Jidoka digital en líneas high-mix low-volume — porque entrenar un modelo por cada variante mata el ROI.

El problema

Jidoka clásico para high-volume / poca variedad. High-mix se quedó sin jidoka.

El jidoka es uno de los dos pilares del TPS, y funciona maravillosamente cuando la planta fabrica miles de la misma pieza con variaciones controladas: configuras la visión, validas el poka-yoke, calibras el actuador, y el sistema funciona. Pero en cuanto la planta produce 200 variantes al año en series de 50 piezas, el jidoka clásico se rompe — no por la metodología, sino por la aritmética.

1. Variante nueva entra a producción — se programan los parámetros de máquina, se hace una pieza, dos, diez para validar.
2. El sistema de visión necesita reentrenamiento — algunos días de un ingeniero, decenas o cientos de imágenes etiquetadas a mano, validación con producción real.
3. La serie es de 50 piezas — cuando el sistema está listo, la serie ha terminado.
4. Resultado real — el jidoka se queda en poka-yoke mecánico básico (un tope, un sensor de presencia) y los defectos sutiles se cuelan hasta el cliente.

La automoción tradicional, con su volumen, puede pagar el rigor estadístico que exigen los 25 PPM de defectos de la industria ^[2]. Una calderería que mecaniza 200 referencias al año en series cortas no — no porque no quiera calidad, sino porque la aritmética del jidoka clásico no le sale. El resultado: dos industrias con la misma tecnología teórica pero con niveles de calidad muy distintos.

Cómo encaja con el sistema IRIS

iLEAN no reentrenamiento de un modelo por variante — un modelo base que aprende cada nueva variante con 10-30 imágenes.

El cuello de botella del jidoka en high-mix no es el algoritmo de visión — los algoritmos llevan años de sobra de buenos. Es el coste de etiquetar y reentrenar por variante. iLEAN actúa como la masilla entre el modelo base de visión (que ya entiende la familia de piezas) y la variante concreta de hoy, que aprende con un puñado de ejemplos que el operario etiqueta en su pinganillo durante el primer turno.

Edge ve la pieza en línea. Vision aprende la variante con pocos ejemplos. Brain decide si pasa o se retiene. El operario etiqueta y firma — nunca al revés.

Las tres piezas iLEAN aplicadas al jidoka high-mix low-volume:

• iLEAN Edge — terminal físico con cámara CNN sobre la estación de mecanizado o ensamblaje. Ve la pieza al final de la operación, dispara actuador (semáforo, expulsor) en milisegundos si detecta defecto. Funciona sin red: si la planta se queda sin WiFi, Edge sigue reteniendo. Lo crítico no depende de la conectividad.
• iLEAN Vision (few-shot) — el motor de visión por encima de un modelo base entrenado con un catálogo amplio de piezas industriales. Cuando entra una variante nueva, el operario fotografía con su pinganillo 10-30 piezas y las marca como «buena» o «defecto». Vision adapta el modelo base a la variante con ese puñado de ejemplos. Es lo que llamamos «few-shot»: aprender con pocos.
• iLEAN Brain — coordina la lógica de decisión: ¿la pieza pasa, se retiene para revisión, o se expulsa? Cruza la inferencia de Vision con la tolerancia del plano y con el histórico de la variante en otras plantas. El operario valida los casos dudosos en su pinganillo y firma.

Ver la arquitectura IRIS completa →

Antes y después

Jidoka tradicional vs. jidoka few-shot con iLEAN

Aspecto	Jidoka clásico en high-mix	Con iLEAN Edge + Vision + Brain
Coste de meter una variante nueva	Reentrenamiento de varios días de ingeniero, cientos de imágenes	1-2h de etiquetado en pinganillo, 10-30 imágenes
Tiempo desde variante nueva a jidoka activo	Más que la propia serie corta	Mismo turno o siguiente
Defectos sutiles en series cortas	Se cuelan al cliente	Detectados en línea, antes del cierre
Reglaje por cambio de variante	Manual, dependiente del veterano	Asistido por Brain con configuración guardada por variante
Conocimiento de variantes entre plantas	Vive en la cabeza del programador local	Catálogo de variantes compartido — yokoten real
Funcionamiento sin red	n/a	Edge sigue operando con la luz del cuadro

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 mecanizado especial, calderería ligera, prefabricados o tooling, con 150-400 variantes al año en series de 20-200 piezas. Hoy el jidoka se queda en poka-yoke mecánico y los defectos sutiles aparecen en cliente.
• Piloto Edge + Vision few-shot en una estación crítica (la operación con más rechazo de cliente). Primer valor esperable en pocas semanas: las primeras variantes entran a jidoka y los defectos se detienen antes del envío.
• Payback orientativo entre 4 y 9 meses, palanca dura: reducción de rechazo de cliente y de coste de no-calidad asociado (retrabajos, gastos de transporte inverso, pérdida de pedido).
• Reducción del coste de no-calidad razonable a presentar al comité: igual o superior al 30%. Lo medimos antes y después con tus piezas reales.

Y la duda razonable del jefe de producción

«¿Y si la IA se equivoca con una variante nueva que ha visto poco?» — la alucinación es un problema de la generación libre, no de las tareas ancladas. La inferencia de Vision sobre una pieza con 10-30 ejemplos etiquetados es la tarea anclada por excelencia: en este tipo de tareas los mejores modelos bajaron el error por debajo del 1,5% ^[1]. Y aun así, lo crítico no se decide solo: Brain marca el caso dudoso, el operario lo valida en su pinganillo y firma. Los tres anillos están ahí precisamente para esto.

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

^[2] Estándar de calidad de automoción ~25 PPM — Symestic.