Ninguno de esos defectos estropea el producto; todos estropean la marca
A cien o trescientas unidades por minuto el ojo humano no llega. El control hoy es muestreo, y entre muestra y muestra pasan cientos de unidades. Los defectos que se escapan son siempre los mismos: nivel de llenado fuera de rango, tapón mal roscado, dosificador ausente, etiqueta torcida, cápsula de aerosol mal encajada, código ilegible. Una cámara Edge los detecta a cadencia y expulsa antes del estuchado.
Ninguno de esos defectos estropea el producto, y todos estropean la marca.
El control de calidad en línea es hoy un operario que mira lo que puede más un control final por muestreo estadístico. Es un método razonable para detectar problemas sistemáticos y muy pobre para detectar los esporádicos. El matiz que hace esto crítico en cuidado personal es que casi ninguno de esos defectos afecta al producto, pero todos afectan a la percepción de marca, que es exactamente lo que el brand owner compra a su fabricante. Cualquiera de ellos que llegue al cliente se convierte en devolución, no conformidad y una anotación en el scorecard de proveedor.
- A cien o trescientas unidades por minuto el ojo humano no llega, y no es un problema de voluntad ni de formación: es una limitación física. Por eso el estándar del sector es el muestreo.
- Entre muestra y muestra pasan cientos de unidades, y los defectos que se escapan son siempre los mismos: nivel fuera de rango, tapón mal roscado, dosificador ausente, etiqueta torcida, cápsula mal encajada, código ilegible.
- Lo que el brand owner compra a su fabricante es percepción de marca, y eso es exactamente lo que estos defectos dañan aunque el producto de dentro esté perfecto.
- Cada unidad que llega al cliente vuelve como devolución, no conformidad y una anotación en el scorecard de proveedor, que es lo que decide la renovación de la cuenta.
Edge — visión artificial en línea con inferencia local, en milisegundos.
cámara Edge sobre la línea con inferencia local en milisegundos —sin dependencia de red ni nube— y una red neuronal entrenada con imágenes buenas y malas del formato concreto de esa referencia. Al detectar el defecto, expulsa la unidad antes de que entre en el estuche. Cada expulsión queda registrada con su imagen: el operario ve en pantalla qué se expulsa y por qué, y corrige el ajuste de máquina en el momento. Una desviación sistemática suele preceder a una avería, así que la visión funciona además como aviso temprano de mantenimiento.
Una desviación sistemática casi siempre precede a una avería. El mismo modelo que expulsa la unidad defectuosa es el que avisa de que el cabezal de tapado está empezando a irse.
Muestreo frente a inspección del 100%
| Aspecto | Control por muestreo | Con iLEAN Edge |
|---|---|---|
| Cobertura | Una fracción de las unidades | 100% |
| Momento de la detección | Control final | La unidad en curso |
| Unidad defectuosa | Llega al estuche | Expulsada antes de estuchar |
| Dependencia de red o nube | No aplica | Ninguna: inferencia local |
| Evidencia del rechazo | Un recuento | La imagen de cada unidad |
| Deriva de máquina | Se descubre con la avería | Se ve como patrón antes |
de muestreo intermitente a inspección del 100% de las unidades · de defecto detectado en control final a defecto expulsado en la unidad en curso · de reclamación del brand owner a incidencia interna resuelta en el turno.
Estimación de impacto — a validar con sus 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.
- Líneas de llenado y acondicionado a cien o trescientas unidades por minuto, con formatos de frasco, tubo, bote y aerosol.
- Payback orientativo entre 5 y 10 meses por línea.
- Reducción ≥30% de unidades defectuosas que llegan al cliente y de retrabajos de reestuchado.
- Empiece por el formato que más reclamaciones genera: es donde el caso se paga primero.
payback estimado de 5 a 10 meses por línea. Reducción ≥30% de unidades defectuosas que llegan al cliente y de retrabajos de reestuchado, más la detección temprana de derivas de máquina. *Estimación a validar.*
Y la duda razonable del responsable de producción
«¿Y si me expulsa unidades buenas?» — el umbral se ajusta durante las semanas de entrenamiento con producción real de ese formato, y el punto de partida es deliberadamente conservador: es preferible mandar unas cuantas dudosas a revisión que dejar pasar un tapón mal roscado a un cliente. Todo lo expulsado queda con su imagen, así que el criterio se audita en lugar de discutirse.
[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas.
Lo que suelen preguntar sobre la visión en la línea de envasado
¿Por qué la inferencia es local y no en la nube?
Por latencia, coste y ancho de banda. Enviar la imagen de cada unidad a la nube a trescientas por minuto no es viable, y la decisión de expulsar tiene que tomarse en milisegundos y en el propio expulsor. Por eso la GPU está a pie de línea y la línea no depende de la red.
¿Hay que entrenar un modelo por cada formato?
Se entrena por formato concreto, porque lo que cuenta como defecto en un frasco con dosificador no es lo que cuenta en un tubo o en un aerosol. Lo que sí se reutiliza es el montaje, la instalación y el trabajo previo, así que la segunda línea cuesta bastante menos que la primera.
¿Cuánto material hace falta para entrenar?
Semanas, no meses, y hacen falta unidades reales: buenas y malas. Esa es la restricción práctica — si un defecto aparece una vez al mes, tardan en acumularse ejemplos. Para los frecuentes, que son los que duelen, suele haber material suficiente en pocas producciones.
¿Frena la línea?
No: la inferencia ocurre en milisegundos sobre GPU local y la expulsión va al ritmo de la envasadora, no al revés. Si detecta una anomalía sistemática —no una unidad suelta, sino un patrón— entonces sí puede detener la línea, que es lo que evita producir un lote entero defectuoso.
¿Qué gana una planta multi-marca frente a una de marca propia?
Un criterio único y auditable. Hoy la misma etiqueta torcida se acepta o se rechaza según quién esté en la línea y de qué marca se trate; con el modelo entrenado, el criterio es el mismo siempre, se puede enseñar al cliente y deja de depender de quién cubra ese turno.
Cuéntenos qué defecto se le escapa hoy a su línea más rápida.
Trabajamos sobre los datos reales de tu planta, no sobre los nuestros. Diagnóstico sin compromiso.
Pedir ROI estimado en 48h ‹ Ver todos los casos de cuidado personal Ver cosmética