Solución plataforma de IA mediante Computer Vision para optimización de operaciones logísticas en el sector de la industria metalúrgica.

Optimizar la logística en el sector de la transformación del metal no es solo una cuestión de automatizar procesos: implica entender a fondo cómo se mueven los recursos, cómo se toman decisiones operativas en tiempo real y cómo se conectan los distintos eslabones de la cadena. Inventarios desajustados, rutas ineficientes, congestión en muelles y una visibilidad limitada sobre el flujo logístico son solo algunos de los retos que enfrentan a diario las empresas del sector.

Desde OpenSistemas, diseñamos una plataforma basada en Computer Vision e Inteligencia Artificial para responder precisamente a esos desafíos, combinando análisis visual en tiempo real con algoritmos de decisión orientados a la eficiencia y la trazabilidad. Se trata de una solución que no busca reemplazar procesos, sino estructurar la lógica operativa con datos visuales procesables, aportando valor desde el primer momento y permitiendo que cada decisión logística esté respaldada por evidencia.

Este desarrollo ha sido subvencionado por la Comunidad de Madrid, dentro del programa RETECH para la modernización empresarial mediante IA, financiado con fondos europeos y regionales. A lo largo del artículo te contamos cómo lo abordamos, qué retos enfrentamos y qué aprendizajes surgieron de una implementación exigente, tanto a nivel técnico como operativo.

Problemas reales que motivaron el desarrollo

El punto de partida de este proyecto fue una realidad operativa bien conocida por muchas empresas del sector metalúrgico: una logística fragmentada, reactiva y difícil de gobernar. No se trataba de un problema puntual, sino de una serie de ineficiencias acumuladas que afectan directamente a la rentabilidad y a la capacidad de respuesta.

• Inventarios desajustados respecto a la rotación y la demanda real, lo que generaba tanto sobrestock como roturas de stock en momentos clave.
• Manejo ineficiente de cargas pesadas, sin una planificación que optimizará los medios disponibles ni redujera riesgos de daño.
• Rutas predefinidas que no responden a imprevistos dentro o fuera del centro logístico, impactando en los tiempos de entrega y en la utilización de recursos.
• Falta de sincronización entre producción y entrega final, provocando cuellos de botella en la salida del producto terminado.
• Costes de transporte elevados, en parte por la ausencia de sistemas que permitieran una planificación dinámica basada en datos en tiempo real.
• Baja visibilidad sobre el estado real de los envíos y movimientos internos, lo que dificulta la toma de decisiones operativas rápidas.
• Desgaste no controlado de equipos y vehículos, por falta de sistemas predictivos que ayudarán a planificar el mantenimiento y evitar averías.

Cada uno de estos retos, por separado, ya representa una pérdida operativa; combinados, forman un escenario donde cualquier mejora significativa debe partir de una arquitectura de datos visuales en tiempo real y una toma de decisiones automatizada y trazable. Esa fue la motivación detrás del diseño de nuestra plataforma basada en Computer Vision e IA.

Desafíos logísticos específicos a resolver

Más allá de los problemas estructurales, durante el análisis funcional del entorno operativo detectamos una serie de desafíos críticos que limitaban la eficiencia diaria y la capacidad de reacción ante imprevistos. Se trataba de situaciones que no sólo ralentizaban las operaciones, sino que además aumentaban el riesgo de errores, sobrecostes e interrupciones logísticas relevantes.

• Tiempos de espera excesivos en muelles de carga y estaciones, provocados por la falta de criterios dinámicos de priorización y por una baja visibilidad sobre la ocupación y rotación de vehículos. Esto generaba congestión, inactividad y acumulación de retrasos sin posibilidad de anticipación.
• Distribución ineficiente de recursos logísticos, desde maquinaria como montacargas o grúas hasta personal operativo, debido a una planificación reactiva, sin soporte predictivo ni conexión con el ritmo real de la actividad.
• Falta de soporte a la toma de decisiones en tiempo real, con la mayoría de los flujos logísticos funcionando sobre datos estáticos, sin capacidad de ajustar rutas, reasignar muelles o redistribuir tareas en función de las condiciones operativas del momento.
• Riesgo constante de interrupciones en la cadena logística, por la ausencia de sistemas que ofrecieran alertas tempranas ante congestiones, fallos de coordinación o sobrecarga de recursos clave.

Estos desafíos fueron clave para definir el enfoque técnico de la solución. No bastaba con capturar imágenes o generar datos: el verdadero valor estaba en construir una infraestructura inteligente, capaz de convertir información visual en decisiones operativas útiles para optimizar cada eslabón del flujo logístico.

