Visión artificial en la empresa: qué ve de verdad una cámara con IA

La visión artificial en empresas es, junto con los chatbots, la tecnología de IA con la distancia más grande entre lo que se demuestra en una feria y lo que aguanta un turno de noche en una nave. En la demo, la cámara detecta la pieza defectuosa en dos décimas. En la planta real, un operario mueve la lámpara, entra sol por la puerta del muelle y el mismo modelo empieza a marcar como defecto las piezas buenas. La tecnología no ha fallado: ha fallado el proyecto, que confundió un algoritmo con una instalación.

Esta guía va de la parte que no sale en la demo. Qué es exactamente la visión artificial y qué la separa de «poner una cámara con IA», qué casos están maduros hoy en industria, logística y retail, qué hace falta antes de comprar hardware, cuánto cuesta y cuánto tarda un proyecto realista, qué obliga a mirar el RGPD cuando la cámara enfoca a personas y cuándo la respuesta honesta es que no compensa.

¿Qué es la visión artificial y en qué se diferencia de una cámara con IA?

Visión artificial (o computer vision) es el conjunto de técnicas que permiten a un sistema extraer información útil de imágenes o vídeo: contar objetos, clasificarlos, localizarlos, medirlos, leer texto o detectar que algo se sale de lo normal. La entrada son píxeles; la salida es un dato estructurado que otro sistema puede consumir.

Esa última frase es la clave y es la que separa un proyecto que aporta de una anécdota. Una cámara que «detecta» pero no dispara nada —ni una alarma, ni un rechazo en la línea, ni un apunte en el ERP— es un monitor caro. El valor no está en el reconocimiento, está en lo que ocurre después de reconocer.

Conviene distinguir cuatro tipos de tarea, porque su dificultad y su coste son muy distintos:

• Clasificación. ¿Esta imagen es de una pieza correcta o defectuosa? Es la más sencilla y la que primero suele funcionar.
• Detección y localización. ¿Cuántas cajas hay y dónde está cada una? Necesita etiquetado más costoso, porque hay que marcar posiciones, no solo etiquetas.
• Segmentación y medición. ¿Qué superficie ocupa la mancha, cuánto mide esta soldadura? Exige precisión de cámara y de calibración, y es donde más proyectos se atascan.
• Lectura y extracción. Matrículas, códigos, etiquetas, albaranes. Es la más resuelta comercialmente y muchas veces no necesita modelo propio.

Y una advertencia sobre el vocabulario: cuando un proveedor dice «IA de última generación» para un contador de cajas, desconfía menos del modelo y más de la propuesta. El 80 % de los problemas industriales resueltos con visión se resuelven con arquitecturas conocidas desde hace años. Lo que marca la diferencia es la iluminación, el ángulo, la limpieza del objetivo y quién mantiene el sistema en septiembre, no la novedad del algoritmo.

Un proyecto de visión artificial no se gana en el modelo. Se gana en la iluminación, en el etiquetado y en el proceso que consume la alerta. Quien te venda solo el modelo te está vendiendo un tercio del proyecto.

¿Qué casos de visión artificial funcionan hoy en empresas?

Los que cumplen tres condiciones a la vez: el objeto a mirar es repetitivo, las condiciones de captura se pueden controlar y hay una decisión clara esperando al otro lado. Esta tabla resume los que más pedidos recibimos y qué exige cada uno.

| Caso | Qué resuelve | Condición crítica | Decisión que dispara | |---|---|---|---| | Control de calidad en línea | Detectar defectos de superficie, montaje o etiquetado | Iluminación fija y muestras de defectos reales | Rechazo automático o aviso al operario | | Conteo e inventario | Contar unidades, palés o referencias en almacén | Ángulo estable y objetos separables | Ajuste de stock en el ERP | | Seguridad en planta | Detectar acceso a zona restringida o falta de EPI | Base legal y política de privacidad claras | Alerta al responsable de turno | | Trazabilidad y lectura | Leer códigos, matrículas, lotes o albaranes | Calidad de impresión y enfoque | Registro automático de entrada/salida | | Analítica de tienda | Flujo de personas, tiempos de cola, zonas frías | Anonimización desde la propia cámara | Refuerzo de personal, cambio de layout |

Tres matices que evitan sorpresas.

