Visibilidad de IA en fideos instantáneos: Errores críticos

25/10/2026

Existe una paradoja interesante en la industria FMCG de Vietnam: estamos viviendo en la era de la Visión por Computadora, donde las máquinas pueden leer placas de automóviles o contar personas que pasan por una puerta con alta precisión, pero al aplicar esto al conteo de fideos instantáneos en los estantes de los supermercados, muchas empresas siguen siendo "ciegas" sobre su cobertura real. ¿Por qué? Porque los datos de entrada son demasiado ruidosos y las expectativas de salida son demasiado vagas. Para una marca de fideos instantáneos, cada día que pasa sin conocer su posición de exhibición es un día perdiendo cuota de mercado a favor de la competencia. El problema no está en la tecnología, sino en cómo formulamos las preguntas para esa tecnología.

Error 1: Usar un modelo de reconocimiento genérico para todos los envases

Muchos creen que si la IA reconoce un rostro humano, reconocerá un paquete de fideos. Falso. El empaque de fideos instantáneos en Vietnam es muy complejo: desde paquetes de 3.000 dong hasta paquetes de 25.000 dong, con colores similares e imágenes impresas que se ven tenues debido a la iluminación de la tienda. El uso de un modelo de Visibilidad de IA genérico hace que la tasa de error de reconocimiento aumente drásticamente, especialmente al confundir las líneas de productos de la misma marca. El resultado es un informe visualmente atractivo, pero con datos inútiles. La solución es entrenar modelos específicos para cada tipo de empaque, e incluso para cada región geográfica, ya que la iluminación y la calidad de las fotos varían según la zona.

Error 2: Ignorar el ángulo de toma y la distancia

Los técnicos que fotografían los estantes suelen estar lejos o sostener el celular inclinado. El sistema de puntuación de exhibición (display scoring) se basa en el principio de que el objeto debe ocupar una proporción suficiente del encuadre. Si el paquete de fideos solo ocupa el 2% del área de la imagen, la precisión disminuirá significativamente. He visto un proyecto que reportaba una precisión del 85% solo porque el 30% de las fotos estaban borrosas o tomadas desde un ángulo oblicuo. No exija a la IA que haga lo que un humano no puede ver con claridad. El proceso de recopilación de datos debe estandarizarse: distancia, ángulo de toma e iluminación.

Error 3: Esperar precisión absoluta de los datos de campo

Este es un error psicológico. Queremos que la IA dé un número del 100%. Pero en la realidad, VTraks anuncia una precisión del 99,97% según vtraks.com, una cifra impresionante pero que sigue siendo estadística. En la implementación práctica, si hay 1.000 fotos, siempre habrá 1 o 2 fotos que generen debate. El error no está en la IA, sino en la falta de un proceso de revisión. Un buen sistema de Visión por Computadora necesita un ciclo de retroalimentación: cuando el sistema no está seguro, debe marcarlo para que un humano lo confirme, mejorando así el modelo para la próxima vez. No deje que el sistema tome decisiones por su cuenta cuando tenga dudas.

Error 4: Falta de contexto sobre la competencia

La puntuación de exhibición no es solo ver si su producto está presente. Es ver dónde está su producto en relación con la competencia. Si su paquete de fideos es empujado al estante inferior, mientras que la competencia ocupa el estante a la altura de los ojos, su puntuación de exhibición es baja, aunque el estante esté lleno. Muchos sistemas solo cuentan la cantidad, no evalúan la posición. Esto lleva a que la empresa crea que controla bien el mercado, cuando en realidad está siendo "ahogada" en espacio de visualización. Se necesita un algoritmo de evaluación basado en la línea de visión y el nivel de destaque.

Error 5: No validar la autenticidad de las imágenes

En un entorno de distribución multicanal, desde grandes supermercados hasta pequeñas tiendas de abarrotes, el vendedor puede tomar capturas de pantalla, usar fotos antiguas o incluso imágenes falsificadas para evadir la supervisión. Si no hay un mecanismo para detectar imágenes duplicadas o capturas de pantalla, está construyendo sobre arena. Los datos de entrada deben limpiarse antes de procesarlos. Este es un paso que muchos sistemas omiten pensando que "si es una foto real, no necesita verificación". Recuerde, los humanos tienen motivos para equivocarse, y la IA no puede juzgar esos motivos si no está diseñada para detectar señales de anomalía en los píxeles.

Error 6: Implementación desincronizada de la infraestructura

Es posible que esté usando un buen sistema de reconocimiento, pero la velocidad de procesamiento sea demasiado lenta. Si cada imagen tarda 10 segundos en analizarse, el proceso de verificación se vuelve engorroso y el personal buscará formas de saltarse las reglas. Un sistema moderno debe procesar en menos de 1 segundo por imagen para crear una experiencia fluida. Además, la integración de datos en un tablero centralizado es extremadamente importante. Si los datos están dispersos en diferentes archivos de Excel, no puede ver el panorama completo. Una plataforma como AIVISION, con productos como VTraks, ayuda a centralizar estos datos, permitiendo a los gerentes ver tendencias en lugar de solo números aislados.

¿Qué sigue sin resolverse?

La tecnología está lista, pero las personas y los procesos no. Aún nos falta un estándar nacional sobre la calidad de los datos de exhibición. Se necesitan más conjuntos de datos abiertos para entrenar mejores modelos, especialmente para mercados emergentes como Tailandia o Filipinas, donde el empaque y los hábitos de compra son diferentes. También necesitamos más herramientas para capacitar a los equipos de ventas para que entiendan por qué la IA puntúa de cierta manera, en lugar de simplemente cumplir por obligación. La IA es un asistente, no un juez. Debemos seguir construyendo confianza en el sistema a través de la transparencia y la capacidad de explicar las decisiones de las máquinas.

AIVISION acompaña a empresas en México y Asia con soluciones de IA en producción. Agenden una llamada para ver si encaja con su caso.