El sistema iLEAN completo contra la no conformidad en pieza de seguridad

El problema

Una no conformidad en pieza de seguridad casi nunca tiene una sola causa.

una no conformidad o recall en pieza de seguridad es el mayor riesgo reputacional y económico del sub-sector — puede costar desde la contención de lote hasta la pérdida de homologación como proveedor del OEM.

• Una colada mal transcrita, un útil algo desplazado tras el cambio, una plaquita al límite y un lote marcado con un dígito equivocado: cada eslabón pasa su control por separado.
• Juntos producen el pistón de freno o el eje de transmisión que llega al OEM fuera de cota, o que no se puede trazar cuando hace falta. Y nadie puede decir en qué eslabón empezó.
• El coste va desde la contención del lote, con clasificación y fletes urgentes, hasta el recall. Más el tiempo de ingeniería y de calidad que se va en el 8D. Y la nota de calidad del proveedor baja en el sistema del OEM.
• Y en el extremo, la pérdida de homologación como proveedor del OEM, que es un valor de varios años de contratos.

Cómo encaja con el sistema IRIS

Anillos de verificación que se cruzan — es todo lo anterior, orquestado.

colada certificada en recepción (Connect) + setup validado por cámara (Edge + JIDOKA AI) + lectura Edge a la salida del torno + marcado láser directo desde el ERP (Connect) + dossier evidence pack (Agents), con SMED AI manteniendo ágiles los cambios de referencia.

Ningún control aislado resuelve el problema: todos existen ya de alguna forma y aun así la pieza se escapa. La fuerza está en el cruce, porque lo que delata la concatenación es que fuentes independientes dejen de concordar. Cuando la colada, el setup, la imagen y el marcado de un lote no cuentan la misma historia, la caja no sale.

Ver la arquitectura IRIS completa →

Antes y después

Los anillos del sistema, y qué cierra cada uno

Anillo	De qué casos sale	Qué cierra
1 · Material	Recepción de barra (7) + aviso de proveedor (3)	Colada certificada atada al lote desde el muelle
2 · Arranque	Foto a la OF (1) + first-off en tableta (5)	Qué barra, qué torno y qué primera pieza
3 · Setup	Setup validado por cámara (10) + panel del torno (2)	Útil mal montado y deriva de plaquita
4 · Línea	Visión Edge a la salida (9) + metrología (6)	Pieza defectuosa y cota en deriva
5 · Identidad	Marcadora láser (8)	Lote grabado igual al de la OF
6 · Evidencia	Dossier IATF (11) + jefe de turno (4)	Expediente por caja y log de decisiones

incidentes de no conformidad con riesgo de recall → detección de discrepancia en línea, antes de que la pieza salga de 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.

• Payback estimado 6-12 meses, medido frente a la primera no conformidad evitada. Basta una contención evitada para que el sistema se haya pagado.
• Protección frente al recall, cuyo impacto único puede superar los cientos de miles de euros entre contención, clasificación, fletes y penalizaciones.
• Protección frente a la pérdida de homologación como proveedor del OEM, que es un valor multianual.
• La discrepancia se detecta en línea, antes de que la caja salga de planta, con SMED AI manteniendo ágiles los cambios de referencia.

protección frente a recall (impacto único que puede superar los cientos de miles de euros) y frente a la pérdida de homologación como proveedor del OEM (valor multi-anual), payback estimado 6-12 meses frente a la primera no conformidad evitada. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Va a parar la línea cada vez que un modelo dude?» — no. JIDOKA AI detiene por discrepancia comprobable entre fuentes —la colada de la OF no coincide con la recibida, el lote grabado no es el de la orden—, no por incertidumbre de un modelo. Las lecturas que alimentan el cruce son tareas ancladas, donde los mejores modelos bajan del 1,5% de error [1], y cuando la duda es del modelo, el caso sube a una persona.

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