Industria · Industria de semiconductores
Computer vision industrial: detección automática de defectos microscópicos
Clasificación automática de anomalías en producción y consulta de la documentación técnica en segundos, sin depender de un experto puntual.
Experiencia del equipo: proyecto entregado por ingenieros de Possition como parte de un equipo de Globant. No es un cliente de Possition; lo mostramos porque es la misma gente y la misma práctica que trabaja en tu proyecto.

- Cliente
- Industria de semiconductores
- Sector
- Industria
- Producto
- Inspectra IQ
En números
Modelo de costos
Detrás del número: 98,7 % de precisión en la clasificación de defectos
Origen de los datos. Experiencia del equipo: proyecto entregado por ingenieros de Possition como parte de un equipo de Globant (no es un cliente de Possition). Precisión medida sobre el set de validación del proyecto; capacidad (1,40x) y tiempo por unidad (−29 %) informados por el equipo. Costos y alternativas: modelo ilustrativo reconstruido por Possition.
- Inversión inicial
- USD 36.340
- Beneficio neto anual
- USD 44.476
- Recupero
- 10 meses
- VAN a 3 años (10 %)
- USD 74.265
- ROI a 3 años
- 267%
Ver el detalle del costeoSupuestos, línea base, inversión, costo de operación y beneficio
Supuestos
| Equipo de inspección | 3 técnicos de calidad, 1.840 h productivas/año cada uno |
|---|---|
| Costo cargado del técnico | USD 32/h |
| Otros costos del subproceso | USD 128.000/año (microscopios, sala limpia, insumos) |
| Piezas marcadas como defectuosas | 18.000 por año |
| Falsos rechazos | 6,0 % en inspección manual → 1,3 % con el modelo (98,7 % de precisión) |
| Costo de un falso rechazo | USD 14 (re-inspección o descarte) |
| Tasa de descuento / horizonte | 10 % anual / 3 años |
| Concepto | USD |
|---|---|
| Mano de obra de inspección5.520 h × USD 32 | USD 176.640 |
| Otros costos del subproceso | USD 128.000 |
| Falsos rechazos1.080 × USD 14 | USD 15.120 |
| Total anual | USD 319.760 |
| Concepto | USD |
|---|---|
| Discovery sprint (honorario fijo) | USD 2.500 |
| Pipeline de visión + RAG: 520 h × USD 52 | USD 27.040 |
| Cámaras y estación con GPU | USD 6.800 |
| Total único | USD 36.340 |
| Concepto | USD |
|---|---|
| Inferencia en la nube y plataforma RAG | USD 7.800 |
| MLOps gestionado (drift, reentrenamiento trimestral, etiquetado) | USD 10.800 |
| Total anual | USD 18.600 |
| Concepto | USD |
|---|---|
| Tiempo de inspección liberado: 1.601 h × USD 32−29 % por unidad = 1,40x de capacidad | USD 51.232 |
| Falsos rechazos evitados: 846 × USD 14 | USD 11.844 |
| Total anual | USD 63.076 |
Costo de oportunidad: las alternativas que evaluamos
Antes de construir, costeamos cada forma razonable de resolver el problema, incluida la de no hacer nada. La opción elegida tiene que ganarle a la mejor alternativa, no sólo a la situación actual.
| Opción | Inversión | Costo anual | Valor neto a 3 años (mayor es mejor) | Evaluación |
|---|---|---|---|---|
| Sumar un cuarto técnico | USD 0 | USD 58.880 | USD 0 | Suma 1,33x de capacidad a su propio costo; no mejora la precisión. |
| Sistema AOI comercial basado en reglas | USD 120.000 | USD 14.000 | USD 38.592 | Más capacidad, pero 96 % de precisión, recalibración por producto y sin consulta de documentación. |
| Computer vision a medida + RAGElegida | USD 36.340 | USD 18.600 | USD 97.088 | Mayor valor neto, 98,7 % de precisión y el conocimiento técnico consultable. |
Costo de oportunidad
La mejor alternativa descartada fue el sistema AOI comercial, con un valor neto de USD 38.592 a 3 años. Ese es el costo de oportunidad de la decisión. La solución a medida genera USD 97.088 en el mismo período: un beneficio económico de USD 58.496 por encima de la mejor alternativa, con una inversión inicial tres veces menor.
Decisión
