La croqueta reventada no llega a la bolsa

El problema

A cadencia real, el control visual humano es un muestreo.

A la cadencia real de la línea, el control 100% visual humano es imposible. Con 18 referencias distintas, además, el patrón de 'forma correcta' cambia por producto.

• Una croqueta reventada, deforme o con el empanado incompleto se distingue a simple vista. El problema es que pasan miles por turno.
• Lo que hay hoy es un muestreo del 1 o 2% y el ojo de quien está en la mesa de envasado, que además está cambiando de tarea cada pocos minutos y que a última hora del turno no ve lo mismo que a primera.
• Con 18 referencias, el patrón de forma correcta cambia por producto: la croqueta de jamón no tiene la misma silueta ni el mismo tono de empanado que la vegana de coliflor.
• Y el defecto que se escapa no se queda en la fábrica: llega a una bolsa de marca propia que alguien abre en su casa o que un chef fríe delante de su comensal. En gourmet eso no es una reclamación: es una reseña.

Cómo encaja con el sistema IRIS

Edge — inferencia local pieza a pieza, en milisegundos.

Una cámara sobre la línea infiere en milisegundos por pieza con un modelo entrenado por referencia concreta, sin enviar ninguna imagen a la nube. La pieza reventada, mal formada o con el empanado incompleto se aparta automáticamente antes del envasado, sin frenar la cadencia de la línea.

La cámara va sobre la cinta antes del envasado y el modelo está entrenado con vuestras referencias concretas y con la iluminación de ese puesto, no con un catálogo genérico. Ninguna imagen sale de la planta: la inferencia es local y no depende de la red ni de la nube, así que la cadencia no depende de que la conexión vaya bien esa mañana.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Control visual humano	Con iLEAN Edge
Cobertura	Muestreo del 1-2%	100% de las piezas
Constancia	Depende de la fatiga y del turno	Igual a las seis que a las dos
Patrón por referencia	El que recuerda cada persona	Un modelo entrenado por referencia
Empanado incompleto	Se ve si da tiempo	Clasificado pieza a pieza
Dónde aparece el defecto	En la bolsa del cliente	En la bandeja de rechazo
Casos de borde	Se escapan	Se elevan a una persona

Muestreo visual humano del 1-2%, defectos que se escapan → Control visual del 100% de las piezas, en milisegundos.

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 5-12 meses, según vuestro ratio de rechazo actual.
• Del muestreo del 1-2% al control del 100% de las piezas, sin frenar la cadencia de la línea.
• Menos reclamaciones por defecto visual, que en venta directa se traducen en devoluciones y en reseñas.
• Y el histórico de rechazos por referencia dice qué masa y qué punto de frío dan más rotura, que es una conversación con el equipo de producto que hoy no se puede tener con datos.

Payback 5-12 meses · muestreo 1-2% → control 100%. El retorno estimado es de 5 a 12 meses según el ratio de rechazo actual, con la reducción de reclamaciones por defecto visual como beneficio adicional. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Y si expulsa piezas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con piezas buenas y malas de vuestras 18 referencias, no con un modelo genérico de croqueta. Los casos de borde no se expulsan sin más: se elevan para que decida una persona, y cada decisión realimenta el entrenamiento. La clasificación es tarea anclada y baja del 1,5% de error [1]. Y el umbral se ajusta con vosotros: en una referencia de precio alto compensa ser más severo que en un formato de granel.

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