El corte que no pasa el control

El problema

A esta cadencia nadie inspecciona pieza a pieza: se mira mientras se fleja.

A la velocidad de corte de un almacén de servicio de acero, un defecto —rebaba, golpe, óxido— puede escapar al ojo humano. La pieza llega a la nave del cliente y es allí donde se detecta el corte fuera de tolerancia o el daño superficial.

• Un almacén que sirve pedidos pequeños y urgentes corta decenas de piezas distintas al día, de calidades y espesores que cambian cada media hora, y la inspección real es la mirada de quien fleja el palé.
• Rebaba en el canto, un golpe de la ventosa, óxido en un formato que llevaba meses parado en el pasillo, un corte que se fue de escuadra en el último tramo. Ninguno de esos defectos avisa antes de salir.
• El defecto no se descubre aquí: se descubre en la nave del cliente, cuando la pieza ya está en su banco, el transporte se ha pagado dos veces y su taller se ha quedado parado esperando.
• Y una devolución de chapa cortada a medida no se revende a nadie: vuelve como retal, con el flete, la urgencia de volver a cortar y la reputación por delante.

Cómo encaja con el sistema IRIS

Edge — clasificación local pieza a pieza, antes del flejado.

Una cámara Edge sobre la línea de corte, con una CNN entrenada con piezas correctas e incorrectas del material concreto, inspecciona cada pieza en milisegundos y la expulsa antes del empaquetado.

El modelo no es genérico: se entrena con piezas buenas y malas de vuestras calidades y acabados, con la iluminación de ese puesto. La inferencia corre dentro de la propia nave, sin subir imagen a ninguna nube, y despuntar o degradar sigue siendo decisión del operario. Lo que aporta la cámara no es criterio, es constancia: mira todas las piezas igual a las siete de la tarde que a las ocho de la mañana.

Ver la arquitectura IRIS completa →

Antes y después

La inspección de hoy frente a la visión Edge

Aspecto	Inspección visual	Con iLEAN Edge
Cobertura	Se mira mientras se fleja	Pieza a pieza
Rebaba de canto	Se ve si se busca	Clasificada por severidad
Punto de detección	La nave del cliente	Antes del empaquetado
Óxido de formato parado	Aparece al desflejar	Se detecta en la mesa
Coste de una devolución	Flete doble y retal	Evitado
Caso dudoso	Pasa	Se eleva a una persona

Defecto descubierto en la nave del cliente → defecto expulsado antes de salir del almacén.

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.

• Reducción estimada de al menos un 30 % en las incidencias de este tipo.
• El defecto deja de viajar: se expulsa antes de salir del almacén y no aparece en la nave del cliente con el flete ya pagado.
• Las devoluciones de chapa cortada a medida, que no se revenden a nadie más, dejan de convertirse en retal y en kilos de chatarra.
• El brief no fija aquí un rango de payback: se calcula con vuestro histórico de devoluciones por defecto de corte.

Reducción estimada de al menos un 30% en incidencias de este tipo. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Y si expulsa piezas buenas y acabamos cortando el doble?» — el falso positivo es el riesgo real de cualquier visión, y por eso el modelo se entrena con piezas buenas y malas de vuestras calidades y acabados concretos y con la iluminación exacta de ese puesto, no con un catálogo genérico de defectos. Los casos de borde no se expulsan sin más: se elevan para que decida el operario, cada decisión realimenta el entrenamiento, y en clasificación anclada sobre un catálogo corto de defectos los mejores modelos bajan del 1,5% de error [1].

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