IA para calidad industrial: no conformidades, auditorías y acciones correctivas

Una no conformidad puede comenzar en una inspección, una reclamación o una auditoría. Después aparecen fotografías, correos, registros de lote, mediciones y conversaciones con producción. El equipo de calidad dedica parte de su tiempo a reconstruir esa historia antes de poder analizarla.

La IA puede ayudar a clasificar la información, recuperar antecedentes y preparar documentos. Pero no debería decidir por sí sola la causa raíz, aceptar una acción ni cerrar el expediente. El valor está en reducir el trabajo de reunir y ordenar evidencia para que el responsable dedique más tiempo al criterio de calidad.

Reunir fuentes antes de analizar la causa

La incidencia puede ser interna, de proveedor o de cliente. En los tres casos, parte del trabajo consiste en recopilar, identificar y relacionar información antes de poder decidir. Esa preparación repetida es un primer alcance útil: partes, órdenes, lotes, fichas, planos, fotos, certificados, inspecciones, ERP/MES, correos e históricos.

Cada fuente aporta una evidencia distinta. Un certificado no sustituye una inspección y un correo recoge la afirmación de un interlocutor, no necesariamente un hecho confirmado. Los campos extraídos se comprueban antes de asociarlos al expediente. Una referencia ambigua debe quedar pendiente, sin elegir el lote más parecido.

Ejemplo hipotético: una incidencia de proveedor

Recepción registra un defecto y adjunta una fotografía. Administración tiene el pedido; calidad dispone del certificado y la inspección. Es un ejemplo ficticio, no una implementación de un cliente.

El sistema reúne fuentes y prepara una ficha con proveedor, referencia, lote y documentos disponibles. Señala ausencias y contradicciones. Después propone una tipología y recupera antecedentes, explicando qué coincide: producto, proceso o síntoma. Encontrar un expediente similar ayuda a investigar; no demuestra una causa común.

La IA puede preparar una hipótesis de causa probable y comprobaciones recomendadas. Deben aparecer como propuestas, separadas de hechos. El equipo confirma criticidad y causa raíz, decide acciones correctivas y preventivas y aprueba cualquier bloqueo o liberación.

Elemento del expediente	Ayuda del sistema	Validación necesaria
Lote y pedido	Extraer y relacionar referencias	Identidad y alcance afectado
Tipología y gravedad	Proponer clasificación	Criterio de calidad
Antecedentes	Recuperar casos parecidos	Pertinencia, sin asumir causa
Acciones	Preparar alternativas con evidencia	Aprobación del responsable
Comunicación externa	Redactar una propuesta	Autorización antes de enviar

Borradores 8D o CAPA sin inventar una investigación

El sistema puede organizar la información en la plantilla que utilice la empresa o solicite el cliente. No debe completar una causa raíz sin verificar, una aprobación inexistente o una comprobación de eficacia todavía pendiente. La plantilla estructura el trabajo; no prueba que se haya realizado.

Acción implantada y acción eficaz son estados diferentes. Una evidencia de ejecución permite avanzar, pero la eficacia requiere los criterios y datos posteriores definidos por calidad. Los avisos automáticos pueden recordar plazos, sin certificar el cierre porque todos los campos estén rellenos.

Los responsables necesitan llegar a documentos y fragmentos relevantes sin repetir la búsqueda. El expediente conserva propuestas, correcciones y decisiones aprobadas, con permisos según planta, cliente y alcance.

Comparar el ahorro de preparación con el proceso completo

Un cálculo hipotético: 20 expedientes mensuales a dos horas de recopilación consumen 40 horas. Reducir la preparación a una hora libera 20 horas antes de revisión adicional, mantenimiento y operación. No significa reducir a la mitad la investigación ni el tiempo hasta el cierre.

La comparación debe separar origen y complejidad, y observar errores que superan los controles. Más incidencias detectadas pueden representar problemas antes invisibles. El objetivo es mejorar evidencia y decisión, no reducir registros para mejorar una métrica.

La automatización de informes técnicos comparte la necesidad de fuentes trazables. En industria, el primer piloto debe mantener aprobación humana y demostrar que revisar resulta más fácil que reconstruir manualmente el caso.

Tratar la no conformidad como un flujo, no como un documento

Automatizar la redacción del informe final resuelve solo el último paso. El proceso completo incluye:

1. Registrar el hallazgo y contener sus efectos.
2. Identificar producto, lote, equipo, cliente y proceso afectados.
3. Reunir evidencia de diferentes sistemas.
4. Buscar casos similares.
5. Analizar causas y definir acciones.
6. Asignar responsables y fechas.
7. Comprobar la eficacia.
8. Aprobar el cierre y conservar la trazabilidad.

Si los primeros pasos siguen repartidos entre correo, carpetas y hojas de cálculo, un generador de texto producirá un informe más rápido sobre información potencialmente incompleta.

Crear un expediente único y trazable

El primer avance consiste en asociar cada evidencia al mismo caso. No implica necesariamente reemplazar el sistema de calidad. Puede construirse un flujo que conecte las fuentes actuales y utilice un identificador común.

Un expediente útil debería distinguir entre:

• Datos observados: mediciones, fechas, cantidades y referencias.
• Documentos de origen: inspecciones, registros, fotografías y comunicaciones.
• Hipótesis: posibles causas que todavía deben comprobarse.
• Decisiones: contención, disposición, acciones y responsables aprobados.
• Seguimiento: plazos, evidencias de implantación y verificación de eficacia.

