Entrevista a Judit Jansana, Regional Director Iberia de TOMRA Recycling

TOMRA lleva décadas acompañando a gestores de residuos y recicladores en sus procesos de modernización tecnológica en España y Portugal, dos mercados que, según Jansana, atraviesan un momento de transformación especialmente intenso. La irrupción del aprendizaje profundo —o deep learning— en las plantas de clasificación, la presión regulatoria derivada de normativas como el Reglamento de Envases y Residuos de Envases (PPWR) y la escasez de mano de obra especializada configuran un escenario que, en su opinión, obliga al sector a replantearse sus inversiones tecnológicas con una perspectiva de largo plazo.

En el mercado español, factores como los fondos Next Generation, el futuro Sistema de Depósito, Devolución y Retorno (SDDR), la tasa de vertido y la aparición de nuevos Sistemas Colectivos de Responsabilidad Ampliada del Productor (SCRAP) para flujos como el textil están generando nuevas necesidades de clasificación, control de calidad y trazabilidad. Portugal, por su parte, afronta una presión creciente para mejorar sus niveles de recuperación y adaptarse a especificaciones cada vez más exigentes. En ambos países, el reto es, según Jansana, esencialmente el mismo: modernizar infraestructuras, mejorar la eficiencia y aumentar la calidad de las fracciones recuperadas.

En este contexto, TOMRA presentó en SRR 2026 sus últimas innovaciones: GAINnext, una solución basada en aprendizaje profundo para la clasificación de envases alimentarios y no alimentarios, bandejas de PET y latas de aluminio; y el nuevo FINDER, una plataforma modular y multisensor orientada al reciclaje de metales. Ambas soluciones ilustran la hoja de ruta tecnológica que la compañía propone a una industria que, a juicio de su directora regional para Iberia, se encamina hacia plantas cada vez más automatizadas, inteligentes y conectadas.

Judit Jansana, Regional Director Iberia de TOMRA Recycling, durante un momento de su exposición a medios de comunicación en SRR 2026.

El balance ha sido muy positivo. SRR es una cita clave para el sector de la recuperación y el reciclaje en España y nos ofrecía un marco idóneo para compartir con los medios especializados cómo está evolucionando la industria y qué papel está jugando la tecnología en esta transformación.

El mensaje principal que quisimos trasladar es que el sector está entrando en una nueva etapa. Durante muchos años, la innovación en reciclaje se ha centrado en mejorar la clasificación de materiales: identificar mejor, separar mejor y recuperar fracciones de mayor calidad. Todo eso sigue siendo fundamental, pero ahora estamos dando un paso más. La inteligencia artificial, los sensores avanzados y las herramientas digitales están abriendo nuevas posibilidades para avanzar hacia plantas más automatizadas, flexibles y orientadas al rendimiento.

También quisimos reafirmar el compromiso de TOMRA con el mercado ibérico, donde llevamos años acompañando a gestores de residuos y recicladores en sus procesos de modernización tecnológica. España y Portugal se encuentran en un momento de transformación muy interesante, y nuestra prioridad es seguir aportando soluciones que ayuden a las plantas a mejorar la calidad de los materiales recuperados, aumentar su eficiencia y prepararse para las exigencias regulatorias y de mercado de los próximos años.

Para TOMRA, hablar de 30 años de clasificación con IA significa que la inteligencia artificial no es algo nuevo dentro de nuestra compañía. Forma parte de nuestra trayectoria tecnológica desde hace décadas y ha estado muy vinculada a la evolución de nuestras soluciones de clasificación.

A veces se habla de inteligencia artificial de forma muy general, pero conviene diferenciar conceptos. La inteligencia artificial permite a los sistemas imitar determinadas capacidades humanas mediante reglas, lógica, aprendizaje automático y modelos de decisión. El aprendizaje automático permite que los sistemas aprendan a partir de datos, sin tener que ser programados de forma explícita para cada situación. Y el aprendizaje profundo, o deep learning, va un paso más allá, porque utiliza redes de neuronas artificiales capaces de interpretar patrones visuales mucho más complejos.

En reciclaje, esta evolución es especialmente importante. Durante años, la clasificación se ha apoyado en sensores capaces de identificar materiales por su composición, color u otras propiedades. Hoy, el aprendizaje profundo permite incorporar también criterios visuales como la forma, el tamaño, el tipo de envase o su uso. Es decir, el sistema puede reconocer aspectos que hasta hace poco solo podía interpretar el ojo humano.

Esto abre nuevas posibilidades en aplicaciones que antes eran muy difíciles de automatizar de forma eficiente a escala industrial. Por ejemplo, permite diferenciar envases alimentarios y no alimentarios, identificar bandejas de PET o reconocer objetos complejos dentro de una corriente de materiales. Por eso hablamos de una nueva etapa: la IA no sustituye a las tecnologías de clasificación tradicionales, sino que las complementa y amplía su capacidad para recuperar materiales de mayor calidad y valor.

“La inteligencia artificial no es algo nuevo dentro de nuestra compañía”, recuerda Jansana.

