Cero paros de línea por desabasto

El problema

El paro por desabasto se ve venir horas antes, pero nadie junta las señales.

Un paro de línea por desabasto no anticipado es el mayor riesgo económico recurrente de una planta que depende de cientos de proveedores locales e internacionales en modo justo a tiempo. Cada incidente cuesta desde decenas hasta cientos de miles de dólares en línea parada, más el riesgo de incumplir compromisos de volumen con el mercado.

• Una planta de ensamblaje que depende de cientos de proveedores locales e internacionales en justo a tiempo tiene un riesgo económico recurrente por encima de todos: el paro de línea por desabasto no anticipado.
• Cada incidente cuesta desde decenas hasta cientos de miles de dólares en línea parada, más el riesgo de incumplir los compromisos de volumen con el mercado.
• Las señales que lo anuncian existen: el correo del proveedor, el camión que no llega a su ventana, el contenedor con el lote equivocado. Pero viven en sistemas y bandejas distintas.
• Cuando alguien las junta, la pieza ya falta en la estación y la única opción es parar o sacar unidades incompletas al pulmón.

Cómo encaja con el sistema IRIS

Anillos de verificación cruzados — todo lo anterior, orquestado contra el desabasto.

Connect (huecos 3 y 7) detecta la señal temprana del proveedor y confirma la llegada física real; Edge + integración legacy (huecos 8 y 10) confirman el estado del punto crítico que depende de esa pieza; Agents (hueco 11) deja constancia auditable de cada decisión; SMED AI resecuencia unidades no afectadas y JIDOKA AI bloquea si hace falta — todo antes de que la línea tenga que detenerse.

Ninguna de estas piezas evita un paro por separado: el aviso sin la llegada física es una suposición, y la llegada sin el estado del punto crítico es media respuesta. Lo que da minutos u horas de margen es que se crucen y que SMED AI resecuencie con ellas. Por eso el caso se construye por capas, empezando por las que más señales aportan.

Ver la arquitectura IRIS completa →

Antes y después

Las capas que se cruzan contra el paro de línea, y qué aporta cada una

Capa	De qué casos sale	Qué aporta contra el paro
1 · Señal temprana	Aviso del proveedor de arneses (3)	El retraso conocido en segundos, no en horas
2 · Llegada física	Albarán JIT en el muelle (7)	Confirmación de qué contenedor llegó y con qué lote
3 · Punto crítico	Atornillador de par (8) + cambio de color (10)	Estado real de la estación que depende de esa pieza
4 · Constancia	Dossier IATF (11)	Registro auditable de cada decisión tomada
5 · Resecuenciación	SMED AI	Unidades no afectadas adelantadas en la secuencia
6 · Bloqueo	JIDOKA AI	Parada controlada solo si el cruce lo exige

Paro de línea reactivo cuando ya falta la pieza en estación → resecuenciación proactiva minutos u horas antes de que la línea la necesite.

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 paro evitado.
• Protección frente al coste de la hora de línea parada, que en una planta de vehículos se mide en decenas o cientos de miles de dólares por incidente.
• Del paro reactivo, cuando la pieza ya falta en la estación, a la resecuenciación proactiva minutos u horas antes.
• Conviene validarlo con planificación de materiales y con dirección de planta, que son quienes tienen el coste real de cada paro.

Payback estimado 6-12 meses contra el primer paro evitado. *Estimación a validar* con planificación de materiales y dirección de planta. (Payback 6-12 meses · protege contra el coste de hora de línea parada)

Y la duda razonable del responsable de producción

«¿Y si el sistema resecuencia por una falsa alarma y desordena la línea?» — las capas se cruzan precisamente para eso: una sola señal no mueve la secuencia, hace falta que el aviso y la llegada física discrepen. Extraer y contrastar esas señales es una tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]; JIDOKA AI solo bloquea ante una discrepancia comprobable entre fuentes, y la resecuenciación pasa por planificación antes de aplicarse. Una falsa alarma, en el peor caso, cuesta una propuesta descartada.

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