rely 
En el control de calidad, la experiencia y el ojo entrenado del operario han sido, durante décadas, la primera y última línea de defensa contra defectos que afectan a la producción. Sin embargo, incluso el profesional más experimentado tiene límites: la fatiga visual, la repetición de tareas y la sutileza de ciertos defectos hacen que algunos pasen desapercibidos.
En este escenario, la Inteligencia Artificial no llega para sustituir, sino para complementar y potenciar la capacidad humana, detectando lo que, por naturaleza, no siempre podemos ver.
Vista humana vs. visión artificial
El ojo humano es increíblemente versátil: puede adaptarse a distintos entornos, distinguir colores y formas con rapidez, y procesar información visual en contexto. Sin embargo, nuestra forma de analizar imágenes es subjetiva y depende de factores como la iluminación, el cansancio, la concentración o incluso la experiencia previa.
La visión humana es selectiva: tendemos a fijarnos más en patrones conocidos y a ignorar, sin querer, detalles fuera de lo esperado.
Las máquinas, en cambio, no “miran” como nosotros; procesan cada píxel, cada variación de textura y cada patrón matemático en la imagen. No se cansan, no pierden enfoque y no se dejan influenciar por el contexto.
Un sistema de visión artificial entrenado con IA compara constantemente la imagen capturada con miles de ejemplos previos, buscando coincidencias o desviaciones que, para nosotros, pueden ser imperceptibles. Esto no significa que acierten siempre, pero sí que tienen la capacidad de detectar defectos tan sutiles que, a simple vista, pasarían inadvertidos incluso para un experto.
Un caso real: poniendo a prueba al modelo
En una de las empresas con las que hemos trabajado, después de realizar cada entrenamiento, hacíamos un “examen” para validar la precisión del modelo. El examen consistía en poner a prueba la robustez del sistema, pasando piezas con diferentes tipos de defectos y piezas correctas para ver los resultados.
La persona encargada de revisar diariamente la calidad de las piezas separaba en diferentes bolsas 15 piezas con un mismo tipo de defecto:
- Poro
- Falta de llenado
- Golpe
- Arena
Además, juntaba unas 50 piezas clasificadas como correctas.
La idea era analizar tanto la cantidad de defectos que el modelo no veía como los falsos rechazos en piezas correctas.
Al evaluar, pasábamos esas 15 piezas de cada tipo de defecto y analizábamos si el modelo era capaz de detectar todos los que el humano había identificado. Esto nos daba una nota por defecto:
- Poros: 12/15
- Faltas de llenado: 8/15
- Grietas: 14/15
Las imágenes de las piezas donde el modelo fallaba se etiquetaban y reutilizaban para entrenar el sistema hasta conseguir puntuaciones de 15/15 en varios exámenes consecutivos.
Lo que la IA vio… y nosotros no
Lo más revelador ocurrió con las piezas que el operario había marcado como correctas. En las primeras iteraciones, los resultados entre humano y modelo eran muy similares. Sin embargo, a medida que alimentábamos el dataset y el modelo se hacía más robusto, empezó a aumentar el rechazo en piezas que, a simple vista, parecían perfectas.
En un inicio pensamos que se trataba de falsos rechazos. La realidad fue distinta: de esas 50 piezas clasificadas como correctas, había una media de 10 que sí tenían defectos reales. Defectos tan pequeños, en ubicaciones tan discretas o tan difíciles de percibir después de revisar cientos de piezas, que el operario los había pasado por alto. La IA no.
Conclusión
Este caso demuestra que, más allá de automatizar tareas repetitivas, la IA en visión artificial ofrece una ventaja tangible: detectar defectos que, por su naturaleza, son prácticamente invisibles al ojo humano en un entorno de producción real.
Esto no sustituye la labor humana: la amplifica, la acompaña y garantiza un nivel de calidad más alto y consistente.
