Defectos no detectados en componentes críticos pueden escalar rápidamente a crisis de escala industrial. El caso del Chevrolet Bolt ilustra el costo real de una falla en la cadena de calidad: un defecto en celdas de batería fabricadas por un proveedor externo derivó en un retiro masivo que costó 1,900 millones de dólares. Casos similares afectan de forma recurrente a fabricantes de la talla de Volkswagen, Stellantis, Hyundai y Toyota, lo que convierte la inspección de componentes en una variable estratégica, no solo operativa.
El problema de fondo no es la falta de tecnología de detección —los escáneres de tomografía computarizada (CT) existen y son efectivos—, sino la velocidad a la que operan. El muestreo estadístico que requiere una línea de producción de alto volumen es inviable con los tiempos de escaneo actuales. Una solución emergente en este espacio ha desarrollado software de procesamiento de imágenes basado en aprendizaje profundo que comprime y limpia los datos de los escáneres CT existentes, acelerando el proceso entre 10 y 30 veces. Esto permite inspeccionar decenas de miles de celdas por día, frente a los escaneos limitados que se realizan hoy. El procesamiento inicial ocurre en hardware local dentro de las instalaciones del cliente, lo que reduce la latencia antes de enviar los resultados a la nube, con tiempos de carga de segundos en lugar de minutos u horas.
De baterías a manufactura multisectorial
Aunque el caso de uso inicial se centra en celdas de batería —un componente bajo escrutinio intenso por el auge de la electromovilidad—, la aplicación se extiende a sectores como aeroespacial, electrónica de consumo y dispositivos médicos. Un nuevo módulo de software permite a equipos de laboratorio y desarrollo acelerar verificaciones de control de calidad sin depender de infraestructura especializada propia. El panel de análisis entrega mediciones específicas por componente: en baterías, por ejemplo, calcula la distancia entre capas de una celda y alerta cuando los valores se desvían de los estándares definidos, resaltando visualmente los defectos en las imágenes escaneadas.
Los algoritmos se ajustan de forma continua con retroalimentación de los usuarios, lo que mejora la precisión del sistema con cada ciclo de inspección. Para organizaciones sin escáneres CT propios, existe la opción de enviar componentes a centros de escaneo físicos —actualmente en Boston, con un segundo en apertura en el área de la Bahía de San Francisco—, lo que reduce la barrera de entrada y permite validar el proceso antes de una inversión en equipamiento.
Escala comercial y señales de mercado
Con más de 100 clientes activos —entre ellos Anker, Lucid y la Marina de los Estados Unidos— y facturación en el rango de siete cifras, la solución ya opera en contextos de exigencia industrial real. La base de clientes incluye tanto fabricantes como compradores de baterías, lo que refleja que la demanda de trazabilidad y verificación de calidad existe en ambos lados de la cadena de suministro.
Para las organizaciones que gestionan cadenas de suministro de componentes de alto riesgo, la pregunta relevante no es si la inspección por CT es viable, sino si la velocidad de detección actual es suficiente para prevenir el tipo de falla que escala a un retiro masivo. Los números del sector sugieren que, en la mayoría de los casos, no lo es.
