En una línea de producción pasa algo casi paradójico: lo importante es justamente lo que casi nunca sucede. La mayoría de las piezas sale perfecta, y el defecto —ese que hay que detectar y sacar de circulación— es una rareza estadística. Un estudio reciente sobre una línea de fabricación real lo confirma con crudeza: los defectos representaban apenas el 0,58% de más de 1.180.000 registros. Dicho de otro modo, menos de 6 piezas defectuosas por cada 1.000 que se producen.

Ese desbalance es una buena noticia para la fábrica, pero un problema serio para cualquier sistema de control de calidad automático. Los especialistas lo resumieron de forma muy clara: cuando el defecto aparece tan poco, el sistema aprende muy bien a reconocer lo que está bien y falla justamente en lo que importa. El indicador general puede verse excelente mientras el defecto crítico pasa de largo.

El error de medir solo el promedio

La trampa más común es evaluar el desempeño con un solo número global. Si el 99% de las piezas está en buen estado, un sistema que simplemente declare "todo bien" acertaría casi siempre… y sería completamente inútil. Por eso el estudio insiste en medir por separado la categoría difícil: no basta con saber cuántas veces acierta en general, hay que saber cuántas veces acierta cuando aparece el defecto poco frecuente.

Es la diferencia entre un control de calidad que se ve bien en un informe y uno que de verdad evita que una pieza defectuosa llegue al cliente. Y tiene implicancias directas en dinero: un defecto no detectado se convierte en una devolución, un retrabajo o un reclamo.

Qué funcionó y qué no, con números

Para responder esa pregunta, el equipo probó tres estrategias sencillas sobre el mismo caso y midió cada una por separado. Los resultados fueron poco intuitivos y muy útiles:

• Repetir más veces los ejemplos del defecto raro fue la estrategia más efectiva: la capacidad de detección subió de 0,135 a 0,157.
• Sumar casos generados digitalmente también ayudó, alcanzando 0,151.
• Alterar solo las imágenes del defecto (cambiar brillo, desenfoque o ángulo) fue la única que empeoró el resultado: cayó a 0,050.

La lección es la misma que se repite en la industria: más variedad real supera a más imágenes inventadas. Ver el defecto en condiciones distintas —luces, texturas, posiciones— enseña más que repetir el mismo ejemplo o modificar uno parecido. Los especialistas lo advierten: si las imágenes alteradas no se parecen a lo que la cámara enfrenta en producción, solo agregan ruido.

Por qué esto importa más de lo que parece

Los avances en ese caso fueron pequeños —del orden de un 2% a un 16% de mejora—, pero el estudio es honesto al recordar algo clave: cuando un sistema de control revisa miles de imágenes al día, cualquier mejora en la detección del defecto raro se multiplica. Un punto porcentual más de aciertos equivale a decenas de piezas malas que no llegan al cliente.

Ahí está el valor real de la video analítica para control de calidad. No se trata de reemplazar el ojo humano, sino de darle un respaldo que nunca se distrae, que revisa el 100% de la producción y que —sobre todo— se puede medir: cuántos defectos detecta, cuántos se le escapan, cuánto tiempo ahorra. Es el enfoque con el que trabajamos en Streetflow: resultados verificables sobre lo que ocurre en la línea, no promesas sobre lo que podría ocurrir.

Medir lo raro es más incómodo que medir el promedio, pero es lo único que separa un control de calidad que se ve bien de uno que de verdad funciona.