El evidence pack que se genera solo, listo para el auditor

El problema

La evidencia existía, pero repartida entre naves, papeles y Excel.

Los registros están repartidos, algunos en papel, otros en distintos Excel de cada nave — reconstruirlo es lento y propenso a huecos. El resultado es una no conformidad que se podría haber evitado si la evidencia hubiera existido desde el principio.

• Llega la auditoría IFS Logistics, BRC Storage & Distribution o una inspección ADR, y alguien tiene que reconstruir la trazabilidad del período de recepciones, segregaciones y expediciones.
• Los registros existen, pero están repartidos: algunos en papel, otros en distintos Excel de cada nave, otros en la memoria de quien estaba de turno.
• Reconstruirlo cuesta días de trabajo disperso de calidad y de los encargados, y siempre deja huecos que el auditor encuentra. Con varias naves, el trabajo se multiplica por cada instalación.
• El resultado es una no conformidad que se podría haber evitado si la evidencia hubiera existido ordenada desde el principio, no montada la semana antes. Y cada no conformidad abierta se arrastra hasta la siguiente visita.

Cómo encaja con el sistema IRIS

Edge captura en cada movimiento crítico; el dossier se ordena solo por estándar.

Cada movimiento crítico —recepción, segregación ADR, expedición a cliente sensible— genera foto pre/post, log de decisiones con timestamp y firmas. IFS Logistics, BRC Storage & Distribution, ADR — cada uno con su propia carpeta, lista para descargar.

Lo que se reconstruye después hereda los huecos de lo que nadie apuntó. Aquí la evidencia nace con el movimiento —foto antes, foto después, decisión y firma— y el auditor la descarga por estándar y por nave. La auditoría deja de ser un proyecto y pasa a ser una descarga. Y como la evidencia sale de las cámaras y capturas que ya están en el muelle, no añade trabajo a nadie del turno.

Ver la arquitectura IRIS completa →

Antes y después

La preparación de auditoría de hoy frente al dossier por nave

Aspecto	Hoy	Con iLEAN Edge
Preparar la auditoría	Días reconstruyendo	Cero reconstrucción manual
Dónde está la evidencia	Papel y un Excel por nave	Un dossier por estándar y nave
Foto de la segregación ADR	No existe	Antes y después, con hora
Log de decisiones en el almacén	En la memoria de alguien	Con timestamp y firma
Acceso del auditor	Carpetas impresas	Descarga del período por web
Hueco documental en el almacén	Se descubre en la auditoría	Se ve cuando se produce

Antes: días de trabajo disperso reconstruyendo trazabilidad antes de cada auditoría. Después: el dossier se genera solo, organizado por estándar y por nave.

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, según el número de auditorías e inspecciones al año.
• Cero reconstrucción manual de trazabilidad antes de cada auditoría, en cada nave, y también antes de una inspección ADR sin previo aviso.
• El auditor entra a la web y descarga el evidence pack del período sin que nadie del operador dedique horas a montarlo, ni que haya que pedir a cada encargado que busque sus papeles de hace meses.
• Y la no conformidad por falta de evidencia deja de depender de que alguien haya apuntado algo en el momento: si falta la evidencia de un movimiento crítico, se avisa cuando ocurre, no el día del auditor.

Payback 6-12 meses · cero reconstrucción manual pre-auditoría. El auditor entra a la web y descarga el evidence pack del período sin que nadie del operador dedique horas a reconstruir nada.

Y la duda razonable del responsable de producción

«¿No es un gestor documental más?» — la diferencia es de dirección: un gestor documental guarda lo que alguien decide subir después, y hereda sus huecos. Aquí la evidencia se genera en el movimiento y se clasifica por estándar y por nave. Asignar cada registro a su requisito de IFS Logistics, BRC o ADR es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y el responsable de calidad revisa el índice antes de publicarlo al auditor.

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