Calidad predictiva con IA — saber qué lote va a salir mal antes de terminarlo, no después.

Q: ¿En qué se diferencia la calidad predictiva del control de calidad clásico y del SPC?

Son tres momentos distintos del mismo problema. El control de calidad clásico mide la pieza o el lote terminado : te dice si está bien o mal cuando el coste ya se ha gastado. El SPC en tiempo real mira la variable de proceso mientras corre y avisa cuando esa variable se sale de sus límites — reacciona rápido, pero reacciona a un hecho ya ocurrido. La calidad predictiva da un paso más: no espera a que una variable cruce un límite, sino que compara el patrón completo del lote en curso (forma de las curvas, combinación de parámetros, características de la materia prima de ese lote) con el histórico de lotes que acabaron bien y de lotes que acabaron mal. Cuando el patrón se parece a los que terminaron mal, avisa — aunque ninguna variable esté todavía fuera de límite. Es la evolución natural del SPC, no su sustituto: conviven.

Q: ¿Cuánto histórico de lotes hace falta para empezar?

Depende menos del número total de lotes que del número de lotes malos documentados : el modelo aprende del contraste. Como orden de magnitud práctico, con varios cientos de lotes del mismo producto o familia y unas decenas de casos con desviación ya se obtiene una primera señal útil. Si tu planta tiene poco histórico digital, el arranque se hace en dos tiempos: primero se instrumenta y se captura durante unas semanas con el modelo en modo silencioso, y solo cuando la señal es estable se abre el aviso al equipo. Y si el histórico existe pero está en papel o en hojas sueltas, se recupera lo que sea recuperable antes de descartar el proyecto — normalmente hay más dato del que la planta cree.

Q: ¿Cómo se evitan las falsas alarmas?

Con cuatro mecanismos combinados. (1) Umbral de confianza ajustable : el aviso solo sale cuando la similitud con el patrón de lote malo supera el nivel que el responsable de calidad haya fijado, y ese nivel se calibra con tus datos, no con una cifra de catálogo. (2) Filtrado del ruido de sistema : paradas programadas, cambios de turno, recalibraciones y arranques se etiquetan como tales y no cuentan como anomalía. (3) Arranque en modo silencioso : durante las primeras semanas el modelo predice y se contrasta contra el resultado real sin molestar a nadie; solo se abre el aviso cuando la tasa de acierto convence al equipo de calidad. (4) Realimentación : cada aviso se cierra con el resultado real del lote, y esa respuesta reentrena el criterio. Una alerta que nadie se cree se apaga sola en dos semanas — por eso el objetivo no es avisar mucho, sino avisar poco y acertar.

El control de calidad clásico detecta el defecto cuando ya está hecho y pagado. La calidad predictiva de iLEAN cruza en la memoria central las variables del lote en curso — curvas de proceso, parámetros, características de la materia prima — con el histórico de lotes buenos y malos. Cuando el patrón se parece al de un lote que acabó mal, avisa con margen para corregir. La persona decide la intervención.

← Ver todas las soluciones lean con IA

El problema

Cuando el laboratorio confirma el defecto, el lote ya está hecho.

El control de calidad clásico está construido sobre una idea sencilla: fabricar, medir y decidir si vale. Funciona, y seguirá funcionando — pero tiene un coste estructural que nadie apunta en ninguna cuenta:

El veredicto llega al final — la muestra sale del lote terminado, el análisis tarda horas o días, y para cuando el resultado vuelve a planta ya has consumido materia prima, energía, horas de máquina y horas de persona sobre algo que iba a fallar desde la tercera hora.
La causa se reconstruye hacia atrás — cuando el lote se rechaza, empieza la investigación: revisar registros, comparar con lotes anteriores, buscar el parámetro que se movió. Trabajo caro, hecho con memoria incompleta y con prisa.
Lo aprendido no viaja — la conclusión de esa investigación acaba en un informe. El operario del turno de noche que repite el mismo perfil de curva tres semanas después no tiene forma de saberlo.
La materia prima entra como una incógnita — dos lotes de proveedor distinto, con certificado correcto los dos, se comportan distinto en el proceso. El clásico solo lo descubre al final.

El SPC en tiempo real ya resuelve una parte importante: adelanta la señal del final del turno al momento en que una variable se sale. La calidad predictiva resuelve la otra parte: avisar cuando ninguna variable está todavía fuera de límite, pero el conjunto se parece peligrosamente a un lote que acabó mal.

