Seis líneas interconectadas, sincronizadas de verdad

El problema

En un proceso continuo, una parada local nunca se queda local.

La desincronización entre líneas es el mayor riesgo operativo y económico del sub-sector — cada incidente de downtime no planificado cuesta producción perdida en todas las líneas aguas abajo.

• La planta encadena molienda y atomizado, prensado, esmaltado y decoración, cocción, clasificado y empaquetado. Cada línea alimenta a la siguiente, y casi ninguna tiene pulmón. Sin pulmón, cualquier parada se transmite en minutos.
• La desincronización entre líneas es el mayor riesgo operativo y económico del sub-sector: un atomizador que se para deja sin polvo a las prensas, y una esmaltadora parada deja huecos en el horno.
• Cada incidente de downtime no planificado cuesta producción en todas las líneas aguas abajo, y el horno, que no puede pararse, cuece vacío. Un horno vacío sigue consumiendo gas y no produce nada.
• Hoy el cuello de botella se detecta cuando ya ha golpeado a toda la cadena, y la causa raíz se reconstruye con días de retraso.

Cómo encaja con el sistema IRIS

Agents orquesta los once casos anteriores en anillos que se cruzan.

Connect captura el estado de cada línea (cambios de formato, avisos de proveedor, incidencias por voz, recepción de materia prima); la integración legacy cose los sistemas aislados; Edge controla los puntos críticos y JIDOKA AI bloquea antes de propagar; Agents documenta cada incidente para causa raíz; SMED AI acelera los cambios para no penalizar productividad.

Ningún caso por separado sincroniza la planta: cada uno resuelve un punto. La fuerza está en el cruce, porque lo que delata una desviación que va a propagarse es que el estado de una línea deje de concordar con lo que espera la siguiente. Por eso el flagship no es un producto aparte: es la orquestación de los once casos anteriores.

Ver la arquitectura IRIS completa →

Antes y después

Las seis líneas, y qué desviación corta iLEAN en cada una

Línea	De qué casos sale	Qué se corta en origen
1 · Molienda y atomizado	Aviso de proveedor (3) + recepción (7)	Falta de insumo antes de vaciar silos
2 · Prensado	Cambio de formato (1) + jefe de línea (4)	Ajuste de prensa sin rastro
3 · Esmaltado y decoración	Impresora (8) + cambio de color (10)	Receta equivocada o color contaminado
4 · Horno de rodillos	Panel del horno (2)	Deriva de curva que nadie ve
5 · Clasificado	Defecto al vuelo (9) + laboratorio (6)	Pieza defectuosa camino del palé
6 · Empaquetado y evidencia	Tableta (5) + dossier (11)	Dato sin validar y hueco documental

Cuello de botella detectado cuando ya ha golpeado a toda la cadena → cuello de botella detectado y corregido en la línea de origen.

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 coste medio de un incidente de downtime no planificado. El rango se valida con vuestro histórico de paradas y el coste real de cada una.
• Reducción del downtime no planificado y protección del OEE agregado de las seis líneas.
• El cuello de botella pasa de detectarse cuando ya ha golpeado a toda la cadena a corregirse en la línea de origen.
• Y cada incidente queda documentado por Agents para el análisis de causa raíz, mientras SMED AI acelera los cambios para no penalizar productividad.

Reducción de downtime no planificado, protección del OEE agregado de las líneas. Payback estimado 6-12 meses contra el coste medio de un incidente. *Estimación a validar*.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para sincronizar algo?» — no, y plantearlo así sería la forma de no empezar nunca. Los anillos se montan por capas y cada caso paga solo. JIDOKA AI bloquea ante una discrepancia comprobable entre fuentes, no ante una duda del modelo; y la lectura de cada fuente es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Lo dudoso sube a una persona.

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