Cero incidentes de seguridad alimentaria

El problema

Un incidente de seguridad alimentaria casi nunca nace de un fallo único.

un incidente por esterilización insuficiente o alérgeno no declarado es el mayor riesgo reputacional y económico del sub-sector, con posible impacto sanitario directo en el consumidor y activación de retirada en cientos de puntos de venta.

• Los dos incidentes que más temen las fábricas del sub-sector son una esterilización insuficiente y un alérgeno no declarado. Los dos pueden tener impacto sanitario directo en el consumidor.
• Detrás suele haber una cadena: una receta con la versión equivocada, un lote tecleado mal en la codificadora, un ciclo de autoclave sin registro completo, una limpieza firmada con prisa.
• Cada eslabón por separado pasa su control. Juntos producen el tarro que sale de planta con un problema.
• Cuando ocurre, la retirada se activa en cientos de puntos de venta y el golpe reputacional pesa durante años con clientes y distribuidores. Y la investigación posterior choca con papeles dispersos que nadie cruzó a tiempo.

Cómo encaja con el sistema IRIS

Anillos cruzados — receta, codificación, autoclave, limpieza, envase y dossier.

los anillos coordinados — la receta y sus alérgenos del ERP, el lote impreso por la codificadora (caso 8), la curva de esterilización del autoclave (caso 2), el estado de limpieza validado por Edge antes de arrancar (caso 10), y el lote escaneado por la cámara Edge al envasar (caso 9) — se cruzan entre sí, respaldados por el dossier auditable (caso 11) y acelerados por SMED AI para no penalizar productividad.

Ningún anillo por separado resuelve el problema: cada control ya existe hoy de alguna forma y aun así el incidente ocurre. La fuerza está en el cruce, porque lo que delata la cadena es que fuentes independientes dejen de coincidir antes de que el palé salga. Y cada anillo que se añade reduce un poco más la probabilidad de que la cadena llegue a cerrarse.

Ver la arquitectura IRIS completa →

Antes y después

Qué cierra cada anillo y de qué caso sale

Anillo	De qué casos sale	Qué cierra
1 · Receta	ERP + arranque de lote (1) + recepción (7)	Qué receta, qué alérgenos y qué insumos lleva el lote
2 · Codificación	Codificadora cosida (8)	Que lote, fecha y alérgenos impresos son los de la OF
3 · Esterilización	Panel del autoclave (2)	Que la curva del ciclo corresponde a ese lote
4 · Limpieza	Cambio de alérgeno (10)	Que la línea estaba verificada antes de arrancar
5 · Envase	Cámara Edge en el llenado (9)	Que cada envase sale bien lleno, cerrado y etiquetado
6 · Evidencia	Dossier auditable (11)	Que todo lo anterior queda probado por palé

riesgo latente de incidente por esterilización o alérgeno cruzado → detección de discrepancia en línea, nunca en el cliente final.

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 estimado 6-12 meses contra el primer incidente evitado.
• La protección de la relación con clientes y distribuidores tiene un valor multianual muy superior al coste de una sola retirada.
• El riesgo latente por esterilización o alérgeno cruzado pasa a detectarse como discrepancia en línea, nunca en el cliente final.
• Y SMED AI acelera los cambios para que tanta verificación no penalice la productividad; a validar con vuestro responsable de calidad y la dirección general. Cada anillo se puede desplegar y amortizar por separado, en el orden que mejor encaje con vuestra planta.

payback estimado 6-12 meses contra el primer incidente evitado; la protección de la relación con clientes y distribuidores tiene un valor multi-anual muy superior al coste de una sola retirada. *Estimación a validar con el responsable de calidad y la dirección general.*

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para tener esto?» — no, y plantearlo así sería la forma de no empezar nunca. Los anillos se construyen por capas y cada caso paga solo. Las comprobaciones que hacen los modelos son tareas ancladas, donde los mejores bajan del 1,5% de error [1], y JIDOKA AI solo detiene la línea ante una discrepancia comprobable entre fuentes; cuando la duda es del modelo, decide una persona.

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