Cómo está cambiando la IA el control de calidad automotriz

Los fallos de calidad son costosos. En 2025, los fabricantes de vehículos de EE. UU. pagaron 20.810 millones de dólares en reclamaciones de garantía, y, según la National Highway Traffic Safety Administration, se retiraron del mercado más de 29 millones de vehículos. Todas estas cifras se debieron a una pieza defectuosa que pasó inadvertida o no se inspeccionó correctamente, ya fuera por un error durante el diseño o el proceso de inspección, o por algo que le ocurrió al vehículo después de enviarlo a un cliente.

Al intentar encontrar defectos en la línea de producción, intervienen muchas variables cada vez más complejas. Con funciones controladas por software que antes eran mecánicas, y tolerancias más estrictas en los componentes mecánicos y las baterías de los vehículos eléctricos, hay muy poco margen de error. Además, las cadenas de suministro globales añaden una variabilidad que una sola planta no puede controlar por completo. Todo esto hace más necesario que nunca contar con el proceso adecuado para detectar defectos en la línea.

La inteligencia artificial proporciona a los equipos de calidad un conjunto diferente de herramientas. En lugar de revisar una muestra de piezas después de la producción y confiar en que no se les escape ningún problema, ahora los fabricantes pueden supervisar cada pieza en tiempo real y detectar tendencias o desviaciones antes de que se conviertan en defectos. Después de trabajar durante años con fabricantes de automóviles, neumáticos y baterías en torno a estos problemas, quiero explicar qué está cambiando realmente y qué hace falta para que estos programas funcionen.

Detectar los problemas antes de que se agraven

El mayor cambio que aporta la IA a la calidad es la escala. Al examinar todos los productos de la línea, se pueden detectar anomalías antes de que se conviertan en defectos. Errar es humano, así que, si solo se revisa una muestra de la línea y se confía en que las personas inspeccionen visualmente los productos, es posible que algunas anomalías pasen inadvertidas. Puede deberse a un error humano, al no poder identificar visualmente un defecto, o a la fatiga, que hace que los empleados presten menos atención a los detalles que al comienzo de su turno.

Los avances y la convergencia de las cámaras y la IA pueden ser muy beneficiosos para el sector automotriz. No solo se pueden empezar a detectar más defectos en la línea de producción, sino que, algo fundamental, también se pueden detectar problemas antes de que ocurran. Al utilizar la IA para detectar defectos en pruebas virtuales, los fabricantes han empezado a aprovecharla no solo para predecir posibles fallos, sino también para crear nuevas pruebas que realizar en sus productos. Además, el uso de la IA en la línea de producción permite detectar más defectos que nunca. Una investigación de McKinsey demostró que los fabricantes podían detectar un 90 % más de defectos al utilizar la IA en sus líneas de producción.

Una inspección que mejora por sí sola

Detectar más defectos es solo una parte de la historia. El segundo cambio es que la inspección basada en IA mejora con el tiempo, en lugar de permanecer estática. No solo se detectan más defectos, sino que un sistema basado en IA analiza todos los datos incorporados y aprende. Utilizar la IA para predecir los resultados de las máquinas permite detectar cuándo no funcionan conforme a las especificaciones. Si las máquinas empiezan a salirse de las tolerancias, se puede alertar al sistema para que ajuste los valores de las máquinas, de modo que la producción vuelva a estar dentro de las tolerancias y los productos cumplan las especificaciones.

Un ejemplo en la industria de los neumáticos sería el empalme. Al utilizar la IA y la visión artificial en el proceso de empalme, se pueden reducir los empalmes fuera de tolerancia y mejorar el rendimiento. En el sector automotriz, otro ejemplo es cómo estamos mejorando la holgura y el enrase en la carrocería o en el taller de soldadura. Como se ha permitido que el sistema aprenda de los datos actuales e históricos, sabe cómo debe ser un buen empalme y cuáles son las tolerancias geométricas adecuadas, y empieza a ajustar en tiempo real las variables del proceso de las máquinas y los sistemas robóticos para mantenerlas dentro de las tolerancias. Ese ciclo de aprendizaje es lo que diferencia la inspección moderna con IA de la automatización anterior. Los estándares se mantienen uniformes entre turnos, líneas e incluso plantas de distintas regiones, algo importante para los fabricantes de neumáticos y automóviles que utilizan los mismos sistemas y modelos en varias instalaciones de todo el mundo.

De medida de protección a ventaja estratégica

Durante mucho tiempo, el control de calidad se ha considerado una medida de protección: una comprobación final destinada a impedir que las piezas defectuosas lleguen a los clientes. La IA lo está convirtiendo en algo más parecido a una palanca estratégica.

No solo se pueden detectar más defectos, sino que también se puede empezar a entender dónde se producen. Comprender mejor el proceso permite detectar tendencias y corregir esos problemas antes de que se agraven. Cuando se empieza a entender dónde se producen estos defectos, se puede aumentar el rendimiento a la primera y reducir la tasa de desechos y retrabajos; al reducir los desechos y los retrabajos, también se puede aumentar el volumen de producción.

Las métricas importantes en este caso no son inusuales. El rendimiento a la primera, la tasa de desechos y retrabajos, las reclamaciones de los clientes y la precisión de las inspecciones ya existían antes de la IA. Lo que cambia es la rapidez y la uniformidad con que los fabricantes pueden medirlas y actuar en función de ellas. Un defecto detectado en la línea cuesta mucho menos que uno detectado después del montaje, y uno detectado después del montaje cuesta mucho menos que uno que llega a un cliente y termina en una reclamación de garantía o una retirada del mercado.

Por qué tantos programas de IA se estancan

Por supuesto, nada de esto ocurre automáticamente. Comprar cámaras y software de IA no significa que vayas a detectar más defectos. Los fabricantes que han implementado estos procesos con éxito han hecho algunas cosas clave de manera diferente. Identificaron un problema en su línea de producción e intentaron resolverlo con IA, en lugar de lanzarse a usarla para luego buscarle una aplicación. También se aseguraron de tener objetivos cuantificables con los que comparar los resultados. Una vez que sepas que el proyecto piloto ha dado buenos resultados, podrás considerar ampliar el proceso a otras áreas de la línea.

Otro aspecto que debes asegurarte de tener son las habilidades necesarias dentro del equipo. Puede que el equipo de calidad conozca a fondo el proceso, pero nunca haya utilizado el aprendizaje automático. O quizá el equipo de ciencia de datos sepa mucho sobre aprendizaje automático, pero no conozca lo que ocurre en la línea de producción. Contar con estas habilidades multidisciplinarias, junto con experiencia en cómo ampliar las operaciones, te permitirá implementar estos procesos en la línea y en todas tus operaciones.

Hacia dónde se dirige todo esto

En el sector automotriz, la calidad siempre ha definido la reputación. Una sola anomalía que llegue al mercado puede provocar retiradas del mercado que cuesten cientos de millones de dólares y erosionar años de confianza de los clientes. La IA ofrece una forma de detectar esa anomalía antes, entender por qué se produjo y evitar que vuelva a ocurrir en todas las líneas y plantas, en lugar de hacerlo una por una.

Los fabricantes que hoy obtienen un valor real de la IA no son necesariamente los que cuentan con la tecnología más avanzada. Son los que tratan la calidad como un sistema que hay que comprender y mejorar continuamente, y consideran la IA una parte de ese sistema, no el sistema entero. A medida que las arquitecturas de los vehículos siguen evolucionando y los volúmenes de producción continúan aumentando, esa disciplina será cada vez más importante.