Calidad · Automatización · OAMI

De la inspección visual a la inspección con IA: cómo llevar tu planta al nivel 4 del OAMI

La inspección humana ya no alcanza para el nivel de exigencia de las armadoras. Esta guía explica cómo pasar del sorteo manual a una inspección digital y automatizada con cámaras e inteligencia artificial, cuáles son los cinco errores que frenan a la mayoría de las plantas y cómo medir hoy tu madurez con el índice OAMI.

Labor Mexicana · Equipo de CalidadLectura: 12 min

El límite de la inspección humana

En la filosofía lean, la inspección está catalogada como un desperdicio: no agrega valor a la pieza, solo confirma si el proceso falló. Aun así, en la mayoría de las plantas de autopartes de México, la última barrera entre un defecto y el cliente sigue siendo una persona con una ayuda visual, una lámpara y doce horas de turno por delante.

El problema no es el compromiso de los inspectores. Es la biología. Un estudio publicado en la revista Human Factors con 82 inspectores de Sandia National Laboratories encontró que detectaron el 85% de las piezas defectuosas, una cifra apenas superior al promedio de la industria de alrededor de 80%, y además rechazaron por error el 35% de las piezas buenas (See, 2015). Es decir, aun con personal capacitado, una de cada cinco piezas malas puede llegar a tu cliente, y una parte importante de tu scrap podría ser material que estaba bien.

~80%
Eficacia promedio de detección de la inspección visual humana en la industria.
35%
Piezas buenas rechazadas por error en el estudio de Sandia: scrap y retrabajo innecesarios.
4.5 / 5
Puntaje OAMI promedio que GM se fijó como meta para sus proveedores.

A eso se suma la variación entre turnos, la rotación de personal, la fatiga después de la cuarta hora y la falta de evidencia. Cuando el cliente reclama, la conversación casi siempre se queda en "nosotros sí lo revisamos", sin una foto ni un dato que lo respalde. Ese es el origen de muchos costos de la no calidad que no aparecen en ningún reporte: horas de sorteo extra, cargos del cliente, fletes urgentes y, en el peor caso, un paro de línea en la armadora.

Por eso la conversación en piso ya cambió. La pregunta ya no es si conviene automatizar la inspección, sino cuánto tiempo puede seguir compitiendo una planta que todavía depende cien por ciento del ojo humano.

Qué es el OAMI de GM y por qué importa en México

El OAMI (Overall Automation Maturity Index o Índice de Madurez de Automatización Global) es el marco con el que General Motors empezó a evaluar en 2026 qué tan automatizadas están las operaciones de sus proveedores. Según GM Authority, que retoma un reporte de Crain's Detroit Business, la iniciativa arrancó con una encuesta de autoevaluación que cubre toda la cadena, desde la materia prima hasta la entrega, y se complementa con auditorías de GM en algunas plantas. La escala va de 1 a 5 y la meta que GM fijó es un puntaje promedio de 4.5.

GM ha dicho que el programa no es obligatorio y que no hay una fecha límite universal. Sin embargo, varios proveedores consultados por la prensa especializada creen que avanzar hacia la meta será necesario para seguir haciendo negocios con la armadora (Carscoops, Motor16). En la práctica, la madurez de automatización empieza a pesar en las decisiones de abastecimiento.

Para México esto es un tema de competitividad, no solo de tecnología. Si una planta mexicana no automatiza, el argumento de costo laboral pierde fuerza frente a una planta automatizada en Estados Unidos. El nearshoring trae oportunidades, pero las armadoras van a premiar a los proveedores que puedan demostrar calidad con datos.

GM no ha publicado una rúbrica detallada por nivel. La tabla siguiente traduce los cinco niveles a lo que significan en un proceso de inspección y control de calidad, a partir de cómo los describen las fuentes especializadas (Fuuz) y de lo que vemos en piso.

Nivel OAMI Cómo se ve en la ins­pec­ción Señal típica
1 · Manual Ins­pec­ción 100% visual, criterios en la ex­pe­rien­cia de cada inspector, registro en papel o nulo. "Lo revisamos, pero no tenemos evidencia."
2 · Me­ca­ni­za­ción básica Ayudas visuales, gauges y fixtures pasa/no pasa. Los datos se capturan en Excel al final del turno. El reporte llega un día tarde.
3 · Se­mi­au­to­ma­ti­za­ción Registro digital en tiempo real y cámaras en algunos puntos críticos, pero cada estación es una isla. Hay muchos datos, pero no cambian el costo de calidad.
4 · Au­to­ma­ti­za­ción integrada Visión con IA en línea, rechazo au­to­má­ti­co, datos co­nec­ta­dos al MES o a la pla­ta­for­ma de calidad, alertas y PDCA ligados a cada defecto. El dato dispara una acción el mismo turno.
5 · Fábrica in­te­li­gen­te El sistema aprende y ajusta el proceso antes de que aparezca el defecto. Las personas gestionan ex­cep­cio­nes y mejora. Calidad pre­dic­ti­va.

