La linea no arranca sin camaras ok

El problema

La limpieza entre marcas se firma sin una sola prueba visual.

Varias marcas conviven en la misma línea física — un turno con gluten o leche, el siguiente sin ese alérgeno, o simplemente otra marca comercial. Hoy la limpieza se firma sin evidencia visual: la responsabilidad de decir 'está limpio' recae en un humano, y un residuo de la receta anterior puede contaminar el primer lote del nuevo formato.

• Varias marcas conviven en la misma línea física: un turno con gluten o con lactosa, el siguiente sin ese alérgeno, o sencillamente otra marca comercial con otra etiqueta.
• Hoy la limpieza se firma sin evidencia visual: la responsabilidad de decir 'está limpio' recae entera en una persona con prisa y con el turno esperando.
• Un residuo de la receta anterior en la tolva de la dosificadora, en el cajón de la prensa o en la guía de la llenadora contamina el primer lote del nuevo formato sin que nadie lo sepa.
• Y ese primer lote sale al mercado con una declaración de alérgenos que ya no es cierta — que es la definición exacta de una retirada por alérgeno no declarado.

Cómo encaja con el sistema IRIS

Edge con JIDOKA AI — tres cámaras dan OK antes de que la línea arranque.

Edge + JIDOKA AI: cámaras fijas en la dosificadora, la prensa/llenadora y el encartonado comparan el estado actual con un estado de referencia 'limpio para arrancar'. La línea no arranca hasta que todas las cámaras dan OK y el responsable de calidad firma sobre evidencia visual.

Cámaras fijas en la dosificadora, en la prensa o llenadora y en el encartonado comparan el estado actual con el estado de referencia 'limpio para arrancar' de esa línea. La cámara no decide sola: contrasta cada punto crítico y es el responsable de calidad quien firma sobre esa imagen. No cambia quién decide; cambia sobre qué decide.

Ver la arquitectura IRIS completa →

Antes y después

La firma a ciegas frente a la firma sobre evidencia

Aspecto	Hoy	Con iLEAN Edge
Estado de la dosificadora antes del arranque	Se da por bueno	Contrastado con su referencia
Restos en la prensa o la llenadora	Se ven si alguien mira ahí	Encuadrados y comparados
Sobres de la marca anterior en el encartonado	Salen con el lote nuevo	Detectados antes de arrancar
Quién asume el 'está limpio'	Una persona, sin respaldo alguno	Una persona, sobre imágenes reales
Arranque del primer lote sin gluten	Bajo sospecha	Bloqueado hasta el OK
Prueba que queda del cambio	Una firma en un parte de turno	Una imagen por punto crítico

Firma a ciegas con riesgo de contaminación cruzada → firma basada en evidencia visual por punto crítico.

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.

• Payback ligado al número de cambios de formato y marca por semana: el análisis del caso no cierra un rango de meses y aquí no se inventa ninguno.
• Lo que sí protege es concreto: la facturación completa del formato afectado por una contaminación cruzada.
• La firma de limpieza pasa de una casilla a una imagen por punto crítico, utilizable ante el auditor y ante el cliente.
• Y cuantos más cambios de marca por semana, antes se paga la instalación — por eso el retorno se estima con vuestro calendario real de cambios.

Protección de la facturación del formato afectado; payback en función del número de cambios de formato/marca por semana. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Y si la cámara bloquea la línea sin motivo un lunes a las seis?» — es la objeción correcta, porque el cambio de marca está en la ruta crítica del turno. La comparación contra un estado de referencia conocido es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Y ante duda el sistema no bloquea en silencio: eleva al responsable de calidad, que firma sobre la imagen. Se detiene por discrepancia comprobable, no por incertidumbre del modelo.

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