De detectar defectos a anticiparlos: el papel de la IA en la calidad industrial

En la industria llevamos décadas trabajando para reducir la variabilidad, mejorar la estabilidad de los procesos y prevenir defectos. Herramientas como Six Sigma, el control estadístico de procesos (SPC), el AMFE o los sistemas poka-yoke forman parte de ese esfuerzo.

Aun así, hay una situación que se repite con cierta frecuencia: problemas de calidad que aparentemente hemos resuelto vuelven a aparecer semanas o meses después. Se realizan análisis, se establecen acciones correctivas y los indicadores mejoran, pero en determinadas circunstancias la desviación vuelve a producirse.

En ocasiones, la causa no se ha identificado correctamente. En otras, las acciones implantadas han servido para contener el problema sin eliminar las condiciones que lo generan. También sucede que el conocimiento adquirido durante la resolución de una incidencia no termina incorporándose a los estándares de fabricación.

Por eso, cuando hablamos de mejorar la calidad, conviene distinguir entre tres capacidades: detectar un problema, comprender sus causas y conseguir que deje de repetirse.

La inteligencia artificial y el análisis avanzado de datos pueden ayudarnos especialmente en las dos primeras. La tercera sigue dependiendo, en gran medida, de nuestra capacidad para intervenir sobre los procesos y consolidar las mejoras.

Las fábricas generan una cantidad considerable de información sobre sus procesos. Disponemos de registros de rechazo, controles dimensionales, históricos de parámetros, datos de trazabilidad, informes de incidencias e indicadores de calidad.

Sin embargo, tener información no garantiza que sepamos interpretar correctamente lo que está ocurriendo.

Pensemos en un proceso donde aparecen defectos de forma intermitente. Revisamos las condiciones de fabricación y comprobamos que la temperatura, la presión, la velocidad y el resto de parámetros principales se encuentran dentro de sus límites establecidos.

Ninguna variable presenta una desviación evidente, pero las no conformidades continúan.

Puede que el problema no dependa de un único parámetro, sino de la combinación de varios. Una temperatura determinada puede resultar adecuada con una materia prima y generar problemas con otra. Un nivel de desgaste de herramienta puede no afectar al resultado hasta que coincide con determinadas condiciones de velocidad o presión.

Estas relaciones no siempre son fáciles de identificar, especialmente cuando intervienen numerosas variables.

El machine learning permite analizar grandes históricos de fabricación y encontrar patrones que pueden pasar desapercibidos mediante análisis individuales. No sustituye al control estadístico de procesos, que también dispone de técnicas multivariantes, pero puede complementarlo cuando las relaciones son especialmente complejas.

La ventaja es que podemos orientar mejor nuestras investigaciones y detectar condiciones asociadas a un mayor riesgo de defecto.

Ahora bien, encontrar una relación estadística no significa haber identificado una causa raíz. Esa relación necesita interpretarse, contrastarse y, cuando sea posible, validarse mediante el conocimiento del proceso y la experimentación.

Un estudio publicado en 2026 sobre fundición a alta presión de carcasas de aluminio para baterías de automoción permite observar cómo pueden combinarse ambas disciplinas.

La investigación integró técnicas de machine learning dentro de un proyecto Six Sigma basado en la metodología DMAIC. Se analizaron 6.619 piezas y 41 parámetros de proceso, utilizando modelos como Random Forest, XGBoost y LightGBM para identificar las variables más relacionadas con las no conformidades.

Entre los factores relevantes aparecieron la temperatura del molde, la dosificación de lubricante y la posición dentro de la secuencia de colada.

El modelo con mejores resultados alcanzó aproximadamente un 77% de precisión. Aunque esta cifra tiene interés desde el punto de vista analítico, lo más significativo fue lo que ocurrió después.

A partir de los resultados se desarrollaron actuaciones sobre la termorregulación y la pulverización. Tras su implantación, el porcentaje de piezas no conformes se redujo del 21 al 10%.

El estudio refleja una aplicación práctica de algo fundamental en mejora continua: utilizar las herramientas de análisis para orientar las actuaciones, no convertir el análisis en un fin en sí mismo.

En este caso, el aprendizaje automático ayudó a identificar qué variables merecía la pena investigar dentro de un conjunto amplio de parámetros. La metodología DMAIC permitió estructurar el trabajo y trasladar los resultados a modificaciones del proceso.

La mejora no procedió exclusivamente del algoritmo, sino de las actuaciones desarrolladas a partir de la información obtenida.

También conviene extraer otra enseñanza: antes de aplicar modelos avanzados, es necesario definir correctamente el problema y disponer de datos fiables. Si los registros no representan adecuadamente el proceso, difícilmente podremos obtener conclusiones útiles, por sofisticada que sea la herramienta utilizada.

No todos los problemas industriales requieren soluciones tecnológicamente complejas.

