A cadencia, el ojo humano se adapta y deja pasar

El problema

A cadencia, el ojo humano se adapta y deja pasar.

El coste de un defecto crece con cada operación que se le añade encima. Una rueda con cordón defectuoso detectada antes del acabado cuesta el disco, la llanta y la soldadura. La misma rueda detectada en la auditoría final cuesta además el pretratamiento, la cataforesis, la pintura, el curado y toda la manipulación intermedia. Y detectada en el cliente cuesta el sorting, el flete urgente y la reputación de proveedor. El control visual humano al cien por cien es, además, un puesto que nadie quiere cubrir a tres turnos y en el que el rendimiento cae de forma predecible a lo largo del turno. El muestreo por nivel de calidad aceptable, la alternativa habitual, es estadísticamente razonable pero deja pasar el defecto esporádico — que es precisamente el que acaba en reclamación de campo.

• El coste de un defecto crece con cada operación que se le añade encima: la misma rueda cuesta el triple detectada tras la pintura que detectada tras la soldadura.
• Detectada en el cliente cuesta además el sorting, el flete urgente y la reputación de proveedor.
• El control visual al cien por cien es un puesto que nadie quiere cubrir a tres turnos, y en el que el rendimiento cae de forma predecible a lo largo del turno.
• El muestreo por nivel de calidad aceptable es estadísticamente razonable, pero deja pasar el defecto esporádico — que es precisamente el que acaba en reclamación de campo.
• Los defectos que importan son conocidos y repetitivos: porosidad, salpicadura, mordedura, falta de penetración y cordón discontinuo.

Cómo encaja con el sistema IRIS

Edge, visión IA en línea — la máquina filtra, la persona juzga.

Edge, visión IA en línea.

El operario no desaparece: deja de inspeccionar y pasa a decidir sobre los casos dudosos que la IA le eleva. Es el cambio que hace sostenible el control al cien por cien, porque lo que no aguanta tres turnos es mirar todas las piezas, no juzgar las difíciles.

• Cámara industrial en la estación posterior a la soldadura, con iluminación controlada, y una segunda a la salida del horno de curado.
• Red neuronal entrenada con el catálogo real de piezas buenas y malas de la propia planta, referencia por referencia.
• Inferencia local en milisegundos, sin depender de la red ni de la nube.
• Expulsión automática y registro de la imagen del defecto asociada a la Orden, a la colada y a los parámetros de soldadura leídos del panel.
• El operario deja de inspeccionar y pasa a decidir sobre los casos dudosos que la IA le eleva: la máquina filtra, la persona juzga.

Ver la arquitectura IRIS completa →

Antes y después

El control visual de hoy frente a la visión Edge

Aspecto	Control visual humano	Con iLEAN Edge
Cobertura	100 % nominal, con fatiga real	100 % a cadencia, sin deriva
Dónde se detecta	Auditoría final o cliente	Estación siguiente a la soldadura
Coste del defecto detectado	Con todo el acabado encima	Disco, llanta y soldadura
Defecto esporádico	Es el que se escapa	Es el que se caza
Evidencia	Ninguna	Imagen, referencia, colada y parámetro de soldadura
Papel del operario	Inspeccionar todo	Juzgar los dudosos

de detección en auditoría final o en cliente a detección en la estación siguiente. De muestreo por nivel de calidad aceptable a control del cien por cien a cadencia. De defecto sin evidencia a defecto con imagen, referencia, colada y parámetro de proceso adjuntos.

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 5-10 meses.
• Reducción de scrap de ≥ 30 % en el modo de fallo cubierto.
• Valor añadido que hoy se invierte en piezas que acabarán rechazadas y que se deja de invertir.
• Reducción del riesgo de reclamación de campo, que es donde el coste deja de tener techo.

payback estimado 5-10 meses, con una reducción de scrap de ≥ 30 % en el modo de fallo cubierto. Se suma el valor añadido que hoy se invierte en piezas que acabarán rechazadas y la reducción del riesgo de reclamación de campo. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si la cámara marca como malas piezas que son buenas?» — el falso positivo es el riesgo real de cualquier visión, y por eso la red se entrena con el catálogo de piezas buenas y malas de la propia planta, referencia por referencia, no con un modelo genérico. Los casos dudosos no se expulsan: se elevan al operario, que decide. Y cada decisión suya realimenta el entrenamiento.

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