La distinción evita que una sugerencia generada por IA termine presentada como un hecho.

Dónde puede intervenir la IA

Registrar y clasificar el hallazgo

El sistema puede convertir una descripción libre, un correo o una reclamación en un borrador estructurado. Propone producto, defecto, origen y gravedad, pero muestra de dónde obtiene cada dato y solicita los campos que faltan.

Las reglas deben resolver códigos, tolerancias y campos obligatorios. La IA es más útil para interpretar lenguaje o documentos variables que para sustituir validaciones deterministas.

Recuperar antecedentes

Buscar casos parecidos por palabras exactas suele fallar cuando el mismo problema se describe de formas distintas. Un sistema puede localizar expedientes relacionados por producto, proceso, síntoma o posible mecanismo y presentar sus evidencias.

Encontrar similitud no prueba una causa. Sirve para que calidad compare antecedentes sin depender de recordar cómo se tituló el expediente anterior.

Preparar un borrador

La IA puede ordenar hechos, resumir actuaciones y completar una plantilla. Cada afirmación relevante debería enlazar a su evidencia. Los campos sin respaldo deben quedar vacíos o señalados, no completarse con contenido plausible.

Controlar pendientes

Un flujo basado en reglas puede detectar acciones vencidas, responsables ausentes o verificaciones sin evidencia. También puede preparar recordatorios según el estado del caso. Esta parte requiere poca generación y suele ser fácil de comprobar.

Preparar una auditoría

El sistema puede reunir procedimientos, registros y expedientes relacionados con un requisito, indicar versiones y señalar huecos. El auditor interno o responsable decide si la evidencia es pertinente y suficiente.

Qué decisiones deben permanecer en el equipo de calidad

Decisión	Ayuda posible del sistema	Responsable final
Clasificar el caso	Proponer categoría con evidencia	Calidad
Definir contención	Mostrar procedimiento y contexto	Operaciones y calidad
Determinar causa raíz	Recuperar antecedentes y ordenar hipótesis	Equipo de análisis
Aprobar acción correctiva	Comprobar campos y coherencia	Responsable designado
Verificar eficacia	Reunir datos posteriores	Calidad
Cerrar expediente	Mostrar checklist completo	Autoridad de cierre

La interfaz debe reflejar esta separación. Un botón que dice «aceptar sugerencia» no puede confundirse con «aprobar acción correctiva».

Cómo controlar respuestas incorrectas

Un flujo de calidad necesita defensas explícitas:

• Responder solo a partir de fuentes autorizadas cuando se consultan procedimientos.
• Mostrar documento, versión y fragmento utilizado.
• Separar hechos, inferencias y propuestas.
• Bloquear el avance cuando falta un dato obligatorio.
• Mantener un historial de cambios y aprobaciones.
• Restringir el acceso según planta, cliente o tipo de información.
• Escalar los casos de mayor riesgo.

También debe poder explicar por qué no ha clasificado un caso. Una excepción visible es preferible a una automatización silenciosa que coloque el expediente en la categoría equivocada.

Evaluar con expedientes históricos

Antes de usar el sistema en casos nuevos, seleccionaríamos expedientes cerrados que representen la variedad real: sencillos, incompletos, repetidos y graves. No se trata de pedir a la IA que reproduzca literalmente el documento final, sino de comprobar cada tarea.

Por ejemplo:

• ¿Extrajo correctamente lote, producto y fecha?
• ¿Recuperó los antecedentes que un responsable considera relevantes?
• ¿Diferenció una evidencia de una hipótesis?
• ¿Detectó los campos ausentes?
• ¿Citó la versión correcta del procedimiento?
• ¿Se abstuvo ante información contradictoria?

Los errores deben clasificarse por impacto. Confundir un formato de fecha no tiene el mismo riesgo que asociar el hallazgo al lote equivocado.

Medir capacidad y calidad al mismo tiempo

El éxito no es generar más expedientes. Buscamos reducir el esfuerzo y mejorar la disponibilidad de información sin deteriorar el control.

Mediríamos:

• Tiempo desde el hallazgo hasta el registro completo.
• Horas destinadas a buscar y recopilar evidencia.
• Tiempo hasta asignar y completar acciones.
• Expedientes devueltos por información insuficiente.
• Acciones vencidas y tiempo medio de cierre.
• Reincidencias que disponían de un antecedente localizable.
• Correcciones realizadas sobre los borradores del sistema.

Las métricas de velocidad deben leerse junto a los errores. Si se redacta antes, pero aumenta el número de expedientes reabiertos, el flujo no ha mejorado.

Un primer alcance controlado

Empezaríamos con un único origen de no conformidad, una familia de producto y un responsable. El sistema reuniría evidencia, propondría la clasificación y prepararía el borrador, pero todas las decisiones continuarían requiriendo aprobación.

Tras varias semanas, el análisis de excepciones indicaría qué reglas son estables y qué casos deben continuar siendo manuales. Solo entonces ampliaríamos el alcance o automatizaríamos pasos adicionales.

Para proveedores de automoción, el diagnóstico específico de automoción revisa además PPAP, 8D, IATF, trazabilidad y coordinación con planta. Para una visión transversal, el diagnóstico de IA industrial ayuda a comparar calidad con otros procesos antes de decidir la primera inversión.