La línea no arranca sin luz verde de las cámaras

El problema

El checklist está bien diseñado. El problema es cómo se firma.

Convivir varias fórmulas y alérgenos en las mismas líneas — marca propia y desarrollos a medida — multiplica los cambios críticos por turno respecto a una fábrica mono-fórmula. Hoy depende de que alguien firme "limpio" sin evidencia visual objetiva, y un resto de relleno anterior puede contaminar el primer lote de la nueva fórmula.

• Pasar de una fórmula con lácteos a una sin lácteos exige limpieza certificada de tolva, dosificadora, cinta y utillaje de troquelado. Un resto de relleno anterior contamina el primer lote de la nueva fórmula.
• Convivir varias fórmulas y alérgenos en las mismas líneas multiplica los cambios críticos por turno frente a una fábrica mono-fórmula.
• Hoy todo depende de que alguien firme «limpio» sin ninguna evidencia visual objetiva detrás de la casilla, y se firma con la línea parada y el turno corriendo, que es la peor combinación posible para una comprobación cuidadosa.
• Cuando aparece un incidente, la investigación choca con una casilla marcada y ninguna prueba. No es mala fe: es que una firma no es una comprobación, y el cliente private label que audita lo sabe perfectamente cuando pide ver la evidencia de los últimos treinta cambios.

Cómo encaja con el sistema IRIS

Edge con JIDOKA AI — la línea no arranca sin conformidad y firma.

Edge + JIDOKA AI: cámaras fijas con CNN entrenadas para reconocer "limpio" frente a "resto de relleno o masa anterior" en cada punto crítico. La línea no arranca hasta que todas dan el visto bueno y el responsable de calidad firma con base en evidencia visual.

La cámara no decide sola: compara cada punto crítico con su estado de referencia «limpio» y es el responsable de calidad quien firma sobre esa evidencia. Lo que cambia no es quién decide, sino sobre qué decide. Y de paso queda, sin esfuerzo, la foto que el auditor va a pedir seis meses después.

Ver la arquitectura IRIS completa →

Antes y después

El cambio de fórmula de hoy frente al cambio validado

Aspecto	Hoy	Con iLEAN Edge
Firma de limpieza	Una casilla marcada	Puntos críticos contrastados con referencia
Resto de relleno anterior	Se descubre en el primer lote	Bloquea el arranque
Utillaje de troquelado y dosificadora	Revisión a ojo	Estado comparado imagen a imagen
Primer lote de la nueva fórmula	Bajo sospecha	Validado antes del primer disco
Con muchos cambios por turno	Más exposición acumulada	Misma verificación en cada cambio
Evidencia para el cliente private label	Inexistente	Foto y firma por cambio

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.

• Protección de los contratos private label: el brief no fija aquí un rango de payback, porque el coste de perder un cliente por un incidente de alérgeno supera con creces el de la limpieza.
• La firma a ciegas se convierte en firma basada en evidencia visual, punto crítico a punto crítico.
• El riesgo de contaminación cruzada entre fórmulas con y sin lácteos deja de depender de la prisa del turno.
• Y la planta pasa a tener, por cada cambio de fórmula, una prueba visual que enseñar al cliente private label que audita antes de renovar el contrato.

Protección de contratos private label — el coste de perder un cliente por incidente de alérgeno supera con creces el de la limpieza. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Y si la cámara bloquea la línea sin motivo con el turno corriendo?» — es la objeción correcta, porque el cambio de fórmula está en la ruta crítica. La conformidad se comprueba contra el estado de referencia de ese punto concreto y, ante duda, el sistema no bloquea en silencio: eleva al responsable de calidad, que firma sobre la evidencia. Es tarea anclada —escena fija, dos estados conocidos— donde los mejores modelos bajan del 1,5% de error [1]. 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.