En la mayoría de las plantas, el mayor sumidero de tiempo está allí donde una persona hace de escáner: reescribir datos de un documento en el sistema, comparar una etiqueta con un patrón y juzgar a ojo si una pieza es lo bastante buena. Es un trabajo repetitivo, cansado y propenso al error, y difícil de cubrir en el segundo y el tercer turno. Por eso la inspección visual con IA, junto con la automatización de documentos y etiquetas, es hoy una de las áreas de automatización que antes se amortizan en la industria.
Por nuestra experiencia, lo difícil no es construir el modelo sino engancharlo a una línea real y al proceso de calidad, con un equipo que entienda tanto la visión artificial como el ritmo de la producción. No todas las plantas necesitan montar ese equipo desde cero. Aunque aquí no tengamos un caso de éxito dedicado de fábrica, aportamos las personas y las competencias que diseñan y mantienen exactamente este tipo de solución.
¿Dónde se pierde tiempo en trabajo manual en la planta?
Antes de que entre cualquier IA, conviene nombrar adónde se va realmente el tiempo. Normalmente son tres sitios:
- documentos - reescribir datos de albaranes, facturas, certificados de material e informes de calidad en el ERP o el MES,
- etiquetas - comprobar a mano que el embalaje lleva el código, la fecha y el número de lote correctos, y que la impresión es legible,
- inspección visual - juzgar una pieza a ojo buscando arañazos, abolladuras, elementos ausentes o un montaje defectuoso.
Cada una de estas tareas puede automatizarse parcial o totalmente, pero cada una exige un enfoque distinto y un conjunto de competencias distinto.
¿Qué es la inspección visual basada en IA?
La inspección visual con IA (visión artificial) sustituye el ojo del inspector por una cámara y un modelo que aprende a detectar defectos en una imagen. A diferencia de los sistemas clásicos basados en reglas, el modelo no necesita que se le describa a mano cada defecto posible: aprende de ejemplos de piezas buenas y malas. En la práctica, un sistema así:
- detecta defectos superficiales (arañazos, grietas, decoloraciones, abolladuras),
- comprueba la completitud y el montaje (una pieza que falta, mal colocada, un componente invertido),
- clasifica las piezas como aptas o rechazadas, señalando dónde está el defecto,
- funciona al ritmo de la línea, no al ritmo humano.
El valor no viene del modelo en sí, sino de que la decisión es repetible y objetiva, al margen del cansancio o del turno que esté trabajando.
¿Cómo automatizar documentos y etiquetas (OCR, IDP)?
La segunda pata es la automatización de documentos y etiquetas construida sobre OCR y procesamiento inteligente de documentos (IDP). En vez de reescribir a mano, el sistema lee y entiende el contenido, y luego lo pasa adelante:
- el OCR convierte la imagen de un documento o una etiqueta en texto,
- el IDP y los modelos de lenguaje extraen los campos correctos (número de lote, fecha, proveedor, valores) incluso de maquetaciones inconsistentes,
- la validación compara la lectura con un patrón o con los datos del ERP y el MES,
- el resultado aterriza en el sistema, no en una hoja de cálculo que alguien reescribe después.
Aquí nuestra competencia real en proyectos de GenAI, RAG y LLM se nota directamente: son las mismas técnicas que permiten que el software entienda un documento, no solo que lo lea.
¿Dónde ayuda de verdad la IA y dónde no?
Una respuesta honesta vale más que una promesa. La IA ayuda allí donde hay muchas decisiones repetibles y se pueden recoger datos. En concreto:
- funciona bien para inspección superficial, lectura de etiquetas, clasificación de documentos y detección de defectos típicos,
- exige prudencia con defectos raros y nuevos que no están en los datos de entrenamiento,
- no sustituye la metrología de alta precisión ni las decisiones que dependen de contexto fuera de la imagen,
- no hace nada sin datos - sin imágenes de piezas buenas y malas, el modelo no tiene de qué aprender.
Por eso empezamos preguntando si el problema es siquiera apto para la visión artificial, antes de que nadie escriba una línea de código.
¿Cómo enganchar la inspección con IA a la línea y a los sistemas?