USD 36.340 de inversión y USD 44.476 de beneficio neto anual: recupero en 10 meses, VAN a 3 años de USD 74.265 y ROI a 3 años de 267 %. Sin contar la calidad, el ahorro de mano de obra neto del costo de operación equivale a un 10,7 % del costo total del subproceso, en línea con el 10 % informado para el proyecto.
Referencia para EE. UU.: con un técnico de calidad a USD 38/h cargado, las 1.601 h liberadas valen USD 60.838 por año.
La precisión y los indicadores fueron informados por el equipo del proyecto. El modelo de costos es una reconstrucción ilustrativa de Possition con los supuestos indicados, no una auditoría contable.
El problema inicial
Defectos microscópicos, inspecciones manuales poco escalables, información técnica fragmentada y respuestas lentas ante consultas especializadas en entornos de alta precisión.
El proceso anterior
La inspección de calidad dependía de revisión manual y el conocimiento técnico estaba disperso en manuales, PDFs y presentaciones que solo dominaban algunos expertos.
La solución implementada
Computer vision para clasificación de anomalías con modelos avanzados de análisis visual y un pipeline de detección, más una plataforma RAG en Google Cloud para consultar documentación técnica, PDFs, PPTX y manuales en lenguaje natural.
Cómo lo hicimos
Pipeline de detección visual
Construimos el circuito de captura y análisis de imagen para clasificar anomalías en piezas donde el defecto es microscópico.
Modelos de clasificación
Entrenamos y ajustamos los modelos con el criterio de calidad de la planta, para que la clasificación refleje lo que el equipo considera defecto.
Conocimiento técnico consultable
Indexamos manuales, PDFs y presentaciones en una plataforma RAG sobre Google Cloud, para responder consultas especializadas en lenguaje natural.
Sistemas integrados
- Computer vision
- Google Cloud
- RAG
- Documentación técnica (PDF/PPTX)
El resultado
Mejora de la detección temprana, reducción de errores no identificados, trazabilidad en calidad y acceso rápido al conocimiento sin depender de expertos puntuales.
Qué cambió en la operación
- Los defectos se detectan antes de avanzar en la línea.
- La inspección deja registro por pieza y es auditable.
- El conocimiento técnico deja de estar solo en la cabeza de los expertos.
- Las consultas especializadas se responden en segundos.
Preguntas frecuentes sobre este caso
¿Reemplaza al inspector de calidad?
No. Automatiza la revisión sistemática y marca lo dudoso para que el especialista dedique su tiempo a los casos que realmente lo requieren.
¿Necesita muchas imágenes para funcionar?
Se trabaja con el material de la planta y se ajusta el modelo con el criterio de calidad propio. El pipeline se diseña para mejorar a medida que se suman casos.
¿La consulta de documentación funciona sobre manuales viejos?
Sí. La plataforma RAG indexa PDFs, presentaciones y manuales existentes, sin necesidad de rehacer la documentación.
Seguí explorando
Otros trabajos del equipo, en distintos sectores.
Modernización del Estado: trazabilidad inteligente del transporte de áridos
Captura de evidencia en el territorio con edge computing y visión computacional, y tableros de fiscalización con trazabilidad completa.- OCR de patentes y tipo de vehículo
- Evidencia georreferenciada
- Tableros de fiscalización

Data analytics para el agro: decisiones de campo con datos del día
Datos productivos y geoespaciales convertidos en tableros de campaña, con anomalías tempranas y comparación entre lotes.- Anomalías tempranas
- Benchmarking entre lotes
- Pronóstico de rendimiento

Mirstravel: agente de IA que responde, cotiza y deriva consultas de viaje por WhatsApp
Mirstravel responde y cotiza consultas de viaje por WhatsApp a toda hora; el asesor recibe la consulta ya ordenada en un panel.- Respuesta 24/7 por WhatsApp
- Derivaciones con ficha completa
- Difusiones programadas
Contanos qué querés resolver
En una llamada de 30 minutos revisamos el proceso, los sistemas y los números, y te decimos qué conviene construir, qué no y qué retorno esperar. Sin costo ni compromiso.