Control de calidad. El problema nunca es reconocer la pieza buena: es que tienes pocas piezas malas. Una línea con un 0,5 % de defectos genera dos ejemplos por cada cuatrocientas fotos, y un modelo necesita ver bastantes más. Por eso los proyectos serios empiezan por recopilar y clasificar defectos durante semanas, o por plantear el problema al revés: aprender qué es normal y avisar de lo que se desvía.

Conteo e inventario. Aquí el retorno es rápido cuando sustituye recuentos manuales, y muy pobre cuando compite con un lector de códigos que ya funciona. Antes de mirar cámaras, comprueba si el problema es de captura o de que nadie apunta el movimiento. Muchas veces la solución correcta no es visión, sino automatizar el proceso que genera el registro.

Seguridad y analítica de personas. Técnicamente es de lo más maduro; jurídicamente es lo más delicado. Volvemos sobre ello más abajo.

¿Qué hace falta antes de instalar la primera cámara?

Cinco cosas, y solo una es tecnológica.

• Una decisión concreta y su dueño. «Queremos ver qué pasa en planta» no es un caso. «Queremos rechazar automáticamente la pieza con rebaba antes del embalaje, y el responsable es el jefe de línea» sí lo es.
• Condiciones de captura controlables. Iluminación constante, posición fija de la cámara, fondo estable y objeto siempre a distancia similar. Es aburrido y es el 40 % del éxito. Un proyecto con luz natural variable cuesta el doble y rinde la mitad.
• Imágenes reales, no de catálogo. Necesitas fotos de tu producto, tu línea y tu suciedad. Y necesitas ejemplos de fallo. Si aún no existen, el primer entregable del proyecto es un sistema de captura y etiquetado, no un modelo.
• Un criterio de aceptación escrito. Qué porcentaje de defectos hay que detectar y cuántas falsas alarmas se toleran. Sin ese número, la discusión final será una opinión y la opinión siempre pierde contra «antes lo hacía Pepe y no fallaba».
• Quién consume la salida. PLC, ERP, WMS, panel de turno o un correo. Si la detección no entra en un sistema que ya se usa, se abandonará en tres semanas. Es el mismo patrón que explica por qué fracasan los pilotos de IA.

Un apunte sobre el coste asimétrico del error, que casi nadie plantea al principio. En control de calidad no cuesta lo mismo dejar pasar un defecto que rechazar una pieza buena. En seguridad, una falsa alarma quema la confianza del turno en dos días. Ese equilibrio se ajusta, pero hay que decidirlo con negocio delante, no dejarlo al valor por defecto de una librería.

¿Cuánto cuesta y cuánto tarda un proyecto de visión artificial?

Un primer caso acotado, en una empresa mediana, cabe en tres o cuatro meses. Esta es la secuencia que seguimos y dónde se va el esfuerzo de verdad.

| Fase | Qué se hace | Resultado | |---|---|---| | Semanas 1-2 | Definir caso, criterio de aceptación y línea base actual | Ficha de una página con dueño y números | | Semanas 3-6 | Montar captura: cámara, óptica, iluminación, posición | Imágenes reales del proceso, reproducibles | | Semanas 5-9 | Etiquetado y primer modelo; validación con datos nuevos | ¿Cumple el criterio? Respuesta con cifras | | Semanas 10-13 | Integración con PLC, ERP o panel; formación del turno | Detección dentro del flujo de trabajo | | Semanas 14-16 | Operación supervisada y ajuste de umbrales | Decisión: escalar, ajustar o parar |

Sobre el presupuesto, tres realidades incómodas. La primera: el hardware suele ser la partida menor. Una cámara industrial decente, su óptica y su iluminación se mueven en cientos o pocos miles de euros por puesto; el trabajo de integración y ajuste es varias veces eso. La segunda: el etiquetado se paga siempre, en dinero o en horas de tu gente, y conviene planificarlo como una tarea con responsable y calendario. La tercera: presupuesta el mantenimiento. Cambia el proveedor de embalaje, cambia el brillo del plástico y el modelo empieza a fallar. Sin alguien que revise métricas y reentrene, el sistema se degrada en silencio.

Compara siempre contra la línea base: qué porcentaje de defectos se escapa hoy con inspección humana y cuánto cuesta cada escape. Si nadie ha medido eso, el primer trabajo del proyecto es medirlo. Es la misma disciplina que aplicamos en análisis predictivo: sin línea base, cualquier resultado parece bueno.

¿Qué exige el RGPD cuando la cámara enfoca a personas?

