La mayoría de las plantas tiene trazabilidad. El problema es de qué está hecha. Si es una planilla que alguien llena al final del turno, lo que se está trazando no es el alimento: es lo que esa persona recordó, tuvo tiempo y ganas de anotar. La trazabilidad de planilla no falla por mala fe, falla porque depende de un eslabón cansado. La que se registra sola arranca de otro lado: la evidencia se captura en el momento en que pasa, no después.

El problema no es la falta de trazabilidad, es de qué está hecha

Cuando llega una auditoría o, peor, un reclamo, la pregunta no es "¿tenés registros?". Casi todos tienen. La pregunta es "¿estos registros describen lo que de verdad pasó?". Y ahí aparece la grieta: la temperatura de la cámara anotada a mano una vez por turno no dice qué pasó las otras siete horas; el lote "liberado OK" no muestra quién lo miró ni con qué criterio; la hora de despacho es la que el chofer dictó, no la que marca el reloj. Es trazabilidad que existe en el papel y se evapora cuando hay que defenderla.

El estándar regulatorio empuja justo en esa dirección. La Food Traceability Final Rule de la FDA (FSMA 204) no pide "tener registros" a secas: exige llevar, para cada Evento Crítico de Seguimiento —recepción, transformación, despacho— sus Datos Clave atados al número de lote, y entregarlos en una planilla electrónica ordenable dentro de las 24 horas de un pedido de la FDA, fines de semana incluidos. Es trazabilidad granular, electrónica y rápida, el tipo de exigencia que una planilla manual no aguanta. La FDA postergó la fecha de cumplimiento al 20 de julio de 2028 —el contenido de la regla no cambió, solo el plazo—, así que hay tiempo para llegar bien, no para mirar a otro lado: alcanza a productos del listado para el mercado estadounidense y marca el piso al que va a converger el resto.

Registrar sin que nadie cargue

La alternativa no es exigirle más al operario, es sacarle la carga de encima. La evidencia se captura sola, en el punto donde ocurre. Las cámaras con visión por IA miran cada bandeja que pasa por la línea y detectan cuerpos extraños, defectos de superficie, errores de etiquetado o de cierre, a un ritmo que ningún ojo humano sostiene ocho horas seguidas. Los sensores de frío IoT dejan de ser una foto puntual por turno y pasan a ser una serie de tiempo continua de cada cámara y cada camión. Los trackers GPS registran la ruta y los tiempos reales de cada despacho. El RFID y los códigos GS1 atan cada pallet a su lote sin que nadie tipee. La app móvil queda para lo que sí necesita criterio humano, no para transcribir números.

La literatura va en la misma línea. La integración de visión por computadora, IoT y gemelos digitales en la evaluación de calidad e inocuidad alimentaria dejó de ser experimental para volverse práctica industrial: detección automática de contaminación, control de cadena de frío y verificación de etiquetas, todo generando registro en el acto. El efecto colateral más valioso no es la velocidad: es que el dato nace ya trazado, con hora, lote y posición, sin depender de la memoria de nadie.

El miedo razonable: que la máquina decida sola

Acá aparece la objeción legítima, la que frena a mucha planta seria: "no voy a dejar que un algoritmo libere o retenga mi producto". Tienen razón en desconfiar de eso. Un modelo que decide solo es una caja negra: cuando se equivoca —y se equivoca— no hay a quién preguntarle por qué, y nadie firma. Eso no es trazabilidad, es delegar el control en algo que no rinde cuentas. La IA ciega no resuelve el problema de la planilla, lo reemplaza por uno peor.

Por eso el diseño correcto no es IA en lugar de la persona, es IA debajo de la persona. La FAO, en su síntesis de 2025 sobre inteligencia artificial e inocuidad —que revisó 141 trabajos científicos—, es explícita: la IA sirve para detectar, extraer, estructurar y predecir, pero la definición de criterios, la interpretación de los resultados y el control de calidad necesitan supervisión experta. Su mensaje, repetido por sus propios voceros, es que usada con responsabilidad la IA vuelve los sistemas más proactivos, pero nunca reemplaza el control humano. El "human-in-the-loop" no es un adorno ético: es la condición para que el sistema sea confiable y auditable.

“La IA detecta y propone; la persona decide y firma. Sacamos el trabajo de carga, no el control.”

Cómo funciona en la práctica el detecta-propone-decide

El circuito es simple y siempre el mismo. La cámara o el sensor detectan algo fuera de rango: una bandeja con un defecto, una cámara que se fue de temperatura, un etiquetado dudoso. El sistema no actúa: levanta una alerta y propone una acción —retener este lote, revisar esta tanda, frenar este despacho—. La persona a cargo mira la evidencia que la IA le pone delante, con la foto y el dato, y decide: liberar o retener. Esa decisión queda registrada con su nombre, la hora y el motivo. La IA aporta velocidad y memoria; la persona aporta criterio y responsabilidad. Ninguna de las dos hace el trabajo de la otra.

El resultado es un registro que se sostiene en una auditoría porque no es una afirmación, es una cadena de evidencia: qué detectó el sistema, qué le mostró a quién, qué decidió esa persona y cuándo. Eso es exactamente lo que pide un esquema de gestión de inocuidad cuando exige demostrar el control de los puntos críticos, y lo que un investigador busca cuando hay que reconstruir un lote hacia atrás. La trazabilidad evidenciada no es la que dice que se hizo el control: es la que muestra el control hecho.

Cómo lo pensamos en Seere

Para nosotros la trazabilidad evidenciada y el human-in-the-loop son la misma idea mirada desde dos lados. Por eso integramos las fuentes que registran solas —cámaras con visión IA, trackers GPS, sensores de frío IoT, RFID y app móvil— en un único hilo por lote, para que el dato nazca trazado y nadie tenga que transcribir nada al final del turno. La carga deja de ser una tarea; pasa a ser un subproducto de operar. Y como las exigencias granulares de trazabilidad se apoyan en estándares de identificación abiertos —los códigos GS1 que atan cada caja, pallet y lote—, construimos sobre esa base en vez de inventar un esquema propio que después no dialogue con nadie.

Pero la decisión nunca la toma el modelo. La IA detecta, junta la evidencia y propone una acción; la persona a cargo es quien retiene o libera, y su decisión queda firmada con nombre, hora y motivo. Diseñamos el sistema para que sea explicable —cada alerta muestra por qué se disparó— y para que cada acción quede auditable de punta a punta. No buscamos sacar a la persona del control: buscamos darle mejores ojos, mejor memoria y un registro que aguante cuando haya que defenderlo. La inocuidad no se declara; se evidencia.