Detección de muda, mura y muri con IA — las 3M antes de que cuesten dinero, no después.

El problema

Las 3M no son visibles — hasta que cuestan dinero.

El responsable de mejora continua sabe que muda, mura y muri están ahí. Lo huele en cada gemba. Pero cuantificarlas a mano es imposible: para medir la mura de la estación 4 a lo largo de un turno haría falta un técnico con cronómetro toda la jornada, y al día siguiente otra vez. Para detectar muri en un operario antes de que reviente, haría falta observación continua. Para mapear la muda en flujo de materiales habría que hacer un spaghetti diagram cada semana.

Así que el responsable trabaja con el OEE agregado del mes y el ojo de los jefes de turno. El OEE le dice que la línea está al 72%. No le dice por qué, en qué estación, en qué momento del turno, con qué SKU, ni quién aguanta la sobrecarga para que el número no baje más. Cuando la 3M explota — un accidente, un defecto sistémico, un veterano que renuncia — el coste ya está pagado, y la reconstrucción a posteriori cuesta semanas. La 3M invisible es la 3M cara.

Cómo encaja con el sistema IRIS

iLEAN convierte la detección de las 3M en subproducto de la captura continua.

Las 3M son problemas de captura de realidad: si midieras cada ciclo de cada estación de forma continua y sin coste, mura, muri y muda emergerían solas. iLEAN se diseñó precisamente para eso — la R de IRIS es la captura de la realidad de abajo hacia arriba. Sin Edge, sin Connect y sin agentes que crucen, las 3M se siguen viendo solo a posteriori. Con las tres piezas trabajando, son un subproducto natural del sistema. Es la masilla que rellena las grietas entre ERP/MES/SCADA y la planta de verdad.

Edge mide tiempo de ciclo continuo. Connect captura el ritmo de la cadena (cambios de turno, faltas de material, mensajes del cliente). El agente cruza y atribuye causa raíz. La persona decide qué corregir.

Las tres piezas iLEAN aplicadas a la detección de las 3M:

• Edge — terminales con visión por estación detectan los hitos del ciclo (pieza entra, operación arranca, operación termina, pieza sale) sin tocar el PLC. Cada ciclo se compara con el takt y con el histórico del operario y SKU concretos. Así emergen mura (varianza de ciclo) y muri (ciclos sostenidos por encima de takt). Funciona sin red: aunque caiga el WiFi, el Edge sigue midiendo.
• Connect — captura el ritmo de la cadena que el Edge no ve: cambios de turno, materia prima que llega tarde, mensaje del proveedor que cambia el plan, voz del operario que dice «la grasa de la 5 está dando guerra». Sin esa captura, la mura se vería pero no se atribuiría. Connect es la masilla.
• Agente — cruza el dato del Edge con el de Connect y con el ERP/MES. Identifica patrones: «la mura de la estación 3 aparece cuando se cambia al SKU verde y el operario es nuevo», «la muri del operario X se da cuando el material llega 8 min tarde y compensa apurando el ciclo». Atribuye causa raíz probable. La persona prioriza y actúa.

Ver la arquitectura IRIS completa →

Antes y después

Las 3M con OEE clásico vs. con detección continua iLEAN

Aspecto	OEE + ojo del responsable	Con iLEAN Edge + Connect + Agente
Visibilidad de muda	Solo la que el ojo capta o pasa por defecto registrado	Continuo, por estación, por SKU, por turno
Detección de mura	Auditoría puntual, days/semanas	En el momento, con marca de tiempo
Detección de muri	Cuando el operario revienta o renuncia	Antes — patrón sostenido en pocos turnos
Atribución de causa raíz	Reconstrucción manual, sesgada por memoria	Agente cruza Edge, Connect y ERP — propuesta concreta
Frecuencia de medición	Mensual (OEE), trimestral (estudios)	Cada ciclo
Coste marginal de medir más	Cada medición extra = cronómetro y técnico	Cero — la cámara ya está

Estimación de impacto

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

Bloque de estimación a validar con los datos concretos de la línea. Orden de magnitud, no compromiso.

• Línea de producción con OEE estable en el 65-78%, mejora continua activa pero sin tracción para subir, sospecha de mura en cambios de SKU y muri en uno o dos puestos.
• Piloto Edge sobre 6-10 estaciones críticas + Agente de detección 3M. Primer mapa cuantificado en pocas semanas.
• Payback orientativo entre 4 y 9 meses. La palanca dura no es subir el OEE — es entender por qué no sube, atribuir causa, y eliminarla. El responsable de mejora continua deja de cronometrar y empieza a corregir.
• Reducción de muda no detectada esperable ≥ 30% en los primeros meses, según el punto de partida real.

El dato de fondo

Los sectores más digitalizados subieron su productividad hasta un 40% frente a los menos digitalizados entre 2000 y 2021 ^[1]. La 3M invisible es exactamente el tipo de pérdida que el dato continuo ataca y el papel mensual no. Y la pregunta razonable («¿y si el agente atribuye mal la causa raíz?») tiene respuesta: en tareas ancladas (cruzar series temporales, comparar con histórico), los mejores modelos bajaron el error por debajo del 1,5% ^[2]. El agente propone una causa probable; el responsable de mejora continua la valida y actúa. La decisión sigue siendo humana.

^[1] Fundación BBVA / Ivie — sobre el impacto de la digitalización sectorial en la productividad. ^[2] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.

Relacionado: 8 desperdicios con visión IA · Yamazumi vivo · Heijunka