Inteligencia artificial en la producción: 4 sistemas que funcionan en planta

La inteligencia artificial en la producción suele evocar dos imágenes: un robot que monta un coche solo o un chat que escribe correos. Las dos engañan. En una fábrica de unas decenas o unos cientos de personas, la IA se paga en lugares mucho menos vistosos: en el puesto de control de calidad, junto a una máquina que empieza a sonar distinto, en el archivador de manuales de servicio y en el ERP donde alguien vuelve a teclear pedidos cada día.

Estos son cuatro sistemas que construimos para fabricantes y distribuidores. Para cada uno: qué problema resuelve, cuándo tiene sentido y cuándo es mejor no tocarlo.

1. Visión artificial con IA para el control de calidad

El control de calidad es la puerta de entrada más habitual de la IA en planta, porque el problema se mide fácilmente. Un operario revisa piezas durante ocho horas, el cansancio aumenta y un defecto que llega al cliente cuesta una reclamación, transporte y confianza.

Un sistema de visión es una cámara, iluminación y software que evalúan cada pieza a partir de una imagen. Los sistemas clásicos siguen reglas escritas por un programador: medir un diámetro, contar agujeros, comprobar la etiqueta. Funcionan bien mientras el producto y la luz sean repetibles.

La IA añade lo que a las reglas se les resiste:

• defectos de aspecto variable: rayas, picaduras, decoloraciones, inclusiones, rebabas,
• productos que cambian entre lotes en tono, textura o pequeñas tolerancias,
• la comprobación de montajes cuando las piezas pueden estar en varias posiciones correctas.

El modelo aprende con imágenes de piezas buenas y defectuosas de su propia línea. El resultado no se queda en la pantalla: el sistema envía una señal al PLC o al expulsor, archiva la imagen del defecto y la añade al informe del turno.

Cuándo tiene sentido: la inspección hoy es manual, los defectos varían y un defecto que se escapa sale caro. Cuándo no: si mide una sola cota en condiciones constantes, la visión clásica será más simple y barata. Lo decimos en el análisis.

El paso clave es una prueba de viabilidad antes de comprar hardware: con imágenes de su producción comprobamos si el defecto se detecta con la precisión necesaria.

2. Edge AI: la decisión se toma junto a la máquina, no en la nube

Una cámara de línea que toma varias imágenes por segundo genera muchos datos. Enviarlos todos a la nube es caro, lento y a menudo imposible: el wifi en planta falla y el departamento de IT no quiere que las imágenes de producción salgan de la fábrica.

Por eso el modelo de IA se ejecuta cada vez más en un dispositivo junto a la máquina. Eso es edge AI: cálculo en el borde de la red, donde nacen los datos. Al servidor solo llega el resultado, por ejemplo «pieza 4812 rechazada, raya, imagen archivada».

En producción, el edge AI funciona mejor en tres áreas: control de calidad en tiempo real, monitorización del estado de las máquinas (vibración, temperatura o sonido de un rodamiento) y conteo e identificación de piezas, paquetes y palés.

Cuando el hardware estándar no encaja con las condiciones (falta de espacio, polvo, vibraciones), diseñamos nuestra propia electrónica y un prototipo del dispositivo. Lo mismo vale para clústeres de IA en la propia sala de servidores, cuando la empresa quiere usar modelos de lenguaje sin enviar documentos a proveedores externos.

3. Una base de conocimiento privada: manuales, formaciones y reuniones en una sola búsqueda

En toda fábrica hay unas pocas personas que «saben dónde está todo». Cuando están de vacaciones o se van, ese conocimiento desaparece.

Una base de conocimiento con IA lo resuelve de otra manera. El empleado pregunta en lenguaje natural y el sistema responde a partir de sus propios materiales, con la fuente de cada frase:

• documentos: manuales de servicio, procedimientos, hojas de ruta, normas y ofertas, con el número de página,
• vídeo: formaciones y grabaciones de planta, enlazadas al minuto exacto,
• audio: grabaciones de reuniones y llamadas, con el fragmento de la transcripción resaltado.

La privacidad es clave: la base de conocimiento puede funcionar íntegramente en su servidor o clúster de IA, con el modelo de lenguaje incluido, y cada empleado solo ve los materiales a los que tiene acceso.

4. Un servidor MCP: IA que trabaja dentro del ERP, no a su lado

Gran parte del trabajo de oficina en torno a la producción consiste en mover información entre sistemas: el pedido del correo al ERP, el stock a la oferta, el estado de la entrega a la respuesta al cliente.

Los agentes de IA pueden asumir ese trabajo si tienen acceso a los sistemas de la empresa. Para eso existe MCP (Model Context Protocol), un estándar abierto con el que los modelos de IA se conectan a sistemas externos. Un servidor MCP da al agente herramientas concretas, como «consultar stock» o «preparar un borrador de oferta», y controla lo que puede hacer.

Dos reglas que siempre aplicamos: el agente nunca recibe acceso directo a la base de datos, y las operaciones de escritura requieren la aprobación de una persona.

Por dónde empezar

Estos sistemas se complementan, pero no hace falta construirlos todos a la vez. El mejor primer proyecto cumple tres condiciones: el problema se puede medir, los datos ya existen y el resultado se puede comprobar en unas semanas, en un puesto o un departamento.

Algunas advertencias honestas: la IA no arregla un mal proceso, los modelos hay que reentrenarlos con nuevas variantes y defectos, y el acceso a datos y sistemas suele llevar más tiempo que construir el modelo.

Somos de Wrocław (Polonia), con experiencia en automatización y robótica, y fabricamos electrónica y prototipos nosotros mismos. Si quiere saber cuál de estos sistemas tiene sentido en su planta, reserve una consulta gratuita.