Golden batch multi-producto: cada referencia tiene su lote perfecto — y hoy vive en la cabeza del operador veterano.

El problema

La receta está escrita. El lote bueno, no.

En cualquier planta de proceso hay un procedimiento aprobado por referencia: rangos de temperatura, tiempos mínimos y máximos por etapa, tolerancias de dosificación. Ese documento define la ventana permitida. Lo que no define es el camino óptimo dentro de esa ventana — y ahí es donde se juega el margen.

Dos lotes de la misma referencia pueden cumplir el procedimiento entero y salir muy distintos: uno con el rendimiento arriba y sin reproceso, otro justo en el filo de la especificación. La diferencia está en detalles que el procedimiento no recoge: a qué ritmo se subió la temperatura, cuánto se esperó antes de dosificar, con qué margen se cerró la etapa. Detalles que un operador con años en la sala hace por oficio y que, preguntado, resume en «se le nota cuando está a punto».

De ahí salen cuatro problemas que la operación paga cada semana:

1. El conocimiento no es transferible — el turno de mañana saca un producto y el de noche saca otro ligeramente distinto, con la misma receta y la misma máquina. No es falta de rigor: es que el patrón bueno no está escrito en ningún sitio.
2. El cambio de producto es una zona ciega — la limpieza, la purga y la estabilización hasta que la referencia nueva sale en especificación generan un scrap que casi nunca se imputa a nadie y que varía enormemente según quién esté en la sala.
3. No hay contra qué comparar en tiempo real — el sistema de control avisa si te sales de los límites duros, pero no si te estás apartando del camino que dio los mejores lotes. Cuando el límite duro salta, la corrección ya es cara.
4. El análisis llega en diferido — el lote fuera de especificación se investiga días después, con datos que hay que reconstruir de tres sistemas distintos, y la conclusión suele ser «se desvió en algún punto de la etapa 3». Sin la curva del lote bueno al lado, eso es una autopsia, no una corrección.

La planta multi-producto multiplica todo esto por el número de referencias. Con catorce productos pasando por el mismo reactor no hay un golden batch: hay catorce, y cada uno con su propia firma de curvas. El objetivo no es escribir mejor el procedimiento. Es hacer explícito, medible y comparable el lote que ya salió bien.

Cómo encaja con el sistema IRIS

iLEAN no inventa la receta buena — la extrae de tus propios lotes y la pone delante del operador.

El golden batch es, en el fondo, trabajo estándar aplicado a un proceso continuo: encontrar el mejor método conocido, hacerlo visible y usarlo como base de la mejora siguiente. Lo que hasta ahora impedía aplicarlo en planta multi-producto era puramente práctico — nadie tiene tiempo de reconstruir a mano las curvas de los mejores lotes de catorce referencias. Eso es exactamente lo que un agente hace sin cansarse. Connect es la masilla que rellena las grietas entre el historian, el SCADA, la orden de fabricación y el resultado del laboratorio.

El operador nuevo deja de preguntarse si va bien. Tiene delante la curva del mejor lote de esa referencia y ve, etapa a etapa, si va por encima o por debajo. La experiencia del veterano deja de ser un activo frágil.

Las piezas iLEAN aplicadas al golden batch multi-producto:

• Edge — captura en línea las variables que no están instrumentadas o cuyo dato no llega al histórico: aspecto del producto por visión, lecturas de un panel antiguo, estado real de la etapa. Dato crudo en milisegundos. Funciona sin red.
• Connect — une el historian, el SCADA, la orden de fabricación del MES, el resultado del laboratorio y la hoja del jefe de turno en una sola línea de tiempo por lote. Sin esta unificación no hay golden batch posible: las curvas están, pero no casan entre sí.
• Agents — el cerebro. Puntúan los lotes históricos de cada referencia con tus criterios, aíslan el grupo de los mejores, extraen el perfil patrón con su banda de dispersión etapa por etapa, cargan el patrón correcto al arrancar cada lote y comparan en continuo. Cuando la separación deja de ser ruido y se vuelve tendencia, avisan.
• Memoria central — cada lote terminado entra en el histórico y reajusta el patrón. Si un turno encuentra una forma mejor de sacar una referencia, esa forma se convierte en el nuevo patrón para todos los turnos, no en una anécdota de pasillo.
• Tres anillos de seguridad — ninguna propuesta actúa sobre el proceso. El patrón lo aprueba el responsable de proceso; la corrección la firma el operador. El sistema propone, la persona decide.

