Nada entra sin firma humana

El problema

Nadie firma un proyecto en el que una IA escriba sola en el maestro.

El miedo a que una IA 'meta datos por su cuenta y luego haya que limpiar el master ERP' es el principal freno cultural a la digitalización, especialmente sensible cuando conviven varias marcas con especificaciones de receta distintas en la misma planta. Pero el operario tampoco quiere teclear.

• El miedo real no es técnico: es que una IA meta datos por su cuenta y después haya que limpiar el maestro del ERP a mano, lote a lote y con el auditor a la vuelta de la esquina.
• En una planta donde conviven varias marcas con especificaciones de receta distintas, ese maestro es lo que sostiene la declaración de alérgenos impresa en cada estuche que sale al lineal.
• Pero el operario tampoco quiere teclear, y ahí se cierra el círculo: el dato o entra sin control o no entra. Ese es el principal freno cultural a la digitalización en planta, muy por delante de cualquier limitación técnica.
• El resultado habitual es lo peor de las dos opciones: capturas que nadie se atreve a automatizar y transcripciones tardías que nadie revisa, hechas por quien no estuvo delante de la mezcladora.

Cómo encaja con el sistema IRIS

Connect con verificación humana temprana — un resumen de dos segundos, dos toques.

Connect modo verificación humana temprana: cada captura de Connect (foto, voz, email parseado) llega a una tableta industrial a pie de línea como un resumen visual de 2 segundos. El responsable confirma con 2 toques (✓ entra al ERP / ✏️ corregir) antes de que el dato cruce al master.

Cada captura de Connect —foto, dictado o correo parseado— llega a una tableta industrial a pie de línea como un resumen visual que se lee en dos segundos, y el responsable resuelve con dos toques: entra al ERP, o se corrige. Es la pieza que hace firmables a las otras once. Sin una puerta humana delante del maestro, ningún comité de una planta certificada aprueba que un sistema automático escriba la receta o el alérgeno de un lote.

Ver la arquitectura IRIS completa →

Antes y después

La captura sin filtro frente a la captura firmada

Aspecto	Sin puerta humana	Con iLEAN
Puerta antes del maestro del ERP	No existe	Obligatoria, por arquitectura
Especificación de receta de cada marca	Expuesta a una extracción dudosa	Protegida tras la confirmación
Resumen que ve el responsable	—	Visual, de dos segundos
Coste de una corrección	Limpiar el maestro después	Un toque antes de que entre
Captura que hoy nadie automatiza	Se sigue haciendo a mano	Se automatiza porque hay filtro
Rastro de quién confirmó	Ninguno	Nombre, hora y qué corrigió

Dato sin validar contaminando el ERP, o dato no capturado por desconfianza → dato capturado y validado con latencia de segundos, master limpio.

Estimación de impacto

Estimación de impacto — a validar con vuestros 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.

• Pieza habilitante: no lleva payback propio. Su función es hacer aprobables las otras once piezas de la matriz, exactamente como lo plantea el análisis del caso.
• Maestro del ERP limpio: el dato entra validado o no entra, y nunca hay que limpiarlo después a mano.
• Latencia de captura en segundos, con el responsable de línea confirmando desde su propio puesto y sin volver a la oficina de calidad.
• Y cada corrección queda guardada con su autor y su hora, así que la extracción mejora justo en el campo donde falla.

Pieza habilitante de toda la matriz iLEAN: sin verificación humana temprana, las otras 11 piezas no se firman. Valor estratégico, no monetizable directamente.

Y la duda razonable del responsable de producción

«Si al final firma una persona, ¿qué ahorra la IA?» — el trabajo no está en decidir, está en reunir. Hoy alguien tendría que ir al terminal, buscar el lote y teclear receta, alérgenos y cantidades; aquí llega todo reunido y solo se confirma o se corrige. Y como la extracción previa es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], la mayoría de resúmenes se cierran con dos toques.

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