Trazabilidad sin huecos, de residuo a destino

El problema

La ruptura de trazabilidad nunca está en un solo eslabón.

La ruptura de trazabilidad entrada→destino es el mayor riesgo legal y reputacional del sub-sector. Cada incidente compromete la autorización de gestor de residuos y la relación con clientes constructores que dependen de ese certificado para su propia normativa.

• Cada tonelada que entra debe acabar ligada a su destino: árido reciclado vendido o vertedero autorizado. Un hueco en esa cadena es el mayor riesgo legal y reputacional del sub-sector.
• El hueco suele ser la suma de pequeñas cosas: una ficha transcrita tarde, una pesada sin cruzar, un impropio que se escapó y una tolva firmada sin mirar. Ninguna, por sí sola, haría saltar una alarma.
• Cada una por separado parece asumible; juntas hacen imposible demostrar qué fue de un camión concreto.
• Y las constructoras clientes dependen del certificado de gestión para cumplir su propia normativa: si el certificado cae, cae la relación.

Cómo encaja con el sistema IRIS

Agents coordina cuatro anillos que se verifican entre sí, de báscula a destino.

4 anillos coordinados:

Ningún anillo resuelve el problema solo: cada uno existe hoy de alguna forma, y aun así aparecen huecos. La fuerza está en el cruce, porque un camión cuya ficha, pesada, fracción triada y lote de salida no concuerdan se detecta en el momento, no en la inspección.

• el expediente de entrada en báscula (ficha + albarán + pesada) sin tecleo intermedio;
• la cámara de triaje confirma la fracción real separada;
• JIDOKA AI bloquea el arranque de un nuevo lote si la tolva no está confirmada vacía;
• cada lote sale con su dossier de evidencia cruzando los 3 anillos anteriores. SMED AI acelera los cambios entre tipos de residuo para no penalizar el ritmo de planta.

Ver la arquitectura IRIS completa →

Antes y después

Los cuatro anillos de la trazabilidad, y qué cierra cada uno

Anillo	De qué casos sale	Qué cierra
1 · Expediente de entrada	Ficha (1) + panel de báscula (2) + albarán (7) + integración (8)	Qué entró, de qué obra y con qué código LER
2 · Fracción real	Impropios en la cinta (9) + dictado del jefe de planta (4)	Qué se separó de verdad en el triaje
3 · Lote sin arrastre	Tolva vacía (10) con JIDOKA AI	Que ningún lote nuevo hereda restos del anterior
4 · Destino con dossier	Calidad del árido (6) + dossier de inspección (11)	Adónde fue cada tonelada, con su evidencia
Validación humana	Tableta de báscula (5)	Que nada entra al expediente sin firma
Ritmo de planta	SMED AI en los cambios de residuo	Que verificar no penalice la producción

Trazabilidad reconstruida a posteriori con riesgo de huecos → trazabilidad continua, verificada en el momento, por expediente.

Estimación de impacto

Estimación de impacto — a validar con gerencia y vuestro histórico.

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, medido frente al coste de una sola incidencia grave de trazabilidad.
• Protección de la autorización de gestor de residuos y de la relación con las constructoras clientes, que eligen gestor según la solidez del certificado que les entrega.
• De una trazabilidad reconstruida a posteriori con riesgo de huecos a una trazabilidad continua, verificada en el momento y por expediente.
• Y SMED AI acelera los cambios entre tipos de residuo para que la verificación no frene el ritmo de planta.

Protección de la autorización de gestor de residuos y de la relación con clientes constructores. Payback estimado 6-12 meses frente al coste de una sola incidencia grave de trazabilidad. *Estimación a validar* con gerencia.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para tener trazabilidad?» — no, y plantearlo así es la forma de no empezar nunca. Los anillos se construyen por capas y cada caso paga por sí solo. Cuando dos fuentes no concuerdan, JIDOKA AI actúa sobre una discrepancia comprobable, no sobre la duda de un modelo; en las lecturas, tareas ancladas, los mejores modelos bajan del 1,5% de error [1]. Y todo lo capturado pasa antes por la validación humana en la caseta de báscula.

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