El salto que más cuesta, y el que más valor genera, es del nivel 3 al 4. En el nivel 3 la planta ya tiene datos; en el nivel 4 esos datos se convierten en acciones. Tener información de la máquina no es lo mismo que mover el costo de producción o el costo de calidad. Saber no es lo mismo que accionar.

¿Basta la inspección visual o necesitas otra capa?

Antes de comprar cámaras conviene responder una pregunta más básica: ¿cuántas capas de inspección necesita realmente tu proceso? Hay plantas que tienen diez puntos de inspección para el mismo número de parte y aun así siguen recibiendo reclamos, y hay otras que podrían quitar la mitad sin riesgo si tuvieran datos de eficacia por punto. La inspección visual sigue siendo útil cuando el defecto es evidente, el volumen es bajo y el cliente no está en alerta. Deja de ser suficiente cuando el defecto es sutil, el volumen es alto o ya tienes un Controlled Shipping (CS1 o CS2) activo.

En una evaluación definimos contigo cuántas capas de inspección necesita cada número de parte.

La ruta en 5 etapas: del sorteo manual a la inspección con IA

La transición no se hace de golpe ni deteniendo la línea. Las plantas que lo logran avanzan por etapas, y en cada una mantienen la contención funcionando mientras construyen la siguiente. Estas son las cinco etapas que recomendamos, cada una ligada a un nivel OAMI.

1. Estandariza el criterio antes de digitalizarlo

Ninguna cámara puede aprender un criterio que tu equipo no ha definido. El primer paso es un catálogo de defectos por número de parte, con fotos, muestras límite controladas (boundary samples) y la versión vigente del criterio del cliente. Aquí también se valida a los inspectores con un estudio de atributos para saber cuál es tu eficacia real hoy. Sin esta línea base, cualquier mejora posterior será una opinión.

2. Digitaliza el registro y la trazabilidad

El segundo paso es dejar el papel y el Excel de fin de turno. Cada pieza inspeccionada, cada rechazo y cada tipo de defecto se registra en tablet en el momento en que ocurre, ligado al número de parte del proveedor, al del cliente, al turno y al punto de inspección. Esto permite algo que hoy casi nadie tiene: la eficacia de cada punto de inspección. Si la estación 1 detecta el 99% y la estación 3 el 30%, ya sabes dónde invertir. Es el paso que lleva a una planta del nivel 2 al 3, y suele ser el más rápido de implementar.

3. Instala cámaras donde los datos lo justifiquen

Con datos de eficacia y de frecuencia de defectos, la decisión de dónde poner la primera cámara deja de ser intuitiva. Se elige el punto con mayor volumen, mayor costo de escape y defectos visibles en superficie. En esta etapa la cámara puede trabajar en modo asistido: marca la pieza sospechosa y el inspector confirma. Así se construye la base de imágenes etiquetadas que necesitará el modelo de IA.

4. Integra la IA a la línea y cierra el ciclo con PDCA

Aquí está el nivel 4. La visión con deep learning clasifica defectos variables que un sistema por reglas no resuelve, la pieza mala se rechaza automáticamente y cada defecto abre un plan de acción PDCA con responsable y fecha. La información llega a quien decide en el mismo turno, no en la junta del lunes. Los inspectores no desaparecen: pasan a supervisar el sistema, auditar excepciones y alimentar el modelo con casos nuevos.

5. Pasa de detectar a prevenir

Cuando los datos de inspección se cruzan con los parámetros del proceso, el sistema puede anticipar el defecto antes de que ocurra y ajustar la operación. Es el nivel 5 del OAMI. No todas las plantas necesitan llegar aquí de inmediato, pero el nivel 4 es la base sin la cual el 5 no existe.

Este camino también ordena el retorno. Las etapas 1 y 2 suelen pagar su costo con la reducción de horas de sorteo y de reclamos; las etapas 3 y 4 justifican la inversión en visión con datos reales, no con la promesa de un proveedor de cámaras. Si quieres profundizar en cómo medir el avance, revisa nuestra guía de mejora continua y cómo medir su rendimiento.

Los 5 errores más frecuentes al automatizar la inspección

Hemos visto proyectos de visión artificial que se quedan en el piloto por años. Casi siempre fallan por las mismas cinco razones, y ninguna de ellas es la cámara.

01

Automatizar un criterio que no existe

Si tres inspectores tienen tres definiciones distintas de "raya aceptable", el modelo de IA aprenderá las tres y no será confiable. El sistema hereda la ambigüedad del proceso humano.

Cómo evitarlo: cierra primero el catálogo de defectos y las muestras límite con el cliente, y mide la concordancia de tus inspectores antes de etiquetar imágenes.
02

Subestimar la iluminación, la óptica y el fixture

La mayoría de los problemas de visión se originan antes del software: reflejos en piezas metálicas, sombras, posición variable de la pieza o una lente inadecuada. Ningún algoritmo compensa una mala imagen.

Cómo evitarlo: haz pruebas de captura con piezas reales buenas y malas, en las condiciones de luz del piso, antes de comprar el equipo definitivo.
03

Entrenar con pocos defectos (o solo con los fáciles)

Los defectos que más cuestan suelen ser los más raros. Si el modelo solo ha visto los defectos frecuentes, va a dejar pasar justo los que generan el reclamo.

