Control de tableros de instrumentos con IA — el test de fin de línea muestrea segundos; el defecto estético fino llega al OEM.

El problema

El cluster pasa el test funcional — y la mota bajo el cristal la descubre el OEM.

El responsable de calidad de la línea de clusters lo cuenta igual en todas las plantas: el tablero pasó el test de fin de línea, comunicaciones OK, actuadores OK, la muestra de pantalla que el test reproduce se vio bien. Y semanas después llega la reclamación del OEM: una mota bajo el cristal, un gradiente de brillo que solo se ve conduciendo de noche, un icono que enciende con el color desviado. El defecto no falló ningún parámetro eléctrico — era estético, fino, y pasó.

Tres cosas pasan a la vez en una línea de tableros de instrumentos y casi nadie las cubre juntas:

1. El test funcional muestrea, no verifica — reproduce unos segundos de una secuencia de pantalla que dura minutos. Los píxeles muertos fuera de la muestra, la uniformidad de brillo, el icono que debe encender exacto en cada variante quedan sin comprobar al 100%.
2. El defecto estético fino se le escapa al operario a cadencia — la mota bajo el cristal, el brillo desigual, el clip que cerró a medias. El ojo humano a takt no lo sostiene turno tras turno; el veterano lo caza más veces, pero no todas.
3. La variante de firmware se comprueba a mano — mercado, idioma, paquete de opciones. Un cluster flasheado con la variante de otro mercado es funcionalmente perfecto y comercialmente inservible, y se descubre tarde.

El resultado es siempre el mismo: la fuga la detecta el OEM, la reclamación y el sorting los paga la planta, y la discusión con el proveedor de displays — ¿el defecto venía en la pantalla o lo puso el ensamblaje? — se queda en opiniones porque no hay evidencia por lote.

Cómo encaja con el sistema IRIS

iLEAN no sustituye el test de fin de línea — cubre lo que el test no ve.

El problema del cluster no es falta de test: la línea ya tiene test funcional, trazabilidad de seriales y estación de flasheo. El problema es que cada control cubre su isla — el test muestrea la pantalla, el operario mira a cadencia, la variante se casa a mano. iLEAN actúa como la masilla que une la verificación 100% de la secuencia, el cierre de cada clip, la orden del OEM y el histórico por lote de pantalla, sin pedirte que cambies el test ni la estación de flasheo.

Edge verifica la secuencia completa píxel a píxel y el cierre de cada clip. Connect casa serial, orden del OEM y firmware antes de flashear. JIDOKA AI retiene ante deriva. La persona decide.

Las cuatro piezas iLEAN aplicadas al control de tableros de instrumentos:

• Edge — visión local sobre el puesto de fin de línea: captura la secuencia completa de encendido del cluster y la compara píxel a píxel contra el patrón de referencia de cada variante — píxeles muertos, uniformidad de brillo, cada icono en su color y posición exactos — en segundos, al 100% de las piezas. En el puesto de ensamblaje, cruza firma acústica e imagen para verificar que cada clip cierra, no que parece cerrado. Funciona en local: si la planta se queda sin red, Edge sigue capturando, comparando y reteniendo. Lo crítico no depende del WiFi.
• Connect — cose el serial del cluster con la orden de fabricación del OEM (mercado, idioma, opciones) y la variante de firmware que la estación va a flashear. Si no casan, no se flashea. El casado deja de ser una comprobación manual y pasa a ser un bloqueo previo con registro por serial.
• JIDOKA AI — si la tasa de defecto deriva (mismo defecto repetido, misma zona del cristal, mismo turno), retiene el flujo y avisa antes de que el lote salga hacia el OEM. No actúa solo en lo crítico: propone la retención, el responsable de línea decide.
• Agents — correlacionan el defecto estético detectado por Edge con el lote de pantalla del proveedor de displays, el útil, el turno y la variante. Cuando la mota o el gradiente de brillo se concentra en un lote recibido, el agente monta la evidencia — imágenes, seriales, fechas — para la reclamación al proveedor.

Ver la arquitectura IRIS completa →

Antes y después

Control de cluster clásico vs. control con iLEAN

Aspecto	Test funcional + inspección a cadencia	Con iLEAN Edge + Connect
Secuencia de pantalla	Muestreo de segundos en el test	100% de la secuencia, píxel a píxel
Defecto estético fino (mota, brillo desigual)	Ojo del operario a cadencia	Visión contra patrón, en segundos
Cierre de clips	Inspección visual y tacto	Firma acústica + imagen por cada cierre
Variante firmware/idioma por mercado	Comprobación manual contra la orden	Serial casado con la orden del OEM antes de flashear
Deriva de la tasa de defecto	Se descubre en el contenedor o en el OEM	JIDOKA AI retiene el flujo y avisa
Reclamación al proveedor de displays	Sin evidencia por lote, opiniones	Defecto correlacionado con lote de pantalla, con imágenes

Estimación de impacto

Estimación de impacto para tu planta — a validar con tus 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.

• Línea de tableros/clusters de instrumentos con test funcional de fin de línea, inspección visual a cadencia, estación de flasheo de variantes por mercado y reclamaciones del OEM por defecto estético documentadas en los últimos meses.
• Piloto Edge sobre el puesto de fin de línea + Connect cosido a la orden del OEM. Primer valor esperable en pocas semanas: la verificación 100% de la secuencia y el bloqueo de variantes funcionan desde el arranque, antes de que JIDOKA AI y los Agents afinen con el histórico.
• Reducción esperable de las fugas de defecto estético al OEM ≥30% en los primeros meses — estimación a validar con tus datos de reclamaciones.
• Objetivo de cero variantes de firmware equivocadas con el casado serial ↔ orden del OEM previo al flasheo, con registro por serial para auditoría.
• Payback orientativo entre 5 y 12 meses, estimación a validar. La palanca dura: cada cluster que no llega defectuoso al OEM evita reclamación, sorting y transporte urgente — los tres costes que más duelen en el PPM.
• Beneficio recurrente que no entra en el ROI pero pesa: la reclamación al proveedor de displays con evidencia — imágenes, seriales y lotes correlacionados — recupera coste que hoy se queda en la planta por falta de datos.

Y la duda razonable del responsable de calidad

«¿Y si la visión marca falsos defectos y me retiene piezas buenas a cadencia?» — el sistema iLEAN no descarta solo. Edge compara contra patrón y propone; JIDOKA AI retiene ante deriva; la persona confirma o libera. La alucinación es un problema de la generación libre, no de las tareas ancladas: en tareas donde la IA compara una secuencia capturada contra un patrón de referencia y un histórico, los mejores modelos bajaron el error por debajo del 1,5%^[1]. Y aun así, lo crítico va a los anillos de seguridad — los agentes viven en el anillo exterior, proponen hacia dentro, y la retención o liberación de una pieza la firma una persona. Nunca al revés.

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