El golden batch se apoya en las mismas capas que otras dos soluciones de esta familia, y conviene verlas juntas: el SPC en tiempo real con IA aporta el control estadístico vivo sobre las variables críticas del lote —cartas, capacidad, reglas de deriva—, y la calidad predictiva con IA traduce la desviación detectada en una predicción del resultado final del lote antes de que termine. Golden batch responde a «¿voy por el camino bueno de esta referencia?»; el SPC responde a «¿está la variable bajo control?»; la calidad predictiva responde a «¿cómo va a salir esto?». Se implantan por separado y se refuerzan cuando conviven.

Ver la arquitectura IRIS completa →

Antes y después

Procedimiento escrito + criterio del veterano vs. golden batch por referencia con iLEAN

Aspecto	Hoy: procedimiento + experiencia	Con golden batch iLEAN
Referencia de comparación	La ventana del procedimiento (límites duros)	El perfil de los mejores lotes reales de esa referencia
Multi-producto	Un criterio general para toda la línea	Un patrón por referencia, cargado automáticamente al arrancar el lote
Cambio de producto	Depende de quién esté en la sala; scrap variable	Secuencia patrón de limpieza, purga y estabilización con duración esperable
Detección de deriva	Cuando salta el límite duro o cuando alguien lo nota	En cuanto la curva se separa de la banda del patrón y la separación es tendencia
Aviso	Verbal, dentro de la sala	Al terminal del operador y al canal del responsable de turno, con el gráfico y la etapa
Análisis del lote fuera de especificación	Días después, reconstruyendo datos de tres sistemas	Inmediato, con la curva del lote patrón superpuesta
Conocimiento del veterano	Se va con la persona	Queda en la memoria central y se hereda entre turnos
Mejora del patrón	Ocasional, por proyecto	Continua: cada lote bueno reajusta el patrón

Estimación de impacto

Estimación de impacto para tu planta — a validar con tus números.

El siguiente bloque es una estimación a validar con los datos concretos de tu planta. Lo planteamos para que el comité tenga un orden de magnitud; lo refinamos en el diagnóstico.

• Planta de proceso con varias referencias en la misma línea o el mismo reactor, tres turnos y cambios de producto recurrentes. Histórico disponible, aunque esté repartido entre sistemas.
• Piloto Edge + Agents sobre una línea: extracción del patrón de las referencias de mayor volumen, comparación en tiempo real y avisos al terminal. Primer patrón utilizable en pocas semanas si hay histórico; primer valor en el arranque siguiente.
• Payback orientativo entre 5 y 10 meses, por dos palancas principales: menos lotes fuera de especificación (menos reproceso, menos desclasificación a segunda calidad) y menos scrap en los cambios de producto (arranques más cortos y más repetibles).
• Palancas secundarias que suelen aparecer en el diagnóstico: reducción de la variabilidad entre turnos, menor consumo de energía y materia auxiliar en las etapas largas, y curva de aprendizaje del operador nuevo notablemente más corta.

Y la duda razonable del responsable de proceso

«¿Y si el sistema me marca una deriva que no existe y acabo corrigiendo de más?» — es la objeción correcta, y tiene dos respuestas. La primera es de método: comparar una curva contra un perfil histórico con su banda de dispersión es una tarea anclada, no generativa. Hay una serie de datos, un patrón de referencia y un criterio numérico de separación; no queda espacio para que el sistema se invente nada. La alucinación es un problema de la generación libre, y en tareas ancladas los mejores modelos están por debajo del 1,5% de error ^[1]. La segunda respuesta es de diseño: el aviso llega como propuesta al operador, con el gráfico y con lo que hicieron los lotes buenos en ese mismo punto. Nadie corrige a ciegas porque una pantalla se ponga naranja — se corrige porque se ve la separación y se entiende. Y si el operador considera que el patrón está mal calibrado para esa referencia, ese desacuerdo también entra al sistema y refina el patrón.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.

También te puede interesar: SPC en tiempo real con IA · Calidad predictiva con IA · DMAIC Six Sigma con análisis estadístico IA