Este documento explora cómo la IA generativa puede mejorar la modelización y optimización de políticas de mantenimiento al incorporar técnicas de resolución de problemas en tiempo real en marcos de mantenimiento estructurados. Las políticas de mantenimiento, que evolucionan de estrategias de mantenimiento preventivo simples, dependientes del calendario o de la edad, a enfoques más complejos que implican el reemplazo parcial del sistema, reparaciones mínimas o mantenimiento imperfecto, han sido tradicionalmente optimizadas en función de minimizar costos, maximizar la fiabilidad y garantizar la continuidad operativa. En este trabajo, aprovechamos modelos de IA para simular y analizar la implementación y superposición de diferentes estrategias de mantenimiento en un activo industrial, incluyendo el uso combinado de diferentes acciones preventivas (reemplazo total y parcial) y acciones correctivas (reparación mínima y reparaciones normales), con resultados de mantenimiento perfectos o imperfectos. Integrando la IA generativa con políticas de mantenimiento bien establecidas y criterios de optimización, este documento intenta demostrar cómo las herramientas asistidas por IA pueden modelar escenarios de mantenimiento de manera dinámica, aprendiendo de estrategias predefinidas y mejorando la toma de decisiones en tiempo real. Se emplean simulaciones basadas en Python para validar el enfoque, mostrando los beneficios de utilizar IA para mejorar la flexibilidad y eficiencia de las políticas de mantenimiento. Los resultados destacan el potencial de la IA para revolucionar la optimización del mantenimiento, particularmente en sistemas de unidad única, y sientan las bases para futuros estudios en sistemas de múltiples unidades.