Cero alérgeno no declarado

El problema

Un alérgeno no declarado en una premezcla no se queda en vuestra fábrica.

Una incidencia de alérgeno no declarado o contaminación cruzada en una fórmula vendida como materia prima se propaga al producto final y a la certificación del cliente industrial.

• Una planta de ingredientes funcionales vende materia prima formulada a otros fabricantes. Un alérgeno no declarado o una contaminación cruzada se propaga al producto final del cliente y a su propia certificación.
• La causa casi nunca es un único fallo: es un ingrediente sustituido sin actualizar la ficha, una pesada fuera de orden, una limpieza dudosa y una etiqueta de otra fórmula.
• Cada eslabón por separado pasa su control. Juntos producen el lote que el cliente industrial detecta en su línea, con reclamación y riesgo de perder el contrato.
• Por eso los controles aislados no bastan: lo que delata el problema es que la fórmula del ERP, la pesada real, la limpieza y el dossier del lote dejen de coincidir.

Cómo encaja con el sistema IRIS

Connect, Edge y Agents en cuatro anillos — si uno discrepa, JIDOKA AI para la línea.

Connect + Edge + Agents coordinados en 4 anillos: fórmula del ERP, pesada real capturada, limpieza validada por Edge, y dossier evidence pack del lote; si no coinciden, JIDOKA AI bloquea la línea. SMED AI acelera los cambios de fórmula.

Ningún anillo resuelve el problema solo: cada uno existe hoy en alguna forma y aun así el alérgeno se escapa. La fuerza está en el cruce entre fórmula del ERP, pesada capturada, limpieza validada y dossier del lote. Si no coinciden, JIDOKA AI bloquea la línea, y SMED AI acelera los cambios de fórmula para que la seguridad no se pague en disponibilidad.

Ver la arquitectura IRIS completa →

Antes y después

Los cuatro anillos contra el alérgeno no declarado

Anillo	De qué casos sale	Qué cierra
1 · Fórmula declarada	Dosificadora cosida al ERP (8) + aviso de proveedor (3)	Qué alérgenos debe llevar la premezcla
2 · Pesada real	Ficha de pesada (1) + báscula de minoritarios (2) + tableta (5)	Qué se pesó de verdad y con qué lote
3 · Limpieza de mezcladora	Limpieza validada por Edge (10)	Que no quede alérgeno de la fórmula anterior
4 · Envase y dossier	Envasado (9) + dossier de auditoría (11)	Etiqueta correcta y evidencia por lote
Bloqueo de la línea de premezclas	JIDOKA AI sobre los cuatro anillos	Discrepancia comprobable, línea parada
Tiempo de cambio de fórmula	SMED AI en los cambios de fórmula	Más seguridad sin más tiempo de cambio

Incidentes/año con riesgo de reclamación o pérdida de certificación del cliente → cero. Detección en línea, no en la fábrica del cliente.

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, contado contra la primera incidencia de alérgeno que se evita.
• Incidentes al año con riesgo de reclamación o de pérdida de certificación del cliente: a cero. Lo que se busca no es reducirlos, sino que ninguno llegue a salir de la planta.
• La detección ocurre en vuestra línea, no en la fábrica del cliente, que es donde una incidencia se convierte en retirada de producto.
• Y protege los contratos plurianuales con clientes industriales, que se renuevan sobre la confianza en vuestra declaración de alérgenos. Un cliente cárnico o de snacks no renueva con un proveedor que le ha obligado a retirar producto.

Payback 6-12 meses contra la primera incidencia evitada · protege contratos multi-anuales — estimación a validar

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para tener esto?» — no; los anillos se construyen por capas y cada caso paga por sí mismo. Y sobre las paradas: JIDOKA AI no para por intuición, para cuando dos fuentes comprobables no coinciden, como una fórmula que declara soja y una pesada que no la lleva. Donde interviene un modelo, como leer la ficha, es tarea anclada y los mejores modelos bajan del 1,5% de error [1]; la duda se eleva a una persona.

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