En cuanto una cámara capta a una persona identificable, estás tratando datos personales, aunque solo quieras contar cuántas entran. Eso activa obligaciones que conviene resolver antes de instalar, no después de la primera queja.

• Base legal e información. Interés legítimo suele ser la vía en seguridad laboral, y exige ponderación documentada. Además, cartel informativo visible y información a la plantilla y a su representación legal.
• Minimización real. Si necesitas contar personas, no guardes caras. Los sistemas serios procesan en el propio dispositivo y solo emiten el número. Es anonimización aplicada al vídeo, y reduce el riesgo más que cualquier cláusula.
• Plazos de conservación. El vídeo de videovigilancia tiene plazos cortos por norma general. Guardar «por si acaso» es la infracción más habitual y la más fácil de evitar.
• Evaluación de impacto. El tratamiento sistemático de zonas accesibles al público o la monitorización de trabajadores suele exigirla. Hacerla no es burocracia: es lo que te obliga a escribir qué haces con las imágenes.
• Uso laboral acotado. Detectar que falta un casco es control de seguridad; medir el ritmo individual de trabajo entra en terreno de control laboral, con reglas propias y mucho más conflicto.

A esto se suma el marco europeo de IA, que clasifica por riesgo y trata con especial dureza la identificación biométrica. Si tu caso solo cuenta objetos, el impacto es menor; si identifica personas, revisa qué categoría te toca antes de firmar. Lo resumimos en la guía del reglamento europeo de IA para pymes, y la regla práctica es simple: cuanto menos identifiques, menos obligaciones acumulas y menos discusiones tendrás con el comité.

¿Cuándo NO conviene la visión artificial?

Descartar a tiempo ahorra el presupuesto para el caso que sí funciona. Señales claras:

• El volumen no lo justifica. Si se inspeccionan cincuenta piezas al día, un operario es más barato, más flexible y no necesita reentrenarse.
• El producto cambia constantemente. Series muy cortas y muy variadas obligan a reetiquetar sin parar. La visión rinde donde hay repetición.
• Ya existe una señal mejor. Un sensor de peso, un lector de código o una báscula resuelven muchos «problemas de visión» con una fracción del coste y sin ambigüedad.
• No se puede controlar la escena. Exterior, luz cambiante, objetos superpuestos y cámara que alguien mueve cada semana: el sistema pasará más tiempo desajustado que funcionando.
• Nadie va a atender la alerta. Si la detección llega a un panel que nadie mira, no montes el proyecto. Móntalo cuando esté claro quién actúa y en cuánto tiempo.

En bastantes de estos casos el paso correcto no es más tecnología, sino ordenar el registro de lo que ya ocurre. Es la misma conclusión de siempre: primero los datos, después la IA.

Preguntas frecuentes

¿Necesito muchas imágenes para entrenar un modelo de visión artificial?

Menos de las que se cree para clasificar y bastantes más para detectar defectos raros. Con unos cientos de ejemplos por categoría y buenas condiciones de captura se llega lejos; el cuello de botella suele ser conseguir suficientes ejemplos de fallo, no de producto correcto.

¿La visión artificial sustituye a los inspectores de calidad?

En la práctica los reubica. El sistema hace el barrido repetitivo al 100 % de las piezas y marca las dudosas; la persona resuelve los casos límite y mantiene el criterio. Los proyectos planteados como sustitución total suelen quedarse cortos y generan rechazo interno.

¿Puedo usar cámaras de videovigilancia que ya tengo instaladas?

A veces, para conteo y flujo de personas. Para control de calidad casi nunca: resolución, óptica, posición e iluminación están pensadas para vigilar, no para medir. Reaprovechar hardware inadecuado es el ahorro que más caro sale.

¿Hace falta enviar el vídeo a la nube?

No siempre, y muchas veces no conviene. Procesar en el propio dispositivo reduce latencia, coste de red y superficie de riesgo, algo que agradecerás al revisar la parte de ciberseguridad. La nube tiene sentido para entrenar y para consolidar métricas, no necesariamente para inferir.

Si estás valorando visión artificial y no tienes claro si tu caso está maduro —o si el cuello de botella real es la iluminación, el etiquetado o el proceso que debe consumir la alerta—, eso es exactamente lo que resuelve la auditoría: mirar tu línea, tus imágenes y tus sistemas para salir con un caso priorizado, un criterio de aceptación medible y los descartes por escrito. Si prefieres contrastarlo antes en media hora, hablemos.