Cero errores de colada o medida servida

El problema

El riesgo estructural no es cortar mal: es servir bien lo que no era.

El riesgo estructural de un almacén de servicio de acero es entregar a un cliente exigente un corte con la colada o medida equivocada, descubierto tarde: cuando el cliente ya lo ha montado en su línea, o cuando un auditor de homologación levanta una no conformidad.

• Entregar a un cliente exigente un corte con la colada o la medida equivocada es el fallo que un almacén distribuidor no puede permitirse, porque se descubre siempre tarde.
• Y casi nunca es un fallo único: es una corrección que no volvió al ERP, un formato mal ubicado en el pasillo, una etiqueta de colada borrosa y una expedición firmada con prisa a última hora del viernes.
• Cada eslabón por separado parece aceptable y pasa su control; juntos producen el palé que el cliente monta en su línea con el acero que no era.
• Se descubre cuando la pieza ya está montada en la línea del cliente, o cuando un auditor de homologación pide el certificado de algo que no se puede demostrar. Los dos escenarios cuestan mucho más que el material.

Cómo encaja con el sistema IRIS

Connect, Edge y Agents coordinados — tres verificaciones que se cruzan.

Connect captura cada señal del pedido, desde la orden de corte hasta el certificado de colada recibido, validada por un humano. Edge verifica visualmente cada pieza y cada cambio de calibración antes de que salga (JIDOKA AI). Agents cierra con el dossier completo, listo para cualquier cliente o auditor. SMED AI acelera el cambio de calidad/grosor desde el primer corte.

Ningún control por separado resuelve esto: todos existen hoy de alguna forma y aun así el palé se escapa. La fuerza está en el cruce, porque lo que delata el error es que el pedido, la etiqueta y el certificado dejen de concordar antes de subir al camión. Tres fuentes independientes que discrepan son una alarma; una sola fuente, por buena que sea, solo puede confirmarse a sí misma.

Ver la arquitectura IRIS completa →

Antes y después

Los puntos de verificación, y qué cierra cada uno

Punto de verificación	Hoy	Con el sistema iLEAN
Identidad del material recibido	Albarán tecleado y certificado suelto	Colada atada al material (7)
Medida realmente pedida	Una corrección en el margen	Orden capturada y validada (1 y 5)
Calibración antes del lote	Un «ya está» de palabra	Contrastada y firmada (10)
Estado de la pieza cortada	Se mira al flejar	Inspeccionada pieza a pieza (9)
Colada que sale en el albarán	Arrastrada de un tecleo	Cruzada con báscula y WMS (8)
Prueba ante cliente o auditor	Se reconstruye en días	Dossier ya cerrado (11)

Riesgo estructural descubierto tarde y con coste reputacional → verificación en tres puntos antes de que el material salga 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 de orden de magnitud en incidencias de colada o medida equivocada servida.
• La verificación pasa de un único punto —la expedición, hecha con prisa— a tres, antes de que el material salga del almacén.
• El coste reputacional con un cliente que audita, que es lo que condiciona el siguiente contrato anual, deja de jugarse en cada palé.
• El brief no fija un rango de payback para el conjunto: cada capa se calcula con la suya y paga sola desde el primer mes, sin esperar a la siguiente.

Reducción de orden de magnitud en incidencias de colada/medida equivocada servida. Estimación a validar.

Y la duda razonable del responsable de producción

«¿Hay que desplegar los doce casos para tener esto?» — no, y plantearlo así es la forma segura de no empezar nunca. Se construye por capas y cada una paga sola: con la orden de corte capturada y la tableta de validación ya tenéis el primer punto entero. Y donde intervienen modelos la tarea es anclada, con los mejores por debajo del 1,5% de error [1] y una persona validando en cada paso.

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