Defecto detectado al vuelo

El problema

A la cadencia del ciclo, el ojo humano deja pasar justo lo intermitente.

El control 100% visual humano es imposible a cadencia real, y el muestreo deja huecos justo en los defectos intermitentes. En una pieza Clase A visible o funcional, ese defecto llega al cliente: devolución, reclamación de calidad, riesgo de perder el estatus de proveedor preferente.

• El control visual al cien por cien hecho por personas no existe a cadencia real: a los veinte minutos la atención cae y el criterio se relaja sin que nadie lo note.
• El muestreo tapa el hueco solo en apariencia. El defecto intermitente se cuela precisamente entre muestra y muestra, que es su definición.
• En una pieza Clase A visible, o en una funcional, ese defecto llega al cliente: devolución, reclamación formal y una conversación incómoda sobre el estatus de proveedor preferente.
• Y el PPM que se declara sale de una extrapolación del muestreo, no de una medición: se negocia con el cliente un número que nadie ha contado de verdad, y se sostiene hasta que el cliente cuenta el suyo.

Cómo encaja con el sistema IRIS

Edge — cámara sobre la celda, inferencia local en milisegundos y retirada antes del empaque.

Edge — visión CNN local, sin enviar imagen a la nube. Modelo entrenado con ejemplos buenos y malos del componente concreto del cliente.

La imagen no sale de la planta. La CNN corre en un equipo local junto a la celda, entrenada con piezas buenas y malas de vuestra propia referencia, y decide en el tiempo que tarda la pieza en recorrer la cinta. Para un inyectador que firma acuerdos de confidencialidad con varios clientes, esa diferencia no es técnica, es contractual.

Ver la arquitectura IRIS completa →

Antes y después

El muestreo de hoy frente al control del cien por cien

Aspecto	Hoy	Con iLEAN Edge
Cobertura de inspección	Muestreo del 1-5%	100% de las piezas
Defecto intermitente	Pasa entre muestras	Se caza en el disparo
Rebaba atribuida a una cavidad	Por intuición del ajustador	Por cavidad, con histórico
Momento del rechazo	En empaque, si alguien la ve	En la cinta, antes de la caja
Imagen de la pieza rechazada	No queda ninguna	Guardada con su lote y su ciclo
PPM declarado al cliente	Extrapolado del muestreo	Medido sobre el total producido

muestreo del 1-5% → control del 100% de piezas. Reclamaciones de cliente por defecto visual → reducción drástica.

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 5-12 meses, según el ratio de scrap y de reclamaciones que tengáis hoy.
• Del muestreo del 1-5% al control del 100% de las piezas, sin añadir una sola persona a la celda.
• Reducción drástica de las reclamaciones de cliente por defecto visual, que es donde se juega el estatus de proveedor.
• Y la rebaba deja de atribuirse por intuición: el histórico por cavidad dice qué postizo hay que revisar y cuándo.

payback estimado 5-12 meses según ratio de scrap/reclamo actual. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Va a rechazar piezas buenas y a hundirme la productividad?» — el criterio no lo pone el modelo, lo ponéis vosotros: se entrena con piezas reales aceptadas y rechazadas por vuestro equipo de calidad, con los límites de la referencia. Clasificar un defecto de aspecto contra ejemplos propios es tarea anclada y los mejores modelos bajan del 1,5% de error [1]. En la puesta en marcha la cámara corre en paralelo al control actual hasta que sus dos criterios coinciden.

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