Nivel de llenado, tapa y etiqueta controlados al 100%

El problema

El muestreo deja pasar rachas enteras.

Nivel de llenado bajo, que es queja de consumidor y problema de contenido neto. Tapa torcida o mal apretada, que es pérdida de carbonatación y fuga en el palé. Y etiqueta descentrada, arrugada o directamente del sabor equivocado, que es lo que el cliente cadena rechaza en su propio andén y devuelve completo. Una botella defectuosa cuesta céntimos. Un palé rechazado en el andén del cliente cuesta el producto, el flete de vuelta, la penalización de servicio y una conversación incómoda con una cuenta grande. Esa es la cifra contra la que hay que comparar la inversión, no el valor de la unidad.

• A cientos o miles de botellas por minuto, el control visual humano al cien por cien es físicamente imposible. Lo que hay es un muestreo.
• Un ajuste que se desvía puede producir media hora de producto defectuoso antes de que alguien lo note en la siguiente ronda.
• Nivel de llenado bajo: queja de consumidor y problema de contenido neto. Tapa torcida o mal apretada: pérdida de carbonatación y fuga en el palé.
• Etiqueta descentrada, arrugada o del sabor equivocado: lo que el cliente cadena rechaza en su propio andén y devuelve completo.
• Una botella defectuosa cuesta céntimos. Un palé rechazado en el andén del cliente cuesta el producto, el flete de vuelta, la penalización de servicio y una conversación incómoda.

Cómo encaja con el sistema IRIS

Edge — visión que infiere en el borde, en milisegundos por unidad.

Edge: visión que infiere en el borde, en milisegundos. iLEAN Edge coloca cámaras a la salida de la llenadora-taponadora y de la etiquetadora, con una unidad de cómputo local. El modelo se entrena con los envases y las etiquetas concretas de la planta, no con un catálogo genérico. La inferencia ocurre en el borde, sin mandar imagen a la nube: sin latencia, sin coste de tráfico y sin depender de la conexión. Y además avisa de la tendencia, no solo de la unidad. La botella defectuosa se expulsa antes de entrar al empaque, pero el valor mayor está en la señal: si el porcentaje de nivel bajo sube de forma sostenida, el problema no está en las botellas, está en la llenadora. El responsable de línea recibe esa tendencia en segundos, no al final del turno.

Lo que cambia no es solo la cobertura: es el momento. Detectar la deriva en las primeras decenas de botellas en vez de en la ronda siguiente convierte media hora de producto perdido en un ajuste de dos minutos.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hoy frente al control Edge

Aspecto	Control por muestreo	Con iLEAN Edge
Cobertura	1-2 % de las unidades	100 %
Una deriva de ajuste	Media hora de producto defectuoso	Se ve en las primeras decenas
Dónde se detecta el fallo	En el andén del cliente	Antes del empaque
Coste del rechazo	El palé, el flete y la penalización	La botella
Etiqueta del sabor equivocado	Se descubre con palés hechos	Se expulsa en línea
Dónde se procesa la imagen	—	En planta: sin latencia ni tráfico

Payback 5-12 meses · del muestreo del 1-2% al control del 100% de las unidades

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 el ratio de rechazo actual.
• El peso real está en las devoluciones de cliente cadena: ahí es donde el coste deja de guardar relación con el precio de la botella.
• Del muestreo del 1-2 % al control del 100 % de las unidades, a cadencia real.
• Y la deriva de un ajuste deja de costar media hora de producción.

El retorno depende del ratio de rechazo actual y, sobre todo, del peso que tengan hoy las devoluciones de cliente cadena. Payback estimado entre cinco y doce meses. Estimación a validar con vuestras cifras de rechazo y devolución del último ejercicio.

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 las piezas buenas y malas de vuestros formatos concretos y con la iluminación de ese puesto, no con un modelo genérico. Las unidades dudosas se elevan 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.