El modelo es solo una pieza. El valor aparece cuando la decisión del modelo mueve de verdad la línea, así que miramos el conjunto:
- cámaras e iluminación adaptadas a la pieza, porque la calidad de detección depende de la imagen,
- integración con el PLC y el control de línea, para que un rechazo se desvíe realmente,
- un enlace con el MES y el ERP, para que el resultado de la inspección sea un registro en el sistema de calidad,
- un bucle de datos que permita seguir entrenando y mejorando el modelo después del arranque.
Tratamos esta capa de integración tan en serio como el modelo mismo, porque decide si la solución corre en producción o solo en una demo.
¿Qué competencias aportamos a un proyecto así?
Formamos el equipo en torno al problema concreto, no «por si acaso». En proyectos como estos aportamos:
- ingenieros de visión artificial que construyen y entrenan modelos de detección de defectos,
- especialistas en ML y datos que se hacen cargo de los datos, de la calidad del modelo y de su mantenimiento,
- desarrolladores de integración que conectan el modelo con cámaras, PLC, MES y ERP,
- apoyo de IA/GenAI donde entran los documentos y la comprensión de contenido.
Es una capacidad real dentro del Grupo RITS: nuestros equipos de IA/LLM/datos llevan proyectos de IA, datos y LLM, y nosotros ponemos a las personas que lo enganchan al contexto industrial.
¿Por qué hace falta una persona en el circuito?
Un despliegue bueno no elimina a la persona; le cambia el papel. El inspector deja de mirar cada pieza y pasa a resolver los casos dudosos y a vigilar la calidad del modelo:
- el modelo marca los casos dudosos, y una persona decide,
- las decisiones discutidas vuelven a los datos y mejoran el modelo,
- la responsabilidad por la calidad se queda en la planta, no en el algoritmo.
Este esquema de human in the loop es además más seguro desde el ángulo del cumplimiento y más fácil de aceptar para el equipo de planta.
¿Cuáles son las mayores trampas de estos despliegues?
Casi siempre el proyecto no se cae por el modelo, sino por lo que hay alrededor:
- pocos datos de defectos para que el modelo aprenda,
- iluminación y colocación de cámara inestables que estropean la imagen,
- falta de integración con la línea, con lo que el resultado no va a ninguna parte,
- dejar fuera al equipo de calidad, que al final tiene que confiar en la solución.
Por eso empezamos con un alcance pequeño y medible, y solo escalamos cuando tenemos pruebas de que funciona.
¿Con qué rapidez puede incorporarse un equipo a un proyecto así?
La rapidez es la clave. Como partner nearshore desde Polonia trabajamos en una zona horaria cercana, así que el equipo entra en tu ritmo de trabajo, revisiones y reuniones sin un arranque largo. Nuestro proceso de búsqueda y verificación de especialistas suele cerrarse en pocas semanas, y verificamos las competencias antes de empezar, no después. Así no esperas meses para montar tu propio departamento de visión artificial.
¿Cómo lo hacemos en RITS?
Lo hacemos como partner nearshore desde Polonia, con experiencia en proyectos industriales e Industria 4.0 y competencia real en IA y datos dentro del Grupo RITS:
- aportamos a las personas - ingenieros de visión artificial, especialistas de ML e integración - como refuerzo de equipo o equipo dedicado,
- conectamos el modelo con la línea y los sistemas (cámaras, PLC, MES, ERP), no solo entrenamos un algoritmo,
- diseñamos con una persona en el circuito, para que la calidad se quede en la planta,
- verificamos las competencias antes de empezar y formamos el equipo en torno al problema concreto.
Lo más habitual es hacerlo como refuerzo de equipo o equipo dedicado, con una capa opcional de IA donde entran los documentos y la comprensión de contenido.
¿Por dónde empezar a automatizar la inspección y los documentos?
Empieza por un proceso concreto que más duela: un defecto, una etiqueta o un tipo de documento. Comprueba si tienes los datos y si la decisión puede describirse con una imagen, y luego mide cuánto trabajo manual elimina. Eso define el alcance de un piloto y los perfiles que necesitas. Las diferencias entre modelos de colaboración las tratamos en nuestro artículo sobre modelos de colaboración en TI.
¿Quieres automatizar la inspección visual, las etiquetas o los documentos en tu fábrica? Hablemos - ajustaremos las competencias y el enfoque a tu proceso.