Visión IA Control de Calidad Industrial: Caso PYME Navarra [2026]
TL;DR — Mayo 2026:
- El caso: PYME industrial española (10-50 personas) que fabrica maquinaria propia y quiere control de calidad asistido por visión IA: detección de piezas, dimensiones y soldaduras. Referencia mental que muchos clientes citan: el túnel de control de calidad de Volkswagen Landaben en Pamplona.
- Inversión típica para un piloto serio: 8.000-18.000 € (build) + hardware (4.000-15.000 €). Tiempo: 8-14 semanas hasta piloto productivo en 1 línea.
- Lo que NO funciona: comprar una cámara industrial cara, conectarla a un modelo genérico y esperar que detecte defectos. El 70 % del éxito está en el dataset etiquetado y la iluminación; el modelo es lo último.
- Lo que SÍ funciona: empezar por un caso concreto (UNA línea, UN tipo de defecto), recoger 500-2.000 imágenes etiquetadas, validar contra criterio del operario senior, y solo después escalar.
- Stack realista PYME (no hyperscaler): cámara industrial + iluminación controlada + edge device (NVIDIA Jetson o equivalente) + modelo (YOLOv9 / Detectron2 / SAM 2 fine-tuned).
- Errores que cuestan tiempo: querer detectar 12 defectos a la vez, no controlar la iluminación, no involucrar al operario que sabe distinguir defecto de no-defecto, comprar hardware antes de tener piloto en imágenes.
- Yo soy Javier Santos Criado, consultor de IA en Javadex. Trabajo casos de visión IA para PYME industrial en colaboración con un partner de hardware/integración cuando es necesario. Esta guía es lo que aprendí de los casos reales.
¿Qué es visión IA para control de calidad industrial?
Visión IA para control de calidad industrial es el uso de modelos de visión por computador entrenados con imágenes de la propia planta para detectar automáticamente piezas correctas, anomalías geométricas, defectos visuales (soldaduras, arañazos, faltantes) y trazar cada decisión con su evidencia visual. No es una cámara con software genérico que viene en una caja; es un sistema calibrado a tu producto, tu iluminación y tus criterios de calidad.
"Fabricamos maquinaria propia y estamos muy interesados en incorporar sistemas de IA al control de calidad. Como referencia, miramos el túnel de control de calidad que tiene Volkswagen en Landaben, pero sabemos que para una PYME hay que adaptar." — Briefing real de un fabricante de maquinaria de Navarra recibido en Javadex en mayo de 2026.
Ese mensaje resume el patrón que veo en industrial PYME: mirando casos enterprise (VW Landaben, Tesla, Airbus), pero con presupuesto y volumen de PYME. La buena noticia: el gap se puede cerrar, pero requiere acotar muy bien el primer caso.
Por qué fallan la mayoría de pilotos de visión IA en PYME
Antes del cómo, los 5 motivos por los que veo fracasar pilotos:
- Querer detectar todo: el primer piloto intenta cubrir 12 tipos de defecto en 5 productos. Acaba detectando ninguno bien.
- Iluminación inconsistente: las imágenes de entrenamiento se tomaron con luz natural a las 11:00; las de producción son a las 6:00 con luz artificial. Modelo destrozado.
- Dataset tirando de Google Images: alguien intentó "ahorrar" entrenando con imágenes genéricas de internet. No vale para un producto propio.
- Comprar hardware antes que probar: 4.000 € de cámaras industriales antes de validar que el caso funciona en imágenes. Si el piloto falla, el hardware se queda sin uso.
- No involucrar al operario senior: la persona que lleva 15 años distinguiendo "soldadura buena" de "soldadura mala" no participa en etiquetar. El modelo aprende un criterio peor que el del humano.
Cualquier proyecto serio de visión IA evita los 5 antes de tocar código.
