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.

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.