En una operación de ensamblaje, por ejemplo, podemos encontrarnos con errores recurrentes en la colocación de componentes. Una primera respuesta puede consistir en reforzar las instrucciones, aumentar la formación o incorporar controles adicionales.

Sin embargo, si modificamos el útil para que resulte imposible colocar el componente en una posición incorrecta, habremos eliminado buena parte del riesgo desde el propio diseño de la operación. Ese es precisamente uno de los principios del poka-yoke: evitar que la calidad dependa exclusivamente de la atención o experiencia del operario.

Este tipo de soluciones sigue teniendo plena vigencia. Un mecanismo físico sencillo, bien diseñado y mantenido, puede resultar más eficaz que un sistema digital complejo. El problema aparece cuando el defecto no depende de un error fácilmente identificable, sino de diferentes condiciones que se producen durante la operación.

Un estudio publicado en 2025 analizó la implantación de un sistema denominado Poka Yoke 4.0 en un proceso manual de soldadura de una empresa industrial alemana.

El sistema proporcionaba información en tiempo real al operario para advertirle de determinadas condiciones relacionadas con la aparición de defectos. En el caso estudiado, la superficie de soldadura defectuosa se redujo aproximadamente un 86% y el número de defectos un 84%.

Se trata de una aplicación de prevención digital y monitorización, cuyos resultados no deben atribuirse automáticamente a algoritmos de inteligencia artificial. Su interés reside en la posibilidad de intervenir durante la operación, antes de que la no conformidad se consolide.

Este enfoque también introduce una responsabilidad organizativa. Cuando incorporamos un sistema de advertencias, debemos definir qué tiene que hacer el operario ante cada situación. No basta con mostrar una alarma. Es necesario establecer criterios de actuación, límites de intervención y procedimientos de escalado.

De lo contrario, podemos acabar incorporando información adicional a un puesto de trabajo sin mejorar realmente la capacidad de respuesta.

La tecnología puede ayudarnos a reconocer antes determinadas condiciones, pero la prevención sigue dependiendo de cómo diseñamos y gestionamos la operación.

En la actividad diaria de una fábrica, las decisiones relacionadas con calidad tienen consecuencias directas sobre la producción.

Detener una máquina, modificar un parámetro, segregar un lote o solicitar una intervención de mantenimiento puede afectar al rendimiento, los costes y el cumplimiento del programa.

Por eso, anticipar una posible desviación no siempre conduce a una decisión evidente.

Supongamos que un sistema identifica un aumento del riesgo de defecto durante la fabricación. El siguiente paso no debería ser necesariamente detener el proceso. Habrá que valorar la fiabilidad de la señal, la gravedad potencial de la no conformidad, el coste de intervenir y las alternativas disponibles. También necesitaremos conocer qué ajustes pueden realizarse sin generar otros problemas.

Este aspecto resulta especialmente relevante cuando hablamos de calidad predictiva. Una predicción puede ser técnicamente correcta y, aun así, aportar poco valor si llega demasiado tarde o si las personas responsables de la operación no disponen de criterios claros para actuar.

Por eso es importante que los proyectos de análisis avanzado de calidad no se desarrollen de forma aislada.

Producción, calidad, ingeniería y mantenimiento deben participar en la definición del problema, la interpretación de los resultados y el establecimiento de las respuestas operativas.

El conocimiento de quienes trabajan diariamente con el proceso es necesario tanto para interpretar correctamente los datos como para valorar la viabilidad de las actuaciones propuestas.

Al final, lo que buscamos no es generar más alertas, sino tomar mejores decisiones y reducir las pérdidas asociadas a la falta de calidad.

Uno de los retos habituales de la mejora continua es conseguir que las soluciones permanezcan.

En muchas fábricas existen personas con un conocimiento extraordinario de las instalaciones. Son capaces de reconocer comportamientos anómalos, identificar posibles causas y realizar ajustes que permiten recuperar rápidamente la estabilidad.

Ese conocimiento es un activo importante, pero también puede convertirse en una dependencia cuando no está suficientemente compartido o estandarizado.

Si cada vez que aparece una incidencia necesitamos recurrir a la misma persona, conviene preguntarse hasta qué punto hemos conseguido resolver el problema de manera estructural.

La experiencia individual debería contribuir al desarrollo del conocimiento colectivo.

Una incidencia bien analizada puede dar lugar a una modificación de parámetros, una mejora del mantenimiento preventivo, un nuevo control, una revisión del estándar de trabajo o una necesidad de formación.

Lo importante es que el aprendizaje se incorpore a la forma habitual de operar.

Los sistemas de análisis avanzado pueden ayudarnos a encontrar relaciones en históricos de fabricación y a identificar condiciones que antes resultaban difíciles de reconocer. Pero ese conocimiento pierde buena parte de su valor si no se traduce en cambios concretos.