Vemos varias tendencias muy claras y todas apuntan en la misma dirección: la necesidad de recuperar más materiales, con mayor calidad y de forma más eficiente.

La primera es la descarbonización. Industrias intensivas en energía, como las fundiciones de metales, necesitan reducir su huella de carbono y aumentar el uso de materias primas secundarias. Para ello, la calidad del material recuperado es clave. Cuanto más homogéneo y limpio sea el material recuperado, más posibilidades tendrá de sustituir materias primas vírgenes en aplicaciones de mayor valor. Un buen ejemplo es la clasificación de aluminio por aleaciones, hoy posible gracias a AUTOSORT® PULSE y su tecnología LIBS dinámica, que permite separar distintas aleaciones ligeras de aluminio para facilitar su reutilización en aplicaciones de mayor valor.

La segunda es la regulación. En Europa, el nuevo marco regulatorio está elevando las exigencias en materia de reciclabilidad, contenido reciclado, trazabilidad y calidad. Esto obliga a las plantas a prepararse para producir fracciones con especificaciones cada vez más estrictas y a demostrar mejor el valor de los materiales recuperados.

La tercera es la modernización y automatización de las instalaciones. La composición de los residuos cambia, aparecen nuevas fracciones y los objetivos de recuperación son más ambiciosos. Al mismo tiempo, muchas plantas tienen dificultades para encontrar mano de obra especializada. Por eso crece la demanda de tecnologías capaces de automatizar tareas que antes requerían procesos manuales o que no podían resolverse de forma eficiente a escala industrial.

También destacaría la escasez de recursos. La economía circular necesita que los residuos se conviertan realmente en materias primas secundarias de calidad. Esto exige plantas más flexibles, más precisas y capaces de adaptarse a una industria que demanda cada vez más material reciclado con garantías.

Y, por último, la digitalización está adquiriendo un papel cada vez más relevante. Ya no se trata solo de clasificar mejor, sino también de conocer mejor lo que ocurre en la planta, medir el rendimiento, detectar desviaciones y tomar decisiones basadas en datos. Esta evolución hacia plantas más inteligentes y conectadas será uno de los grandes avances de los próximos años y, en nuestro caso, se está desarrollando también a través de soluciones específicas como las de PolyPerception.

"Las plantas ya no solo tienen que procesar más material, sino obtener fracciones de mayor calidad, con menor contaminación y con una trazabilidad cada vez más clara", remarca Jansana.

Está influyendo de forma muy directa. Las plantas ya no solo tienen que procesar más material, sino obtener fracciones de mayor calidad, con menor contaminación y con una trazabilidad cada vez más clara.

El PPWR es un buen ejemplo de esta evolución. La regulación europea está poniendo el foco en la reciclabilidad real de los envases, el contenido reciclado y la calidad del material recuperado. Esto obliga a separar mejor, identificar mejor y preparar las instalaciones para especificaciones cada vez más exigentes.

En este contexto, muchas inversiones ya no se plantean únicamente como una mejora de capacidad, sino como una forma de preparar la planta para los requisitos regulatorios y de mercado de los próximos años. Tecnologías como GAINnext™ ayudan precisamente a alcanzar nuevos niveles de calidad en aplicaciones complejas, como la separación de envases alimentarios y no alimentarios.

El mercado ibérico está viviendo un momento de transformación muy interesante. En España, los fondos Next Generation, las subvenciones vinculadas a proyectos de modernización y programas como el PERTE han impulsado inversiones en gestores de residuos, recicladores y administraciones públicas. Estamos viendo un interés creciente por incorporar tecnologías más avanzadas, incluidas soluciones basadas en sensores, láser e inteligencia artificial.

También hay cambios importantes vinculados al nuevo convenio de Ecoembes, la futura implantación del Sistema de Depósito, Devolución y Retorno, la tasa de vertido y la aparición de nuevos SCRAPs para flujos como el textil. Todo ello está generando nuevas necesidades de clasificación, control de calidad y trazabilidad.

En Portugal también existe una fuerte presión para seguir mejorando los niveles de recuperación y adaptarse a especificaciones cada vez más exigentes.

En ambos países, el reto es similar: modernizar infraestructuras, mejorar la eficiencia y aumentar la calidad de las fracciones recuperadas para responder a un mercado cada vez más exigente.

"El reciclaje de metales exige cada vez más flexibilidad, precisión y capacidad para recuperar materiales de mayor valor", subraya la Regional Director Iberia de TOMRA Recycling.

GAINnext™ representa un salto importante porque incorpora aprendizaje profundo a la clasificación de materiales. Las tecnologías tradicionales basadas en sensores siguen siendo fundamentales, pero el deep learning permite resolver tareas que no dependen únicamente de la composición del material o del color, sino también de características visuales como la forma, el tamaño o el uso del objeto. En cierta forma, permite al sistema identificar aspectos que hasta hace poco solo podía interpretar el ojo humano.

Esto abre nuevas posibilidades en aplicaciones muy concretas. Por ejemplo, GAINnext™ permite diferenciar envases alimentarios y no alimentarios de PET, PP o PEAD con niveles de pureza superiores al 95 %, ayudando a los recicladores a acceder a materiales de mayor valor y responder a nuevas exigencias de calidad.