Este planteamiento se enmarca dentro de un proyecto subvencionado por la Comunidad de Madrid, en el marco del programa RETECH de ayudas públicas para la modernización empresarial mediante inteligencia artificial. La iniciativa, impulsada por la Consejería de Digitalización y financiada con fondos europeos y regionales, seleccionó 49 proyectos estratégicos con una inversión total de 7,6 millones de euros.

Arquitectura técnica: una plataforma diseñada para operar en tiempo real

En el desarrollo de esta solución, uno de los principales retos fue diseñar una arquitectura capaz de responder a los eventos logísticos mientras ocurren. Para ello, combinamos procesamiento distribuido, gobernanza técnica y una interfaz adaptable a los sistemas del cliente, todo orquestado con OS Vision como núcleo del sistema de Computer vision.

OS Vision como motor de Computer Vision

Toda la lógica de detección e inferencia está soportada por OS Vision, nuestro sistema especializado de visión artificial.

Desde OS Vision se gestionan los modelos que operan sobre el vídeo en streaming, aplicando técnicas como:

• Reconocimiento de matrículas.
• Seguimiento de vehículos.
• Detección multiclase en condiciones adversas.
• Identificación y conteo de camiones.

Procesamiento distribuido sobre RTSP

OS Vision procesa directamente los streams RTSP de las cámaras del centro logístico, ejecutando modelos optimizados entrenados en dominios industriales. Este enfoque distribuido nos permitió minimizar la latencia, reducir el tráfico de red y asegurar mayor resiliencia operativa.

Algoritmos conectados al flujo logístico

Los modelos implementados están diseñados para responder a situaciones reales del entorno metalúrgico, incluyendo:

• Asignación dinámica de muelles.
• Optimización de rutas internas.
• Priorización de vehículos según carga operativa.
• Generación de eventos para sistemas de gestión mediante Kafka.

Infraestructura gobernada, segura y modular

Toda la plataforma, basada en OS Vision, incorpora:

• Logs, trazabilidad e historiales de inferencia.
• Versionado de modelos y reglas.
• Gobernanza técnica basada en eventos.
• Seguridad Zero Trust.

La interfaz modular expone los servicios vía API REST, simuladores front y panel de control operativo.

Aplicación a casos concretos del entorno logístico

Desarrollar una plataforma de IA que impacte realmente sobre la logística industrial no solo exige visión tecnológica: requiere conectar esa tecnología con los procesos reales de operación. A continuación, explicamos cómo aplicamos nuestra solución (con OS Vision como núcleo de procesamiento) en cuatro bloques funcionales clave del centro logístico metalúrgico. Aunque el entorno fue simulado, replicamos condiciones realistas para validar hipótesis, modelos y arquitectura.

Gestión de muelles: identificación, autorización y asignación dinámica

Paso 1: Control de accesos automatizado

OS Vision procesa en tiempo real el vídeo (o archivo simulado) de entrada del camión. El modelo detecta la matrícula y publica el resultado en un tópico Kafka. La aplicación específica recoge ese mensaje, lo contrasta con una base de matrículas autorizadas y, si corresponde, permite el acceso (simulado).

Nota: No contamos con cámaras reales ni barreras físicas. Implementamos un simulador con front y tabla interna de matrículas para emular el comportamiento.

Paso 2: Asignación dinámica de muelle de carga

Con la matrícula validada, la aplicación consulta la orden de trabajo del vehículo y, a partir de criterios definidos por el cliente (urgencia, tipo de carga, disponibilidad de muelle), se recomienda el punto de carga más eficiente.

• Toda la lógica se basa en un grafo que representa el centro logístico.
• Se simula el tráfico y carga de trabajo en los muelles para calcular la mejor asignación.
• La respuesta se sirve vía API o representada gráficamente en el front.

Resultado: Un sistema de recomendación que replica la lógica real de priorización y permite validar el comportamiento esperado.

Flujo de tráfico interno: planificación de rutas y mapa de ocupación

Paso 1: Ruta óptima hasta el muelle asignado

Cada nodo del grafo representa zonas físicas del centro. Al no contar con cámaras reales, simulamos manualmente la ocupación de cada nodo.

Cuando el camión entra, se le asigna una ruta óptima que evita zonas congestionadas y respeta prioridades operativas.

Limitación actual: No contamos con vídeos geoespaciales reales para simular tránsito continuo, por lo que la ocupación se marca manualmente y no hay seguimiento dinámico tras la asignación.