Las 4 fases de un piloto bien hecho
| Fase | Qué pasa | Duración | Inversión típica |
|---|---|---|---|
| 1. Discovery + criterio | Definir UN caso concreto, UNA línea, UN defecto. Validar con operario senior los criterios "bueno/malo" | 1-2 sem | 1.000-2.000 € |
| 2. Captura + etiquetado | 500-2.000 imágenes con iluminación controlada, etiquetado supervisado | 2-4 sem | 2.000-5.000 € |
| 3. Modelado + validación | Entrenamiento (YOLO/SAM/Detectron2 fine-tuned), tests A/B contra operario | 2-4 sem | 3.000-8.000 € |
| 4. Piloto en línea | Edge device + integración SCADA/PLC + dashboard + protocolo escalado humano | 2-4 sem | 2.000-3.000 € + hw |
Caso real: PYME Navarra, control de calidad de soldadura
Contexto (anonimizado a partir de un caso real de mayo 2026): fabricante de maquinaria propia en Navarra, 30+ trabajadores. Control de calidad actual = visual por operario senior, 100 % manual. Quieren automatizar el primer paso: detección de soldaduras visualmente correctas vs defectuosas en una línea concreta.
Lo que NO recomendé:
- Empezar por 5 tipos de defecto (poro, fisura, exceso, faltante, salpicadura).
- Contratar partner enterprise tipo Cognex con licencia anual de 25.000 €.
- Cámaras de gama industrial top antes de tener dataset.
Lo que SÍ recomendé:
- Empezar por 1 defecto (el más caro de pasar por alto: fisura visible) en 1 línea concreta.
- Cámara industrial mid-range (1-2 cámaras, ~1.500-3.000 €) + iluminación LED estructurada.
- Operario senior etiqueta los primeros 800 ejemplos (con nuestro soporte para que sea rápido).
- YOLOv9 fine-tuned + segmentación SAM 2 para localizar la región de la soldadura.
- Edge inference en NVIDIA Jetson Orin Nano (~500 €) en línea.
- Dashboard simple: imagen + decisión IA + score + botón "validar/rechazar" para cierre de loop con operario.
Plan de inversión propuesto:
- Build: 9.500 € + IVA (consultoría + dataset + modelo + integración).
- Hardware: 5.500 € (cámaras + iluminación + edge + cabinet industrial).
- Tiempo: 10 semanas hasta piloto en línea.
- Hito de éxito: >92 % precisión vs operario senior + <3 % falsos negativos (no dejar pasar fisura buena = crítico).
Si el piloto cumple criterios, fase 2 (mes 4): extender a 2-3 defectos más en la misma línea. Fase 3 (mes 8): replicar a otra línea con stack ya probado.
"El 70 % del éxito en visión IA industrial está en el dataset etiquetado. Si el operario que lleva 15 años no se siente representado en el criterio del modelo, el modelo nunca va a sustituir su juicio en producción." — Javier Santos Criado, consultor de IA en Javadex
Comparativa: opciones de visión IA para PYME industrial (mayo 2026)
| Opción | Inversión inicial | Personalización | Cuándo elegir |
|---|---|---|---|
| Cognex In-Sight + ViDi (enterprise) | 25.000-80.000 € | Alta, vendor lock | Líneas críticas alto volumen |
| Keyence + AI Vision | 15.000-50.000 € | Alta, vendor lock | Igual que Cognex, alternativa |
| Plataformas SaaS (Landing AI, Roboflow) | 200-2.000 €/mes + cámara | Media | <3 defectos, rápido para POC |
| Implementación custom (consultor + partner hw) | 8.000-20.000 € | Total | PYME que quiere control y escalado propio |
| Modelo pre-entrenado COTS | 1.000-5.000 € | Baja | Defectos genéricos universales |
| Open-source self-hosted (YOLO/SAM/Detectron2) | Solo coste de consultor + hw | Total | Equipo IT propio + caso bien definido |
Errores comunes en proyectos de visión IA industrial
Error 1: ignorar la iluminación
Problema: el modelo entrena con luz natural y se prueba con luz artificial nocturna. Precisión cae 30 %.