Si descubrimos que determinadas combinaciones de parámetros aumentan el riesgo de defecto, tendremos que decidir cómo incorporar esa información a los controles y procedimientos de fabricación.

Y después será necesario comprobar que las nuevas condiciones funcionan y que los resultados se mantienen.

Aquí está una de las diferencias más importantes entre resolver una incidencia y desarrollar una mejora continua eficaz.

Resolver una incidencia permite recuperar el funcionamiento esperado. Mejorar el proceso debería reducir la probabilidad de que volvamos a necesitar esa intervención.

La inspección automatizada y los sistemas de visión artificial han ampliado considerablemente nuestra capacidad para identificar defectos.

En determinados procesos permiten realizar controles que serían difíciles de ejecutar manualmente con la misma velocidad o consistencia. Su contribución a la calidad es evidente, especialmente cuando ayudan a evitar que un producto no conforme llegue al cliente.

Sin embargo, desde una perspectiva operacional, existe una diferencia importante entre detectar una pieza defectuosa y evitar que se fabrique. Cuando encontramos una no conformidad al final de la línea, ya hemos consumido materiales, energía, tiempo de máquina y capacidad productiva. Dependiendo del proceso, también podemos haber generado costes adicionales de manipulación, retrabajo o eliminación.

Por eso, una parte importante del desarrollo futuro de la calidad industrial debería orientarse a intervenir cada vez antes.

La evolución puede resumirse en cinco etapas:

Inspeccionar → detectar → anticipar → actuar → prevenir.

No significa que debamos prescindir de la inspección. Los controles de conformidad seguirán siendo necesarios. Significa que podemos aprovechar mejor la información disponible durante la fabricación para reducir la probabilidad de generar defectos.

Para conseguirlo necesitamos algo más que herramientas analíticas: procesos suficientemente estables, sistemas de medición fiables, trazabilidad, estándares de actuación y personas preparadas para interpretar y utilizar la información.

Y, sobre todo, necesitamos seleccionar la solución adecuada para cada problema.

Habrá situaciones donde una modificación del diseño, un poka-yoke o una mejora del mantenimiento resuelvan el problema de forma más eficaz que cualquier algoritmo. En otras, especialmente cuando intervienen numerosas variables y relaciones complejas, el análisis avanzado de datos podrá ayudarnos a comprender mejor el proceso.

La mejora continua consiste precisamente en identificar las causas y aplicar soluciones eficaces, no en utilizar siempre las herramientas más sofisticadas.

La inteligencia artificial puede ayudarnos a identificar relaciones que antes no veíamos, anticipar desviaciones y comprender mejor la variabilidad de nuestros procesos. Pero su aportación debe traducirse en resultados industriales, no únicamente en una mayor capacidad de análisis.

Los casos analizados refuerzan tres ideas fundamentales: las herramientas de mejora continua siguen siendo necesarias para identificar y validar las causas; la anticipación solo aporta valor cuando existe capacidad para intervenir; y el aprendizaje debe incorporarse a los procesos, los estándares y las competencias de los equipos.

Esto también exige revisar cómo medimos el éxito. La precisión de un algoritmo o la rapidez de una inspección son indicadores útiles, pero insuficientes si no conseguimos reducir las no conformidades, los retrabajos y la necesidad de realizar correcciones recurrentes.

En definitiva, el objetivo no es disponer de sistemas cada vez más sofisticados para gestionar los problemas de calidad, sino desarrollar procesos cada vez más robustos que eviten su aparición.

Porque la verdadera mejora continua no consiste en resolver cada vez mejor los mismos problemas, sino en conseguir que dejen de repetirse.

Fuentes y referencias

1. Integration of Six Sigma DMAIC methodology with machine learning in high-pressure die casting (2026). The International Journal of Advanced Manufacturing Technology. Investigación sobre la integración de DMAIC y aprendizaje automático en fundición a alta presión. https://doi.org/10.1007/s00170-026-18472-0

2. DMAIC 4.0 in Action (2025). International Journal of Computer Integrated Manufacturing. Aplicación de DMAIC y Poka Yoke 4.0 en un proceso de soldadura manual. https://doi.org/10.1080/0951192X.2025.2599558

3. Revisión sistemática sobre machine learning y control estadístico de procesos (2026). Entropy. Investigación sobre aplicaciones de aprendizaje automático al control estadístico de procesos y análisis multivariante. https://pmc.ncbi.nlm.nih.gov/articles/PMC12939129/

4. 2026 Roadmap on Artificial Intelligence and Machine Learning for Smart Manufacturing. National Institute of Standards and Technology (NIST). Hoja de ruta sobre aplicaciones, oportunidades y barreras del aprendizaje automático en fabricación inteligente. https://www.nist.gov/publications/2026-roadmap-artificial-intelligence-and-machine-learning-smart-manufacturing