La guillotina vintage empieza a hablar

El problema

El dato que explica cada corte se apaga en cuanto entra la siguiente chapa.

La guillotina de corte a medida tiene más de 15 años y un controlador propietario sin salida de datos a ningún sistema. Su panel muestra presión, ángulo de cuchilla y velocidad de avance, pero esos datos mueren en pantalla en cuanto empieza el siguiente corte. Sustituirla cuesta cientos de miles de euros y semanas de parada.

• La guillotina que corta a medida tiene más de quince años y un controlador propietario sin salida de datos: ni red, ni puerto documentado, ni soporte del fabricante. Funciona perfectamente y por eso nadie la toca.
• Su panel muestra presión, ángulo de cuchilla y velocidad de avance, pero esos valores mueren en pantalla en cuanto entra la siguiente chapa. Nadie los apunta, y apuntarlos a mano en cada corte es sencillamente imposible al ritmo del mostrador.
• Así, cuando un taller devuelve un lote por rebaba o por falta de escuadra, no hay ningún parámetro que cruzar con la reclamación: solo la memoria del operario que estaba ese día y una conversación sobre si la cuchilla tocaba afilarse.
• Y sustituir la máquina son cientos de miles de euros y semanas de parada del único equipo que cubre los espesores gruesos del almacén, justo los que dejan más margen por kilo.

Cómo encaja con el sistema IRIS

Connect en modo foto sobre panel — se resuelve por fuera de la máquina.

Una cámara externa fija apunta al panel. OCR con LLM anclado interpreta cada lectura cada pocos segundos y la estructura por lote, cruzándola con el pedido que estaba en corte en ese momento. La máquina sigue siendo ella, pero ahora habla.

No se conecta nada al controlador, no se abre el armario eléctrico y no se altera el modo de trabajo de la guillotina. En un almacén donde esa máquina sostiene todos los pedidos urgentes del día, esa es la diferencia entre un caso aprobable y un proyecto que nadie autoriza. La máquina sigue siendo la misma; lo único que cambia es que sus lecturas existen fuera de la pantalla y atadas al pedido que estaba en la mesa.

Ver la arquitectura IRIS completa →

Antes y después

El panel de hoy frente al panel leído

Aspecto	Hoy	Con iLEAN Connect
Parámetros de corte	Visibles unos segundos	Estructurados cada pocos segundos
Reclamación por rebaba o escuadra	Nada que cruzar	Parámetros del lote, en minutos
Deriva del ángulo de cuchilla	Se descubre con la pieza mala	Se ve como tendencia
Controlador propietario	—	No se toca ni se abre
CAPEX de sustitución	En el plan a tres años	Aplazable
Parada para instalar	Semanas si se sustituye	Ninguna: la cámara va fuera

Cero correlación entre parámetro de corte y reclamación de medida → análisis causa-raíz por pedido en minutos.

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 5-10 meses, contando solo el CAPEX de sustitución de la máquina que se evita.
• Análisis de causa por pedido en minutos, donde hoy no existe ningún dato que cruzar y la respuesta al cliente depende de lo que alguien recuerde.
• La deriva del ángulo de cuchilla deja de descubrirse con la chapa ya cortada y el cliente esperando en el mostrador.
• Y la máquina que cubre los espesores gruesos no para ni un turno para conseguirlo, porque toda la instalación es exterior al equipo.

Payback estimado de 5 a 10 meses, evitando el CAPEX de sustitución de la máquina. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Una cámara leyendo un panel da un dato serio?» — aquí la tarea es anclada: pantalla fija, cifras en posición conocida y rangos físicos acotados, donde los mejores modelos bajan del 1,5% de error [1]. Y el sistema descarta el fotograma cuyo valor cae fuera del rango físico de la máquina en lugar de darlo por bueno, que es lo que echaría a perder la serie entera.

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