El Excel del laboratorio ya no vive aislado del ERP

El problema

El resultado que decide si la unidad sale está en una hoja que el ERP no ve.

Dos mundos paralelos — el Excel real, donde están los resultados de prueba vivos, y el ERP oficial, con datos transcritos con días de desfase por una persona que pierde tiempo cada mes copiando y pegando, y a veces se equivoca en un dato que condiciona si la unidad puede enviarse.

• Cada turno, el laboratorio apunta en su Excel la rigidez dieléctrica, la resistencia de aislamiento, el par de los terminales y el resultado de cada prueba funcional por número de serie. Es el documento vivo de la liberación.
• El ERP oficial recibe esos datos días después, transcritos por alguien que dedica cada mes horas a copiar y pegar entre dos pantallas. Mientras tanto, la unidad ensayada espera en la zona de expedición sin estado oficial.
• Un valor mal copiado no es una errata: decide si una unidad de switchgear o un UPS puede enviarse al centro de datos, o si se queda retenida sin motivo.
• Y cuando el cliente pide el histórico de ensayos de un pedido, hay que reconstruirlo a mano desde varias hojas, versiones y carpetas, con el riesgo de mezclar la versión correcta con una anterior.

Cómo encaja con el sistema IRIS

Connect en modo escucha hacia dentro — se observa la carpeta del laboratorio, no al técnico.

Connect "escucha hacia dentro" — observa la carpeta compartida (no al humano), lee el delta cuando el archivo se guarda, parsea cada celda con un modelo de lenguaje anclado, lo valida en pantalla y lo vuelca al ERP vía API.

El ensayo dieléctrico de una unidad está en el ERP en el mismo segundo en que el técnico guarda la hoja y valida el resumen. Y quienes hoy entran al ERP solo para teclear resultados dejan de necesitar una licencia para ello, que es el ahorro que más rápido ve el CFO.

Ver la arquitectura IRIS completa →

Antes y después

El laboratorio de ensayos hoy frente al laboratorio cosido al ERP

Aspecto	Hoy	Con iLEAN Connect
Ensayo dieléctrico en el ERP	Días después	Segundo cero
Horas de transcripción del laboratorio	Varias cada mes	Cero
Valor mal copiado que libera una unidad	Posible	Validado antes del volcado
Histórico de ensayos de un pedido	Se reconstruye	Consulta por número de serie
Usuarios del ERP solo para meter ensayos	Cuatro o cinco	Uno, el de quien valida
Hoja de rigidez y aislamiento	La de siempre	La misma, sin estandarizar nada

Desfase de días entre prueba real y dato ERP → segundo cero. Tiempo de transcripción del laboratorio → cero.

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 4-9 meses, contando solo licencias del ERP y horas de transcripción del laboratorio de ensayos.
• 💰 Ángulo CFO: si hoy entran al ERP cuatro o cinco personas del laboratorio solo para meter resultados, son cuatro o cinco licencias; con Connect, una. Reducción típica del 50-80 % en licencias del módulo de calidad y laboratorio.
• Desfase entre la prueba real y el dato del ERP: de días al segundo cero, así que la unidad aparece liberada en cuanto alguien valida.
• Y el tiempo de transcripción del laboratorio, a cero: esas horas vuelven a ensayar unidades.

*Ángulo CFO*: si hoy 4-5 personas del laboratorio acceden al ERP solo para meter resultados, son 4-5 licencias; con Connect, solo quien valida → 1 licencia. Reducción típica del 50-80% en licencias del módulo calidad/laboratorio, payback estimado 4-9 meses. *Estimación a validar.*

Y la duda razonable del responsable de producción

«Nuestra hoja tiene celdas combinadas, unidades mezcladas y comentarios, ¿lo aguanta?» — sí: el parseo interpreta columnas, kV, MΩ y N·m sin exigir que nadie estandarice. Es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1]. Y un valor fuera del límite de la prueba se resalta antes de que el responsable valide el volcado, así que nada sale liberado por un error de lectura.

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