Solución: iluminación estructurada controlada desde el día 1. LEDs de luz blanca 5000K + difusores. El "ahorro" en iluminación se paga 5× en errores.
Error 2: no involucrar al operario senior
Problema: subcontratar etiquetado a un servicio externo sin el criterio del operario. El modelo aprende algo, pero no lo que el experto considera defecto.
Solución: el operario senior etiqueta los primeros 500-800 ejemplos. Con herramientas que lo hagan rápido (CVAT, Roboflow, LabelStudio), 2 horas/día durante 5-7 días bastan.
Error 3: comprar hardware antes de validar
Problema: alguien fue a una feria y compró 6 cámaras industriales premium por 18.000 €. Cuando el piloto se demuestra inviable en imágenes, el hardware queda en una caja.
Solución: piloto en imágenes con cámara prestada o de gama media (~500-1.500 €) PRIMERO. Solo cuando los números cuadran, se compra hardware definitivo.
Error 4: optimizar modelo sin mejorar dataset
Problema: probar 5 modelos distintos buscando ganar 2 % de precisión. El cuello de botella son las imágenes mal etiquetadas o pocas.
Solución: regla 70/20/10 del esfuerzo: 70 % dataset y etiquetado, 20 % iluminación e ingesta, 10 % modelo. Casi siempre.
Error 5: ignorar el cierre de loop con humano
Problema: el modelo dice "defecto" y la línea para. Operario molesto, decisiones sin contexto, falsos positivos no se aprenden.
Solución: HITL desde el día 1. Cada decisión IA va acompañada del botón "validar/rechazar". Esos rechazos alimentan el siguiente entrenamiento. El sistema mejora con uso, no con re-deploys.
Cuándo NO meter visión IA todavía
- Volumen <100 piezas/día por línea: no hay ROI sobre el coste fijo de mantener el sistema.
- Defectos cualitativos no visibles a cámara (acabado al tacto, ruido, olor, microestructura interna): visión IA no va a ayudar; necesitas otros sensores.
- Sin operario que pueda etiquetar criterio: si el conocimiento experto se ha ido, antes de IA toca recuperar criterio.
- Empresa sin OT mínima (la línea no tiene PLC, no hay SCADA, no hay ningún dato digital): integrar visión IA es un esfuerzo inviable sin esa base.
Hardware para PYME industrial: lo que recomiendo
| Componente | Modelo de partida | Precio orientativo |
|---|---|---|
| Cámara industrial 2 MP color | Basler ace 2 / IDS / Hikrobot | 800-2.000 € |
| Iluminación LED estructurada | Effilux EFFI-FLEX o equivalente | 300-800 € |
| Edge device | NVIDIA Jetson Orin Nano 8 GB | ~500 € |
| Cabinet industrial IP54 | Rittal / Schneider | 200-500 € |
| Cableado + óptica | M12 + lente C-mount | 200-400 € |
| PC industrial (si no edge) | Mini PC industrial fanless | 800-1.500 € |
¿Quieres explorar visión IA en tu planta?
Soy Javier Santos Criado, consultor de IA en Javadex. Para casos de visión IA industrial trabajo con un partner local de hardware/integración que aporta cámaras, iluminación, edge devices y cabinet, mientras yo aporto la capa de IA (dataset, modelo, validación, MLOps). El piloto típico está en 8.000-18.000 € (build) + 4.000-15.000 € de hardware.
Si tienes una línea de producción con un caso de control de calidad concreto y quieres un primer piloto serio antes de comprometerte con un proyecto grande, escríbeme desde el formulario de javadex.es/contact. Cuéntame: producto, defecto principal a detectar, volumen/día y si tienes ya cámaras o partes empezando de cero. En 48-72 h te paso una propuesta acotada.
Preguntas frecuentes
¿Cuánto cuesta un piloto de visión IA para control de calidad en una PYME industrial española?
