La IA puede hacerse cargo de gran parte de la observación. La IA no puede hacerse cargo del rechazo, y desde luego no de la retirada o el ajuste físico de un producto. Esa es la línea divisoria que se desprende de los ocho ejes: el reconocimiento de imágenes está hoy lo suficientemente desarrollado como para señalar anomalías, pero la decisión sobre qué ocurre con un producto rechazado y la acción que la acompaña siguen correspondiendo a una persona.
Tres ejes resultan decisivos aquí: los costes de error, el cumplimiento normativo y el carácter físico de la tarea.
Los costes de error puntúan bajo porque un defecto no detectado provoca daños de forma inmediata: un producto que sale por la puerta sin cumplir la especificación puede significar una queja, una retirada del mercado o un riesgo de seguridad. Ante una tarea con consecuencias así, ninguna empresa acepta un sistema que decida de forma autónoma sin que alguien pueda corregir el rumbo.
El cumplimiento normativo puntúa igual de bajo. Los protocolos de inspección suelen estar establecidos en un sistema de gestión de calidad, a veces respaldado por una certificación externa o una norma legal. Quien rechaza un producto debe poder justificarlo. No se trata de una limitación técnica de la IA, sino de un marco que exige que sea una persona quien asuma la decisión.
El aspecto físico puntúa bajo porque tocar, desplazar o volver a colocar un producto es una acción en el mundo real. El reconocimiento de imágenes detecta una anomalía, pero no interviene por sí solo.
Frente a esto están la estructuración y el volumen, que resultan favorables: un protocolo de inspección con especificaciones fijas y mediciones repetidas es exactamente el tipo de trabajo para el que se entrenan los modelos de IA visual. Con volúmenes altos, como una línea de producción que entrega miles de piezas idénticas al día, ese patrón es fácil de reconocer para un sistema.
En una empresa que controla piezas pequeñas por dimensiones y defectos superficiales, un sistema de visión puede fotografiar y medir cada pieza, y asignarle una puntuación o una marca. Un operador revisa entonces solo las piezas marcadas y decide sobre el rechazo. Esto desplaza el trabajo de "revisar cada pieza por separado" a "evaluar las excepciones". Las horas que se liberan corresponden a la observación rutinaria; las horas que se mantienen corresponden a la evaluación de casos límite y a la justificación del rechazo.
En una empresa que inspecciona productos más complejos, donde un defecto solo se hace visible durante el montaje o donde la norma deja margen de interpretación, esto es diferente. Ahí el margen de criterio pesa más, y la proporción que la IA puede asumir se reduce en comparación con un control sencillo y muy estandarizado.
El equipo debe estar validado: una cámara o un sensor que no esté ajustado a la tolerancia correcta genera una falsa sensación de seguridad en lugar de un control real. Y la responsabilidad final en caso de rechazo recae en una persona, no porque la IA no pueda aproximarse a ese criterio, sino porque las consecuencias de una decisión equivocada son demasiado grandes para dejarlas sin supervisión humana. Se trata de una exigencia de proceso, no técnica.
El control de calidad no está aislado del resto de la cadena. Lo que entra debe estar bien registrado primero: la forma en que se desarrolla la recepción y el registro de mercancías entrantes determina si un sistema de inspección trabaja siquiera con los datos correctos. A la inversa, un rechazo suele alimentar un paso posterior en la planificación, como el recálculo de lo que aún necesita un pedido; véase cómo se relaciona esto con el cálculo de necesidades de material por pedido. Y un defecto estructural en un proveedor afecta a su vez a la forma en que se gestiona la colocación de pedidos de compra a proveedores, puesto que un rechazo repetido es información relevante para esa decisión.
En empresas con volúmenes altos y especificaciones claras, el reconocimiento de imágenes para el control de calidad ya se utiliza hoy, no como plan de futuro sino como proceso en curso junto al operador. En empresas con productos más complejos y menos estandarizados, esto todavía se limita a pruebas piloto o sigue siendo enteramente trabajo humano. La diferencia no está en lo avanzada que esté la tecnología, sino en lo predecible que sea el defecto y en cuánto pesen las consecuencias de un error. Por eso este cambio nunca es una cuestión de "todo o nada": es tarea por tarea, línea de producto por línea de producto, con la persona en el lugar donde la decisión importa.
Esto no es un consejo de personal ni una justificación para una decisión sobre el empleo de trabajadores. Si un cambio en las tareas tiene consecuencias para los puestos de trabajo, se aplican para ello requisitos legales propios; estos no se tratan aquí.
Para ver cómo se presenta esto en su propia empresa, resulta útil no fijarse solo en el control de calidad, sino en el conjunto de tareas que componen el trabajo. El escáner rápido gratuito consta de doce preguntas, puede completarse sin necesidad de cuenta y ofrece una indicación de qué parte de las horas de su perfil puede asumir hoy la IA. El escáner de trabajo completo, que desglosa el trabajo de una empresa hasta el detalle de tareas y capacidad en FTE, todavía está en construcción.
Vraag maar. Ik ken de kennisbank van deze site; wat ik niet weet, zeg ik erbij.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.