Mezcla API + excipiente con IA — la uniformidad de contenido se confirma en el blender, no en el laboratorio.

El problema

Una zona caliente del lecho no la ve la sonda. La ve el comprimido.

El muestreo estadístico de la mezcla API + excipiente funciona el 99% de las veces. Ese 1% restante es el que arruina la planificación entera — content uniformity fuera, lote rechazado en compresión, y si llega más lejos, retirada del mercado por API potente fuera de especificación.

El problema clásico es que la sonda mira en algunos puntos del lecho — no en todos. Si una zona caliente se forma justo donde no toca ninguna sonda (porque el API se aglomeró por estática, porque la densidad del lote nuevo cambió, porque la velocidad del blender estuvo 30 segundos más alta de lo habitual), la mezcla pasa el laboratorio. Y falla tres etapas después.

Los tres datos que harían falta cruzar para anticipar viven en tres islas:

1. La receta del lote — proporciones nominales de API y excipientes, tiempo y velocidad del blender, instrucción de lubricación. En el MES o en una hoja maestra de fabricación.
2. Lo que está pasando en el blender — velocidad real, tiempo real, carga real, posiblemente NIR en línea si lo tienes. En el SCADA del equipo, sin cruce con la receta.
3. Cómo era la materia prima de hoy — densidad real del API del lote nuevo, humedad ambiental, fluidez del excipiente. En la ficha del proveedor, en un email, en la cabeza del responsable de almacén.

Tres islas, ninguna habla con las otras. La zona caliente vive en la junta entre las tres — y nadie estaba ahí escuchando a tiempo.

Cómo encaja con el sistema IRIS

iLEAN no sustituye al muestreo — añade visión sobre todo el lecho.

El control de mezcla no es un problema de falta de protocolos. La planta moderna ya tiene SOPs, sondas, ensayos de uniformidad. El problema es que el muestreo es ciego entre puntos y nadie cruza el patrón del lecho con la receta y con la densidad real del API de hoy. iLEAN es la masilla que sella esa grieta.

Edge ve el lecho completo en línea. Connect captura los parámetros del blender y la ficha de la materia prima. El agente compara con el patrón del lote bueno y, si la mezcla no replica, retiene. La persona firma — nunca al revés.

Las tres piezas iLEAN aplicadas a la mezcla API + excipiente:

• Edge — terminal con visión por CNN sobre mirilla del blender (o sensor NIR en línea si el cliente ya tiene la instrumentación). Lee patrón de mezcla, presencia de aglomerados, segregación incipiente. Dispara la retención si el patrón no coincide con el del lote correcto. Funciona sin red.
• Connect — captura la receta del MES, los parámetros reales del SCADA del blender (velocidad, tiempo, carga), la ficha del lote de API del proveedor (densidad real, granulometría) y los emails que registran un cambio de proveedor. Todo en el segundo cero.
• Agente — cruza el patrón de mezcla con la receta, los CPPs y la materia prima. Si detecta que el patrón de hoy diverge del lote bueno (zona caliente que no aparecía antes, sobremezcla por velocidad excesiva), no escribe un email a las 22h: notifica al responsable de fabricación y propone detener o redistribuir antes de descargar a la siguiente etapa. La persona firma; la línea no se reanuda sola.

Ver la arquitectura IRIS completa →

Antes y después

Mezcla con muestreo posterior vs. mezcla cruzada con iLEAN

Aspecto	Muestreo + SCADA aislados	Con iLEAN Edge + Connect + Agente
Detección de zona caliente	Ciega entre puntos de muestreo	Edge ve el lecho completo en línea
Variación de densidad del API	Asumida desde la ficha técnica	Connect captura ficha real del lote
Sobremezcla / lubricación excesiva	Detectada al compactar (lote ya tarde)	Agente compara con curva del lote bueno
Segregación post-mezcla	Vista en uniformidad de comprimido	Edge la detecta en transporte/tolva
Expediente para inspección	Reconstruir desde 4 sistemas	Dossier por lote, automático, con imagen del lecho
Funcionamiento sin red	n/a	Edge sigue inspeccionando con la luz del cuadro

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.

• Planta de sólidos orales con 2-3 blenders (V-blender o bin blender), mix multi-SKU con APIs de distinta densidad, MES vertical conviviendo con notas de lote en papel.
• Piloto Edge sobre un blender (mirilla + integración con SCADA y MES). Primer valor esperable en pocas semanas: reducción de lotes rechazados por content uniformity ≥ 30%.
• Payback orientativo entre 4 y 9 meses, según coste medio de un lote rechazado por uniformidad y la frecuencia de incidentes.
• La palanca dura es un solo lote evitado: producto rescatado, etapa de compresión no comprometida, slot de envasado liberado. Un lote paga el piloto.

Y la duda razonable del responsable de garantía de calidad

«¿Y si la IA libera una mezcla mal y llega a compresión?» — la alucinación es un problema de la generación libre, no de las tareas ancladas. En tareas donde el modelo se limita a comparar el patrón de mezcla actual con el del lote bueno aprendido, los mejores modelos bajaron el error por debajo del 1,5% ^[1]. Y aun así, lo crítico no se decide solo: iLEAN retiene y la persona firma con su credencial GMP — los tres anillos de seguridad están ahí precisamente para esto. Y el estándar transversal de calidad industrial — del orden de las 25 PPM que se exige en automoción ^[2] — se consigue solo con captura completa de la realidad, no con muestreo posterior.

^[1] Paper OpenAI «Why Language Models Hallucinate», 2025 — sobre fiabilidad de la IA en tareas ancladas. ^[2] Symestic — estándar de calidad en automoción del orden de 25 PPM, referencia transversal de calidad industrial.