Paso 2: Mapa de calor y alertas de congestión

Usamos el dato simulado de ocupación por nodo para generar un mapa de calor del tráfico interno.
Definimos umbrales de ocupación máxima que, al superarse, activan una alerta.

• Las alertas son gestionadas por OS Vision.
• Se pueden enviar a Kafka, SMS o email.
• En este piloto, sólo se activa alerta por exceso de camiones.

Estado actual: El backend cuenta con lógica básica para % de ocupación, pero falta integración completa con front y gestión manual de nodos

Distribución de recursos: previsión, planificación y uso eficiente

Objetivo general: anticipar la demanda logística y ajustar recursos técnicos y humanos.
El enfoque se articula en tres funcionalidades:

Predicción de demanda logística

• Simulamos datos sintéticos de cargas históricas para predecir la demanda por fecha y muelle.
• El modelo entrega un porcentaje estimado de ocupación futura.

Planificación de turnos de trabajo

• Según la carga estimada, se calcula la cantidad de personal requerido por turno.

Asignación de maquinaria (montacargas, grúas, etc.)

• Se recomienda el número y tipo de equipos necesarios.

Simulación aplicada

• Los datos fueron generados artificialmente.
• El front permite seleccionar una fecha y obtener recomendaciones sobre carga prevista y necesidades operativas.

Esta arquitectura, liderada por OS Vision, está preparada para escalar a contextos reales con cámaras, sensores y sistemas productivos activos. Su modularidad permite integrarse con cualquier sistema logístico mediante API y responder a casuísticas industriales complejas desde una visión de IA controlada, trazable y contextual.

Lecciones aprendidas en la implantación real

Más allá del desarrollo técnico, este proyecto nos dejó aprendizajes clave sobre lo que realmente implica llevar una solución de IA al terreno logístico. No basta con que el modelo funcione: hace falta infraestructura operativa, continuidad en los equipos y condiciones reales de implantación.

1. Limitaciones de entorno y conectividad: la ausencia de ciertos elementos clave como cámaras activas, flujos reales de datos o integración con sistemas existentes nos llevó a trabajar con entornos controlados. Esta aproximación permitió avanzar, pero dejó claro que el despliegue completo requiere una infraestructura técnica mínima.
2.  Módulos funcionales, pero falta de integración total: se desarrollaron piezas clave del sistema (detección, priorización, planificación, predicción) pero la integración completa aún presenta desafíos técnicos. Esto es especialmente visible en la conexión entre los modelos, los sistemas backend y las capas de decisión en tiempo real.
3. Probar sin datos reales tiene límites: avanzar sin inputs operativos reales permite validar lógica y flujos, pero no sustituye el aprendizaje que se obtiene en condiciones reales de producción. El proyecto requiere ahora un entorno donde el sistema pueda operar con datos vivos y responder a situaciones dinámicas.
4. Os Vision como arquitectura reutilizable: la arquitectura de Os Vision ha demostrado ser flexible y adecuada para entornos logísticos exigentes. Sin embargo, la rotación de perfiles, la documentación incompleta y la falta de continuidad en la ejecución dificultan su aprovechamiento completo. Esta experiencia refuerza la necesidad de contar con una estrategia clara de desarrollo y mantenimiento desde el inicio.

En definitiva, el reto no ha sido únicamente técnico. Ha sido estratégico: una solución de IA solo es efectiva cuando hay condiciones para operar, escalar y mantenerla viva. Y eso empieza mucho antes del primer modelo entrenado.

Un proyecto con apoyo institucional

Este proyecto ha sido subvencionado por la Comunidad de Madrid, en el marco del programa RETECH de ayudas públicas para la modernización empresarial mediante inteligencia artificial. La iniciativa, impulsada por la Consejería de Digitalización y financiada con fondos europeos y regionales, seleccionó 49 proyectos estratégicos con una inversión total de 7,6 millones de euros.

Desde nuestra experiencia, este tipo de iniciativas no solo facilitan el desarrollo técnico: abren camino para que la inteligencia artificial se integre con sentido, con arquitectura, con visión de sistema. Y cuando esa visión se apoya en marcos institucionales comprometidos con la industria, el impacto es mucho más que tecnológico: es estructural.

Hoy sabemos que no basta con tener modelos potentes. Hay que saber aplicarlos, conectarlos con la realidad operativa y diseñar soluciones capaces de adaptarse a los retos del sector.

Este proyecto es una muestra de ese enfoque. Y aunque quedan pasos por recorrer, lo construido sienta bases sólidas para seguir impulsando una IA realista, interoperable y estratégicamente alineada con los procesos de negocio.