8.000-18.000 € de build (consultoría + dataset + modelo + integración) + 4.000-15.000 € de hardware (cámaras, iluminación, edge). Tiempo: 8-14 semanas hasta piloto en una línea.
¿Qué hardware mínimo necesito en planta?
Por puesto: cámara industrial 2 MP (~800-2.000 €), iluminación LED estructurada (~300-800 €), edge device (NVIDIA Jetson Orin Nano ~500 €), cableado, cabinet IP54. Total 3.500-7.000 €/puesto.
¿Funciona visión IA para inspección de soldaduras?
Sí, especialmente para defectos visuales superficiales (poro visible, fisura, exceso, salpicadura) con buena iluminación. Para defectos internos hace falta otra tecnología (ultrasonido, rayos X). El piloto realista: 1 defecto, 1 línea, dataset de 800-2.000 imágenes etiquetadas por operario senior.
¿Por qué no usar Cognex/Keyence directamente?
Para volúmenes muy altos y staff propio de visión, son válidos. Para PYME (10-50 personas, 1-3 líneas) el modelo enterprise es caro y poco flexible. Custom + partner de hardware da más control y suele ser 3-5× más barato en TCO 3 años.
¿Qué precisión es realista esperar?
Para defectos visuales con iluminación controlada: >92 % precisión vs operario senior y <3 % falsos negativos son objetivos razonables tras un piloto bien ejecutado. Llegar a >99 % suele requerir 2-3 iteraciones más con datos de producción real.
¿Cuánto tarda en estar en producción real?
8-14 semanas para piloto en una línea (1 caso, 1 defecto). 3-6 meses adicionales para extender a más casos o líneas con el stack ya validado. Sistemas multi-defecto multi-línea estables: 9-18 meses desde el día 1.
¿Necesito tener PLC o SCADA en mi planta para integrar visión IA?
Recomendable, no imprescindible. Sin PLC/SCADA, el sistema avisa por dashboard/alerta pero no para la línea automáticamente. Con PLC, la decisión IA puede disparar parada de línea, marcado de pieza o derivación a control manual. La integración con PLC suele añadir 2-3 semanas y 2.000-4.000 € al proyecto.
Posts relacionados
- Auditoría IA para PYME: qué incluye y cuánto cuesta
- RAG empresarial sobre manuales técnicos multilingües
- Cómo desplegar Claude en empresa con GDPR
- Cuánto cuesta un consultor de agentes IA en España
- Mi stack de IA como consultor freelance
Fuentes
- Casos reales propios documentados en Javadex entre marzo y mayo 2026.
- Ultralytics — YOLOv9 release (mayo 2026).
- Meta AI — Segment Anything Model 2 (SAM 2) (mayo 2026).
- NVIDIA — Jetson Orin platform (mayo 2026).
- Volkswagen Navarra — Landaben quality control reference (caso citado por clientes como referencia mental).
En Resumen
- Visión IA control calidad PYME = piloto custom + partner de hardware, no enterprise tipo Cognex/Keyece.
- Inversión piloto serio: 8.000-18.000 € build + 4.000-15.000 € hardware. Tiempo: 8-14 semanas.
- El 70 % del éxito está en el dataset y la iluminación, no en el modelo. Operario senior etiqueta los primeros 500-800 ejemplos.
- Empezar por 1 defecto, 1 línea. Querer 12 defectos a la vez = piloto que no llega a producción.
- Stack realista: cámara industrial mid-range + iluminación LED estructurada + Jetson Orin Nano + YOLOv9/SAM 2 fine-tuned + dashboard con HITL.
- NO empezar visión IA si: <100 piezas/día por línea, sin PLC/SCADA, sin operario senior que pueda etiquetar.
- Soy Javier Santos Criado, consultor de IA en Javadex. Para casos de visión IA industrial trabajo con partner de hardware. Escríbeme desde javadex.es/contact si tienes una línea con caso concreto y quieres un piloto acotado.