Cómo evitarlo: usa la etapa de registro digital para construir un banco de imágenes por tipo de defecto, incluyendo los de baja frecuencia, y conserva las piezas rechazadas como muestra.
04

Instalar una cámara que no está conectada a nada

Una cámara que solo toma fotos es nivel 3. Si el rechazo sigue siendo manual, los datos no llegan al responsable y no se abre ninguna acción correctiva, la planta tiene un gasto nuevo con los mismos resultados.

Cómo evitarlo: diseña desde el inicio la integración con el PLC para el rechazo, con el MES o la plataforma de calidad para los datos y con un flujo de PDCA para cada defecto.
05

Pilotos sin caso de negocio ni plan para las personas

Sin una meta de PPM, de horas de sorteo o de costo de escape, el piloto nunca termina porque nadie sabe cuándo es exitoso. Y sin un plan para los inspectores, la resistencia interna lo frena.

Cómo evitarlo: define antes de empezar la línea base, la meta y el periodo de recuperación. Comunica que el rol del inspector evoluciona a supervisión y análisis, y capacítalo para eso.

Detrás de los cinco errores hay un patrón: se intenta resolver con tecnología un problema de proceso. Por eso, antes de invertir, conviene una evaluación independiente que diga dónde estás y qué te falta. Ya escribimos sobre los beneficios de auditar la calidad; en automatización, la lógica es la misma.

Diagnóstico con un asesor

Diagnóstico OAMI de inspección

En una sesión con un asesor de Labor Mexicana aplicamos el diagnóstico OAMI por dimensión (criterios, datos, tecnología, integración y personas) y la calculadora de ahorro de inspección con IA, con los datos reales de tu planta. Te entregamos el resultado y los siguientes pasos.

Solicitar diagnóstico

Cómo te ayuda Labor Mexicana a llegar al nivel 4

En Labor Mexicana llevamos más de 17 años dentro de las plantas de manufactura de México, conteniendo defectos, operando sorteos y residentes de calidad para proveedores del sector automotriz. Somos proveedor aprobado por GM para CS2 en México y operamos con ISO 9001:2015, REPSE activo y D-U-N-S. Eso nos da una ventaja que un integrador de cámaras no tiene: conocemos el problema desde el piso, en el punto donde la pieza se revisa y donde el cliente reclama.

Nuestra propuesta no es venderte una cámara. Es reducir la inspección como desperdicio. Mientras tu línea sigue protegida con contención y sorteo bajo SLA, digitalizamos el registro, medimos la eficacia de cada punto de inspección, ligamos cada defecto a un PDCA y te damos visibilidad en tiempo real para que decidas con datos dónde automatizar y cuántos puntos de inspección puedes eliminar.

Qué incluye el assessment OAMI

  • Recorrido en piso por tus puntos de inspección, recibo, línea y embarque.
  • Nivel OAMI por dimensión: criterios, datos, tecnología, integración y personas.
  • Mapa de eficacia por punto de inspección y número de parte.
  • Caso de negocio con línea base de PPM, horas de sorteo y costo de escapes.
  • Hoja de ruta a 90 días con las acciones para avanzar al nivel 4 sin detener la producción.

Si hoy tienes un reclamo abierto o problemas con tus proveedores, empieza por aquí: problemas de calidad con proveedores, ¿qué hago?

¿Qué tan lejos está tu planta del nivel 4?

Agenda un assessment OAMI con nuestro equipo de calidad. Te entregamos tu nivel por dimensión, la brecha contra la meta de GM y la ruta para cerrarla.

Preguntas frecuentes

¿Qué es el OAMI de General Motors?

Es el Overall Automation Maturity Index, un índice de 5 niveles con el que GM evalúa desde 2026 qué tan automatizadas están las operaciones de sus proveedores, desde la materia prima hasta la entrega. GM fijó como meta un puntaje promedio de 4.5.

¿El OAMI es obligatorio para los proveedores de GM?

GM ha dicho que no es obligatorio y que no hay una fecha límite universal. Sin embargo, la prensa especializada reporta que muchos proveedores lo ven como un factor que influirá en futuras decisiones de abastecimiento.

¿La inspección con IA reemplaza a los inspectores?

Reduce las horas de inspección repetitiva, pero no elimina a las personas. El rol evoluciona hacia supervisar el sistema, auditar excepciones, etiquetar defectos nuevos y dar seguimiento a las acciones correctivas.

¿Cuánto tarda en recuperarse la inversión en visión artificial?

Depende del volumen, del costo de tus escapes y de cuántas horas de inspección se reducen. En líneas de alto volumen con escapes costosos suele recuperarse en menos de 18 meses. Podemos estimar tu caso con tus datos reales.

¿Puedo automatizar si tengo un CS1 o CS2 activo?

Sí, pero sin quitar la contención. Lo recomendable es mantener el sorteo bajo SLA mientras se digitaliza el registro y se valida el sistema de visión en paralelo, para retirar capas de inspección solo cuando los datos demuestren la eficacia.