Cada botella inspeccionada antes de encajar

El problema

En un tequila premium, la botella es parte del producto.

El control es visual y humano, hecho por una persona que lleva horas mirando botellas iguales. Los defectos que se escapan son precisamente los sutiles, que son los que un distribuidor premium sí ve y sí devuelve. En producción por contrato el problema escala: el defecto cosmético lo reclama el cliente que encargó la marca, con un contrato de por medio. No es una nota de abono, es una conversación incómoda con quien te da volumen. Y hay una tercera capa: el sello fiscal. Un sello ausente o mal colocado no es un defecto estético, es un problema de cumplimiento.

• El distribuidor y el consumidor pagan también por el envase. A la cadencia de la línea, el ojo humano deja pasar el llenado ligeramente bajo, la etiqueta un grado torcida, la cápsula mal termosellada o el marbete despegado por una esquina.
• El control es visual, hecho por una persona que lleva horas mirando botellas iguales. Los defectos que se escapan son los sutiles, que son los que un distribuidor premium sí ve y sí devuelve.
• En maquila el problema escala: el defecto cosmético lo reclama el cliente que encargó la marca, con un contrato de por medio. No es una nota de abono, es una conversación incómoda con quien te da volumen.
• Y hay una tercera capa: un marbete ausente o mal colocado no es un defecto estético, es un problema de cumplimiento.

Cómo encaja con el sistema IRIS

Edge — visión IA sobre la línea, antes de la encajadora.

Edge, visión IA en línea. El flujo:

La inferencia es local, en la propia planta, en milisegundos: sin nube ni conectividad, que en una planta de montaña no es un detalle menor. La red está entrenada con las botellas y etiquetas concretas de esta planta, marca por marca. La persona sigue al mando: decide qué se reprocesa y qué se descarta, y revisa los casos límite desde una pantalla de miniaturas. Lo que cambia no es quién decide sobre la botella dudosa, sino que ninguna botella pasa sin que alguien —la cámara o la persona— la haya mirado.

• Cámara industrial montada sobre la línea, después del llenado, etiquetado y aplicación de sello, y antes de la encajadora.
• Inferencia local en la propia planta, en milisegundos: sin dependencia de la nube ni de la conectividad, algo que en una planta de montaña no es un detalle menor.
• La red está entrenada con imágenes de las botellas y etiquetas concretas de esta planta, marca por marca.
• Detecta nivel de llenado fuera de rango, etiqueta y contraetiqueta torcidas o cambiadas, cápsula o lacre incompleto, sello fiscal ausente o mal colocado, y partícula o turbidez visible.
• Expulsa la botella antes del encajado y guarda la imagen como evidencia asociada al lote.

La persona sigue al mando: decide qué se reprocesa y qué se descarta, y revisa los casos límite desde una pantalla de miniaturas.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección a ojo	Con iLEAN Edge
Cobertura	Muestreo, y depende de la fatiga	100 % de las botellas, a cadencia
Nivel de llenado	Se aprecia si es evidente	Fuera de rango, expulsada
Etiqueta y contraetiqueta	Un grado torcida pasa	Torcida o cambiada, expulsada
Marbete fiscal	Ausente o despegado, a veces pasa	Ausente o mal colocado, expulsada
Evidencia por lote	Ninguna	Imagen de cada botella rechazada
Dónde se detecta	En el distribuidor	En planta, antes de encajar

De inspección por muestreo y a ojo a inspección del 100% de las botellas, con evidencia gráfica por lote. De devoluciones y reclamaciones cosméticas del distribuidor a detección en planta.

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.

• Reducción estimada de defecto escapado de al menos un 30 % respecto al control humano a cadencia.
• Payback estimado 6-12 meses, según volumen de botellas y coste medio de una devolución.
• Devoluciones y reclamaciones cosméticas del distribuidor que pasan a detectarse en planta, con evidencia gráfica por lote.
• Y el marbete ausente deja de ser un problema de cumplimiento que se descubre fuera.

Reducción estimada de defecto escapado ≥30% respecto al control humano a cadencia. Payback estimado 6-12 meses según volumen de botellas y coste medio de una devolución. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si expulsa botellas buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con botellas buenas y malas de vuestras marcas concretas, con la iluminación de esa línea, no con un modelo genérico. Clasificar una botella contra una referencia conocida es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Los casos límite no se descartan sin más: se elevan a la pantalla de miniaturas para que decida una persona, y cada decisión realimenta el entrenamiento.

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