El envase que gotea no es una devolución: es un derrame en tránsito

El problema

El envase que gotea no se rechaza en la sucursal: se rechaza el envío entero.

Un envase de químico defectuoso no genera una devolución ordinaria. Genera un derrame dentro de un camión de material peligroso, una limpieza de caja, un aviso al área de seguridad y, según el producto, un incidente reportable ante la autoridad. El cliente que lo recibe no rechaza el envase: rechaza el envío entero. La inspección de hoy depende de la atención de una persona que está haciendo otras tres cosas. No es un problema de profesionalidad: es que a cadencia sostenida el ojo humano falla, y falla justo cuando lleva horas mirando. El defecto que se cuela se detecta en la sucursal o en el cliente. Es decir, tarde, lejos y con testigos.

• Un envase de químico defectuoso no genera una devolución ordinaria. Genera un derrame dentro de un camión de material peligroso, una limpieza de caja, un aviso al área de seguridad y, según el producto, un incidente reportable ante la autoridad.
• A la cadencia de la línea, el mismo operador tiene que mirar mientras llena, etiqueta y palletiza. El tapón mal cerrado, el goteo por el cuello, la etiqueta torcida o ilegible y el sello que no pegó se escapan.
• No es un problema de profesionalidad: a cadencia sostenida el ojo humano falla, y falla justo cuando lleva horas mirando.
• El defecto que se cuela se detecta en la sucursal o en el cliente. Es decir, tarde, lejos y con testigos.

Cómo encaja con el sistema IRIS

Edge — visión IA en la salida de línea, inferencia local en milisegundos.

Edge, visión IA en línea.

Detectar antes del emplayado en vez de en el camión cambia la naturaleza del fallo: pasa de ser un incidente de transporte de mercancía peligrosa a ser un envase que vuelve a la llenadora. Y la imagen queda asociada al lote, donde sirve después como evidencia ante el cliente o el auditor.

• Cámara industrial sobre la salida de la línea de envasado, antes del emplayado.
• Modelo de visión entrenado con imágenes de los envases reales de la planta —porrones, tambores y totes, con sus tapones y sus etiquetas—, no con un catálogo genérico.
• Inferencia local en milisegundos: el dato no sale de la planta.
• Detecta cierre incompleto, humedad o goteo en el cuello, etiqueta ausente, torcida o ilegible, y envase deformado.
• Marca o expulsa el envase antes del emplayado y guarda la imagen asociada al lote, donde sirve después como evidencia auditable.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección visual	Con iLEAN Edge
Cobertura	Depende de la atención de una persona ocupada	Continua, envase a envase
Tapón mal cerrado y goteo en el cuello	Se escapan a cadencia	Detectados en milisegundos
Etiqueta ausente, torcida o ilegible	Se ve si alguien mira	Clasificada antes del emplayado
Dónde aparece el defecto	En la sucursal o en el cliente	En la salida de la línea
Consecuencia	Derrame en tránsito y envío rechazado	Un envase que vuelve a la llenadora
Dónde va la imagen	No existe	Atada al lote, como evidencia

de defectos detectados en destino a defectos detectados en línea · de una inspección que depende de la atención humana a una inspección continua · de derrames en tránsito a incidentes evitados.

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 la cadencia de envasado.
• Al menos un 30 % menos de reclamaciones por envase defectuoso y de incidentes de derrame en transporte.
• El coste evitado de limpieza de caja, reposición del envío y aviso al área de seguridad cada vez que un envase goteaba en el camión.
• Y el dato no sale de la planta: la inferencia es local y no depende de la red ni de la nube, así que la línea no se para porque se caiga la conexión.

al menos un 30% menos de reclamaciones por envase defectuoso y de incidentes de derrame en transporte, más el coste evitado de limpieza y reposición. Payback estimado de 6 a 12 meses según cadencia de envasado. *Estimación a validar.*

Y la duda razonable del responsable de producción

«¿Y si aparta envases buenos?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con garrafas, tambores e IBC de vuestra planta, con sus tapones y sus etiquetas y la iluminación de esa salida de línea, no con un catálogo genérico. Clasificar un cierre contra referencias propias es tarea anclada, donde los mejores modelos bajan del 1,5% de error [1], y los casos de borde no se expulsan sin más: se marcan para que decida una persona, y cada decisión realimenta el entrenamiento.

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