2017). Industry 4.0 Concept: Background and Overview. International Journal of Interactive Mobile Technologies (iJIM), 11 (5), 77-90. DOI: https://doi.org/10.3991/ijim.v11i5.7072

Soldatos, J.; Gusmeroli, S.; Malo, P. & Di Orio, G. (2016). Internet of Things Applications in Future Manufacturing. Digitising Industry-Internet of Things Connecting the Physical, Digital and Virtual Worlds. 153-183. Recuperado de https://www.researchgate.net/profile/Giovanni_Di_Orio/publication/305033020_Internet_of_Things_Applications_in_Future_Manufacturing/links/577f776608ae01f736e45913/Internet-of-Things-Applications-in-Future-Manufacturing.pdf

Schagerl, M. (2016) Reifegradmodell Industrie 4.0. 49-52. Recuperado de http://www.mechatronik-luster.at/fileadmin/user_upload/Cluster/MC/Pressetexte/biz-up_reifegradmodell_i40.pdf

Schumacher, A.; Erol, S. & Sihn, W. (2016). A Maturity Model for Assessing Industry 4.0 Readiness and Maturity of Manufacturing Enterprises. Procedia CIRP, 52 (The Sixth International Conference on Changeable, Agile, Reconfigurable and Virtual Production (CARV2016), 161-166. DOI: https://doi.org/10.1016/j.procir.2016.07.040

Sung, T. (2018). Industry 4.0: A Korea perspective. Technological Forecasting & Social Change, 132, 40-45. DOI: https://doi.org/10.1016/j.techfore.2017.11.005

Tonelli, F., Demartini, M., Loleo, A. & Testa, C. (2016). A novel methodology for manufacturing firms value modeling and mapping to improve operational performance in the industry 4.0 Era. Procedia CIRP, 57, 122-127. DOI: https://doi.org/10.1016/j.procir.2016.11.022

Yang, S., Raghavendra, M., Kaminski, J., Pepin, H. (2018). Opportunities for industry 4.0 to support remanufacturing. Applied Sciences. 8(7), 1177. DOI: https://doi.org/10.3390/app8071177

Ynzunza, C.; Izar, J.; Bocarando, J.; Aguilar, F. & Larios, M. (2017). El Entorno de la Industria 4.0: Implicaciones y Perspectivas Futuras. Conciencia Tecnológica, 54. Recuperado de http://www.redalyc.org/jatsRepo/944/94454631006/94454631006.pdf

World Economic Forum (2016). Global Information Technology Report. Recuperado de http://reports.weforum.org/global-information-technology-report-2016/