Poka-yoke con visión IA — los errores humanos en ensamblaje no se previenen con cartel.

El problema

El error humano en ensamblaje no es de quien lo comete — es del sistema que lo permite.

El poka-yoke (a prueba de errores) es uno de los pilares del jidoka: hacer físicamente imposible que el error llegue al siguiente paso. Funciona perfecto cuando puedes poner un encaje mecánico que solo entra de una forma. Pero en el ensamblaje manual multi-variante, donde cada SKU tiene una BOM distinta y la misma estación monta hoy la versión A y mañana la C, el poka-yoke mecánico se vuelve imposible o carísimo — y caen sobre el operario los carteles, los checklists, y la formación de los lunes.

Y el operario lo hace bien. El 99,8% del tiempo. Pero el 0,2% restante es el que llega al control final, al cliente, o (peor) al campo. En automoción el estándar exigente es del orden de 25 PPM — cada defecto que se cuela cuesta dinero duro y, sobre todo, confianza del cliente.

El problema agudo aparece en los cambios: cambio de SKU, cambio de turno, operario nuevo. Es justo cuando el cartel de la pared no basta. El método clásico es añadir un control posterior, un retrabajo, o un inspector. Es caro y, peor, llega tarde — el defecto ya nació.

Cómo encaja con el sistema IRIS

iLEAN no sustituye al operario — le pone una red de seguridad antes del siguiente paso.

El poka-yoke con visión es jidoka en dos tiempos: primero detecta el error en el momento de nacer; luego (acumulando datos) anticipa la causa raíz para que el error deje de ocurrir. La masilla que iLEAN aporta sella la grieta entre la pericia del operario veterano y el riesgo del operario nuevo, sin pedirte rediseñar el puesto ni añadir un inspector en la línea.

La cámara ve el paso, el agente lo compara con la secuencia del SKU, el operario recibe el aviso antes de avanzar. La pieza no se cuela con el fallo — y la persona firma cuando corrige.

Las piezas iLEAN aplicadas al poka-yoke con visión:

• iLEAN Vision (sobre Edge) — terminal físico con cámara y red neuronal convolucional (CNN) que ve cada paso del ensamblaje en milisegundos. Funciona sin red: si la planta se queda sin WiFi, Edge sigue viendo, comparando y avisando, porque lo crítico no puede depender de la conectividad.
• Secuencia validada por SKU — el sistema lee primero el SKU que se está montando (etiqueta, código, configuración) y carga la secuencia esperada. En multi-variante esto es lo que elimina el error de «monté la variante A con la BOM de la variante B».
• Retroalimentación al operario, no al inspector — el aviso va a la estación: luz verde/roja, vibración del reloj, tono en el pinganillo. El operario corrige donde nace el error, no después de pasar a la estación siguiente. La persona firma cuando ha corregido y la pieza puede avanzar.
• Captura del conocimiento del veterano — entrenar la secuencia con el operario que mejor la hace deja ese saber como capacidad permanente de la planta. El día que se jubile, la secuencia sigue viva en la cámara.

Ver la arquitectura IRIS completa →

Antes y después

Poka-yoke clásico vs. poka-yoke con visión IA

Aspecto	Poka-yoke clásico (cartel + checklist)	Con iLEAN Vision + Edge
Detección del error	En control final o reclamación	En la propia estación, antes del siguiente paso
Multi-variante	Confusión en cambio de SKU	Lee el SKU y carga la secuencia correcta
Operario nuevo	Curva de aprendizaje con coste de scrap	Red de seguridad desde el primer día
Cambio de turno	Pérdida de contexto al relevo	Mismo criterio en todos los turnos
Conocimiento del veterano	Se va el día que se jubila	Capturado como capacidad permanente
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.

• Línea de ensamblaje manual con 3–8 SKU y BOMs distintas, defecto recurrente detectado en control final que se origina en una estación concreta.
• Piloto Vision en la estación crítica: cámara, red entrenada con el operario veterano, retroalimentación local al operario. Primer valor esperable en pocas semanas: la cámara empieza a detectar la primera familia de errores.
• Reducción del defecto generado en esa estación estimada ≥ 30% en los primeros meses. Payback orientativo entre 4 y 9 meses, según el coste medio del defecto y el PPM actual.
• En automoción el estándar exigente del orden de 25 PPM ^[1] es la palanca dura: cada PPM evitada es coste duro y, sobre todo, riesgo de cliente reducido.

Y la duda razonable del operario

«Si la cámara me corrige a cada paso, voy a montar más despacio.» Es la objeción correcta — y la respuesta no es teórica, es de diseño: la retroalimentación va al operario, no al supervisor; va en luz verde por defecto y solo cambia a aviso si hay desviación; y la integración con la estación se hace para no romper el flujo. Lo que cambia para el operario es que entra al turno con tranquilidad — la cámara hace de red, no de látigo. La cama caliente: el turno anterior salió bien porque la cámara aseguró cada paso.

Y para el CAIO: la alucinación es un problema de la generación libre, no de las tareas ancladas. Comparar una imagen con una secuencia validada es la tarea más anclada posible — los mejores modelos bajaron el error por debajo del 1,5% ^[2]. Y aun así, la pieza no avanza sola: la persona firma cuando ha corregido.

^[1] Symestic — estándares de calidad PPM en automoción.

^[2] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.