Cómo encaja con el sistema IRIS

La memoria central compara el lote en curso con todo lo que la planta ya vivió.

Una persona con veinte años en la línea hace esto de forma intuitiva: mira la curva, la compara mentalmente con las que ha visto antes y dice «esta no me gusta». Casi siempre acierta. El problema es que esa comparación vive en una sola cabeza, cubre los lotes que esa persona recuerda y no está disponible en el turno de noche. La memoria central hace la misma comparación sobre todo el histórico, en todos los turnos, sin dejarse un lote.

No se trata de sustituir el criterio del veterano. Se trata de que ese criterio esté disponible a las tres de la mañana, sobre todos los lotes, con el histórico completo detrás.

Las piezas iLEAN aplicadas a la calidad predictiva:

Edge — mide en línea lo que el proceso está haciendo ahora: dimensiones, aspecto, señales de sensor, dato crudo en milisegundos. Funciona sin red.
Connect — la masilla. Recoge la curva del control de proceso, el registro del sistema de gestión de producción, el resultado del laboratorio y el certificado de la materia prima, y los pone en la misma línea de tiempo. Sin este cruce no hay predicción posible: hay cuatro fuentes que nunca se hablaron.
Memoria central — el histórico completo de lotes con su resultado final. Es el activo que hace posible todo lo demás, y es tuyo: cada lote que pasa la hace mejor.
Agents — comparan el patrón del lote en curso con el histórico, estiman el riesgo de desviación, identifican qué variables están empujando esa estimación y avisan al responsable por su canal con el margen de corrección que queda.
Tres anillos de seguridad — ninguna corrección de proceso se aplica sola. El agente propone y explica; la persona decide y firma.

Cuando el proceso admite un perfil de referencia estable por producto, la calidad predictiva se apoya de forma natural en el golden batch multi-producto: el patrón «bueno» deja de ser un promedio difuso y pasa a ser una referencia concreta por producto y formato, lo que afina bastante la predicción.

Ver la arquitectura IRIS completa →

Antes y después

Control de calidad al final vs. calidad predictiva durante el lote

Aspecto	Control de calidad clásico	Calidad predictiva con iLEAN
Momento del veredicto	Lote terminado, tras análisis de laboratorio	Durante el lote, con margen para corregir
Qué se analiza	Resultado final de la muestra	Patrón completo del proceso en curso
Materia prima	Certificado archivado, sin cruce con el resultado	Característica de entrada como variable del modelo
Aprendizaje	Informe de investigación por incidencia	Cada lote cerrado reentrena el criterio
Disponibilidad del criterio	La del turno donde está el veterano	Todos los turnos, todos los lotes
Coste del fallo	Lote completo: material, energía, horas	Corrección parcial o parada temprana
Decisión de intervenir	Persona	Persona — el sistema solo aporta el aviso y el porqué

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.

Proceso por lotes con resultado de calidad conocido al final (laboratorio o inspección de producto terminado) y scrap o reproceso del orden del 1-5%.
Piloto Edge + Connect + Agents sobre una familia de producto, con recuperación del histórico existente. Primer modelo en modo silencioso en pocas semanas.
Payback orientativo entre 5 y 12 meses, según el scrap actual, el valor del lote y cuánto margen de corrección permita el proceso.
Cuanto más caro sea el lote y más tarde llegue hoy el veredicto de calidad, más arriba de ese rango de retorno estarás.

Y la duda razonable del responsable de calidad

«¿Y si el modelo se inventa un riesgo que no existe y acabamos parando lotes buenos?» — es la objeción correcta, y tiene dos respuestas. La primera es de diseño: la alucinación es un problema de la generación libre, no de las tareas ancladas. Estimar el parecido entre una curva en curso y un histórico etiquetado de lotes buenos y malos es una tarea anclada: hay dato de entrada, hay referencia y hay una salida contrastable contra el resultado real del lote. En este tipo de tareas los mejores modelos están por debajo del 1,5% de error ^[1]. La segunda es de operación: el aviso nunca para la línea por su cuenta. Llega como sugerencia argumentada al responsable, con las variables que lo han disparado y el margen que queda, y es la persona quien decide si interviene. Los tres anillos de seguridad están ahí precisamente para esto.

