Cero defectos críticos, con trazabilidad completa

El problema

Un incidente de garantía masivo mal trazado cuesta mucho más que el defecto.

Un incidente de garantía masivo mal trazado destruye confianza, dispara costes de reemplazo en campo y pone en riesgo la relación con el cliente OEM.

• El dolor capital de una fábrica de baterías de arranque es siempre el mismo: borne mal soldado, fuga de ácido o sellado defectuoso llegando al cliente. Son defectos que pasan desapercibidos en planta y aparecen meses después en el vehículo.
• Si además la trazabilidad lote a batería está rota, un defecto puntual se convierte en una campaña de reemplazo sobre toda la producción sospechosa. Lo que debería ser un lote se convierte en meses de fabricación.
• Eso destruye confianza, dispara los costes de reemplazo en campo y pone en riesgo la relación con el cliente OEM y la nominación de futuros programas.
• Cada control por separado ya existe hoy y aun así el defecto se escapa, porque nadie cruza el programa, el marcado, la línea y la evidencia entre sí.

Cómo encaja con el sistema IRIS

Cuatro anillos de verificación que se cruzan — Connect, Edge y Agents orquestados.

Anillo 1 (ERP) define aleación/lote/modelo; Anillo 2 (Codificadora) marca sin tecleo vía API; Anillo 3 (Edge) lee lo ensamblado y cruza con el programa — si no coincide, JIDOKA AI bloquea la línea; Anillo 4 (Evidence pack) acompaña cada batería con su dossier. SMED AI acelera los cambios sin romper la coordinación.

Ningún anillo resuelve el problema solo. La fuerza está en el cruce: si lo que el ERP programó, lo que la codificadora marcó y lo que la cámara ve en la línea no coinciden, JIDOKA AI para la línea antes de que la batería llegue al palé. Y el dossier de cada batería demuestra después que así fue. Es la diferencia entre decir que se controla y poder demostrarlo. Y lo que convierte un buen proceso en un proveedor de confianza.

Ver la arquitectura IRIS completa →

Antes y después

Los cuatro anillos contra el defecto crítico de garantía

Anillo	Qué hace	Qué cierra
Anillo 1 · Orden en el ERP	Define aleación, lote y modelo	La verdad de la orden de fabricación
Anillo 2 · Marcado de serie	Graba serie, fecha y planta vía API	Batería atada a su lote sin tecleo
Anillo 3 · Visión Edge en línea	Lee lo ensamblado y lo cruza con el programa	Borne, sellado o modelo que no coinciden
Anillo 4 · Dossier por batería	Acompaña cada batería con su evidencia	Prueba lista ante una reclamación
Freno JIDOKA AI	Para la línea ante discrepancia	El defecto no llega al palé
Cambios con SMED AI	Acelera los cambios de aleación y modelo	Velocidad sin romper la coordinación

Incidentes de garantía con riesgo de reclamo masivo → detección de discrepancia en línea, no en el 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 el primer incidente de garantía evitado.
• Los incidentes con riesgo de reclamo masivo pasan a detectarse en línea, no en el cliente.
• La campaña de reemplazo, si llega, se acota al lote exacto gracias a la trazabilidad lote a batería. Esa diferencia se cuenta en miles de baterías que no hace falta retirar.
• Lo validamos con vuestro responsable de calidad y con la dirección de planta, sobre vuestro histórico de garantía. Ningún número se presenta sin esa revisión, y se recalcula a medida que se despliega cada anillo.

Payback estimado 6-12 meses contra el primer incidente de garantía evitado. *Estimación a validar* con el responsable de calidad y dirección de planta.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para llegar aquí?» — no, y plantearlo así sería no empezar nunca. Los anillos se construyen por capas y cada caso paga solo. Cruzar programa, marcado e imagen es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y JIDOKA AI detiene por discrepancia comprobable entre fuentes, nunca por una duda del modelo, que sube a una persona.

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