También es muy relevante en la clasificación de bandejas PET, un flujo que tradicionalmente ha sido complejo para muchas plantas. Entrenado con miles de imágenes, GAINnext™ puede distinguir diferentes tipos de bandejas en función de su forma y uso, también con purezas superiores al 95 %.

Otra aplicación destacada es UBC Cleaner, para la limpieza de latas de bebidas usadas en flujos de residuos municipales y envases ligeros. Esta solución identifica automáticamente las latas de aluminio y las separa de otros objetos de aluminio, alcanzando purezas superiores al 98 % y multiplicando hasta por 33 la capacidad de procesamiento frente a la clasificación manual.

Lo importante es que hablamos de una tecnología ya aplicada industrialmente. GAINnext™ cuenta con más de diez aplicaciones y en aumento en residuos, madera y metales, y con más de un millón de imágenes de entrenamiento en su base de datos.

El reciclaje de metales exige cada vez más flexibilidad, precisión y capacidad para recuperar materiales de mayor valor. Los recuperadores necesitan adaptarse a entradas muy variables, mejorar la calidad de las fracciones y responder a las exigencias de acerías, fundiciones y otros consumidores finales de metal reciclado.

El nuevo FINDER® responde a esa necesidad con una plataforma modular y multisensor que combina diferentes tecnologías en un único sistema. Esto permite abordar aplicaciones muy diversas, como la recuperación de cables eléctricos, la limpieza de acero inoxidable, la clasificación de placas de circuito impreso, la separación de metales no férricos o la mejora de fracciones metálicas.

Además de aumentar la precisión y la eficiencia de clasificación, FINDER® incorpora control digital y monitorización del rendimiento, así como un diseño orientado al servicio y la seguridad. Esto es muy importante para plantas que necesitan operar con flexibilidad y mantener un alto nivel de disponibilidad.

A ello se suman nuevas aplicaciones de GAINnext™ para metales. Un ejemplo son los inducidos de cobre, o “copper meatballs”, formados por cobre y acero, que pueden identificarse incluso en flujos oxidados o contaminados. También estamos aplicando IA a la clasificación avanzada de aluminio, diferenciando perfiles de aluminio de otros componentes destinados a fundición o forja. En ambos casos, el objetivo es obtener fracciones más homogéneas, de mayor pureza y mayor valor comercial.

"El aprendizaje profundo ya permite resolver desafíos de clasificación cada vez más complejos", señala la directora para el mercado ibérico de TOMRA Recycling.

Es fundamental. Los proyectos de modernización tecnológica no terminan cuando se instala un equipo; en realidad, ese es solo el comienzo. Cada planta tiene sus propios flujos, objetivos de calidad, limitaciones operativas y necesidades de evolución.

En Iberia contamos con un equipo local de 20 personas, incluido el equipo de nuestro servicio técnico local. Esto nos da un conocimiento muy directo y cercano del mercado, de las plantas y de los retos reales de nuestros clientes.

Ese acompañamiento cercano nos permite apoyarles en la instalación, la puesta en marcha, la optimización, el mantenimiento preventivo, las reparaciones, las actualizaciones y, cuando es necesario, las reubicaciones o adaptaciones de equipos. Para una planta que invierte en tecnología, es clave saber que esa inversión podrá seguir evolucionando y manteniendo su valor en el tiempo.

Creo que las plantas de reciclaje evolucionarán hacia instalaciones cada vez más automatizadas, inteligentes y conectadas. La clasificación seguirá siendo esencial, pero estará cada vez más apoyada por sensores avanzados, inteligencia artificial y herramientas digitales que permitan mejorar el control, la eficiencia y la calidad del proceso.

Estamos en un punto de inflexión tecnológico. El aprendizaje profundo ya permite resolver desafíos de clasificación cada vez más complejos, y el siguiente paso será avanzar hacia plantas capaces de comprender mejor sus propios procesos y adaptarse con mayor rapidez a nuevos materiales, nuevas fracciones y nuevas exigencias de calidad.

Mi mensaje para las empresas que están valorando nuevas inversiones tecnológicas es que no piensen solo en sus necesidades actuales, sino también en las exigencias que vendrán. Modernizar una planta no es únicamente aumentar capacidad o reducir costes; es prepararse para producir materiales de mayor valor, cumplir con la regulación y reforzar la competitividad a largo plazo.

"Modernizar una planta no es únicamente aumentar capacidad o reducir costes; es prepararse para producir materiales de mayor valor"

"El aprendizaje profundo permite incorporar también criterios visuales como la forma, el tamaño, el tipo de envase o su uso. Es decir, el sistema puede reconocer aspectos que hasta hace poco solo podía interpretar el ojo humano"

No hay que pensar en las necesidades actuales, "sino también en las exigencias que vendrán", exhorta Jansana

“Cuanto más homogéneo y limpio sea el material recuperado, más posibilidades tendrá de sustituir materias primas vírgenes en aplicaciones de mayor valor”