^[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 · Golden batch multi-producto con IA · DMAIC Six Sigma con análisis estadístico IA

Preguntas frecuentes

Lo que se pregunta sobre calidad predictiva con IA

¿En qué se diferencia la calidad predictiva del control de calidad clásico y del SPC?

Son tres momentos distintos del mismo problema. El control de calidad clásico mide la pieza o el lote terminado: te dice si está bien o mal cuando el coste ya se ha gastado. El SPC en tiempo real mira la variable de proceso mientras corre y avisa cuando esa variable se sale de sus límites — reacciona rápido, pero reacciona a un hecho ya ocurrido. La calidad predictiva da un paso más: no espera a que una variable cruce un límite, sino que compara el patrón completo del lote en curso (forma de las curvas, combinación de parámetros, características de la materia prima de ese lote) con el histórico de lotes que acabaron bien y de lotes que acabaron mal. Cuando el patrón se parece a los que terminaron mal, avisa — aunque ninguna variable esté todavía fuera de límite. Es la evolución natural del SPC, no su sustituto: conviven.

¿Qué datos necesita el modelo para predecir la calidad de un lote?

Tres familias de datos, y las tres suelen existir ya en la planta aunque estén repartidas. (1) Variables de proceso en curso: temperaturas, presiones, velocidades, consumos, tiempos de cada fase — la curva completa, no el valor medio. (2) Características del lote de entrada: proveedor, certificado de análisis, humedad, granulometría, dureza, lo que aplique a tu producto. (3) Resultado final de calidad de cada lote histórico: aprobado, reprocesado o rechazado, y por qué motivo. Connect es la pieza que recoge esas tres familias del control de proceso, del sistema de gestión de producción, del laboratorio y del panel antiguo de la máquina, y las une en una misma línea de tiempo. Sin ese cruce no hay predicción: hay tres archivos que nunca se hablaron.

¿Cuánto histórico de lotes hace falta para empezar?

Depende menos del número total de lotes que del número de lotes malos documentados: el modelo aprende del contraste. Como orden de magnitud práctico, con varios cientos de lotes del mismo producto o familia y unas decenas de casos con desviación ya se obtiene una primera señal útil. Si tu planta tiene poco histórico digital, el arranque se hace en dos tiempos: primero se instrumenta y se captura durante unas semanas con el modelo en modo silencioso, y solo cuando la señal es estable se abre el aviso al equipo. Y si el histórico existe pero está en papel o en hojas sueltas, se recupera lo que sea recuperable antes de descartar el proyecto — normalmente hay más dato del que la planta cree.

¿Qué hace el operador cuando llega un aviso de riesgo?

El aviso no para nada por su cuenta. Llega al canal del responsable con tres cosas: qué lote está en riesgo, qué patrón lo ha disparado (qué variables se parecen a las de los lotes que acabaron mal) y cuánto margen queda antes del punto de no retorno del proceso. A partir de ahí decide la persona: corregir un parámetro, alargar una fase, cambiar el lote de materia prima, dejarlo correr y muestrear al final, o no hacer nada porque conoce una causa que el modelo no ve. El sistema propone y documenta; la persona decide y firma. Los tres anillos de seguridad de iLEAN existen exactamente para que esa frontera no se cruce nunca.

¿Cómo se evitan las falsas alarmas?

Con cuatro mecanismos combinados. (1) Umbral de confianza ajustable: el aviso solo sale cuando la similitud con el patrón de lote malo supera el nivel que el responsable de calidad haya fijado, y ese nivel se calibra con tus datos, no con una cifra de catálogo. (2) Filtrado del ruido de sistema: paradas programadas, cambios de turno, recalibraciones y arranques se etiquetan como tales y no cuentan como anomalía. (3) Arranque en modo silencioso: durante las primeras semanas el modelo predice y se contrasta contra el resultado real sin molestar a nadie; solo se abre el aviso cuando la tasa de acierto convence al equipo de calidad. (4) Realimentación: cada aviso se cierra con el resultado real del lote, y esa respuesta reentrena el criterio. Una alerta que nadie se cree se apaga sola en dos semanas — por eso el objetivo no es avisar mucho, sino avisar poco y acertar.

Casos relacionados

Otros casos de lean manufacturing

Ver los 82 casos de lean manufacturing →

Hablemos

Cuéntanos tu caso y te pasamos en 48h el ROI estimado de la calidad predictiva para tu planta.

Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.

Pedir ROI estimado en 48h Ver lean manufacturing