Machikoba no Techo julio de 2026

Lo que se conecta no es un cable. Es la mirada.

Julio. El verano ha llegado de lleno aquí, en Arita, y el calor se acumula dentro del taller desde primera hora de la mañana. Los días de lluvia se le suma la humedad y el aire se vuelve pesado.
En el norte de Kyushu la temporada del calamar espada (Kensaki) está en su punto máximo, y el mar nocturno se ilumina con las lámparas de las barcas de pesca. Junto a ese mar, nuestro taller sigue fabricando egi como siempre. Cortar, ajustar, volver a cortar, corregir. Cada cuerpo se lava de uno en uno antes de montarlo. Veintisiete años desde que nos fundamos, y es este trabajo manual sencillo y poco lucido, repetido, el que se convierte en cada egi. Les agradecemos sinceramente su continuo apoyo.

Mientras tanto, fuera del taller, no pasa casi un día sin que se oiga la palabra «IA».
Desde hace cosa de un año vengo haciendo mis propios experimentos con toda clase de herramientas de IA.

Pero el cambio que percibo no es que la IA se haya vuelto lista.
Es que un taller pequeño puede construir ahora, en casa, el tipo de sistema que antes no tenía más remedio que encargar a una empresa especializada.

Voy a describir un ejemplo.

■ Un taller está lleno de pantallas

En un taller hay pantallas por todas partes.
El panel de control de una máquina herramienta. Termómetros. Higrómetros. Sensores de CO₂. Contadores eléctricos.

La gente los mira y juzga:
«Hoy está funcionando un poco caliente».
«Esa lectura está rara comparada con lo normal».
«Va siendo hora de ventilar».

Meter esa información en un ordenador era antes un trabajo penoso.
Pedir al fabricante la especificación de comunicación. Tender un cable de comunicación. Instalar un PLC. Comprar software dedicado.
Dicho de otro modo: primero había que conectarse físicamente a la máquina.

Los centros de mecanizado y las fresadoras NC sí publican especificaciones de API y, con suficiente determinación, se pueden sacar los datos en C++. Pero el trabajo que eso supone es enorme, y cuesta reunir esa determinación.

■ No toques la máquina. Solo mírala.

Últimamente, sin embargo, se ha abierto otra vía.
Filmar la pantalla con una webcam.

No una cámara industrial especial. La que usamos es una webcam corriente que costó unos 3,000 yenes.

Leer los números de ese vídeo, guardarlos como datos, representarlos en gráficas y lanzar un aviso cuando algo va mal.
Convierte en datos analizables de forma continua lo que antes una persona captaba con los ojos.
Dicho de otro modo: aplicamos la DX al acto mismo de observar.

■ La primera versión, y el muro con el que chocó

La primera versión era muy sencilla: enviar la imagen capturada a una IA y pedirle que «leyera estos números».
Claude, de Anthropic. Gemini, de Google. Grok, de xAI. Probamos varios servicios.

Además, asistentes de programación como Claude Code, Codex, Grok Build y Cursor han acelerado enormemente la construcción del propio sistema. Un trabajo en el que antes un especialista habría empleado semanas se hace ahora en poco tiempo.

Pero, una vez en marcha el prototipo, salió a la luz un problema. Costaba demasiado.

Una sola llamada no es cara en absoluto. Vigilar las veinticuatro horas, todo el año, es otra cosa. La «IA que se usa de vez en cuando» y la «IA que se deja funcionando» exigen estructuras de coste completamente distintas.

Como dueño de un taller pequeño, más que admirarme del rendimiento, me descubro pensando en cómo reducir la factura mensual.

■ Ejecutarlo en local

Así que el siguiente intento fue ejecutar un LLM local en una Raspberry Pi.
Un PC grande al lado de una máquina herramienta estorba; una Raspberry Pi que cabe en la palma se queda ahí tan cómoda.

Y si la IA se ejecuta enteramente en nuestros propios equipos, no hay tarifas de API. El coste de funcionamiento es, en la práctica, la electricidad. En teoría, cercano a cero.

La realidad no fue tan sencilla. La mayoría de los LLM conocidos no arrancaban: falta de memoria. Al final el que funcionó con más soltura fue Qwen, aunque aun así no iba a través de herramientas cómodas como ollama y necesitó bastante ajuste.

■ Usar la menor IA posible

Adonde llegamos finalmente fue a esto:
el OCR se encarga del caso normal. El LLM local solo entra cuando el OCR falla.

Un OCR ligero hace el trabajo de cada día. La IA solo aparece cuando algo es anómalo o la lectura es ambigua.
El coste de funcionamiento salió esencialmente a cero.

Para sacarle velocidad a una Raspberry Pi, el enfoque habitual es fijar la posición de la cámara y dejar escritas en el código las coordenadas que hay que leer. Ese enfoque tiene una debilidad. Una ligera vibración del taller mueve la cámara, las coordenadas fijas dejan de coincidir y, de pronto, no se puede leer nada.

También aquí el LLM, que entiende el contexto, se ganó su sitio. Como puede volver a deducir «dónde están los números» a partir de la imagen completa, un pequeño desplazamiento es fácil de corregir. Incorporamos esa corrección a la rutina de lectura e hicimos que cron ejecutara una calibración periódica. El resultado es un sistema que va absorbiendo la deriva por sí solo, sin que nadie lo vigile.

Lo interesante: un proyecto que empezó intentando usar mucha IA se volvió de lo más práctico cuando evolucionó hacia usar la menor IA posible.

Se parece a cómo trabajan las personas. Las tareas rutinarias se resuelven con experiencia y procedimiento. Al especialista se le llama solo cuando ocurre algo inesperado. Ese reparto del trabajo resultó ser el más eficiente.

■ No por cable, sino por la mirada

Dándole vueltas a esto, me acordé de cómo cargamos el móvil.
Antes era evidente que se enchufaba un cable. Ahora la carga inalámbrica está en todas partes: dejas el móvil sobre la base y se carga. No hay conexión física. Y aun así la energía pasa.

Este proyecto se parece un poco a eso.
Tradicionalmente se enganchaba un cable de comunicación para sacar información de una máquina. Esta vez no. No tocamos la máquina. No hay línea de datos. Solo observamos. Y aun así obtenemos la información que necesitamos.

Se podría llamar un paso de la conexión física por cable a una manera de recoger información sin contacto, parecida a la inducción.

No nos conectamos a la máquina. La observamos.
Lo que se conecta no es un cable. Es la mirada.

Ahora que lo pienso, la vista funciona gracias a la luz, y la luz también es una onda electromagnética.
Visto así, quizá esto sea de verdad una conexión por inducción electromagnética, como en un transformador.

■ El coste de intentarlo ha bajado

Lo más importante de este proyecto no fue que la IA se volviera lista. Fue que el coste de intentar algo bajó drásticamente.

Un sistema que hace unos años habríamos encargado a un especialista puede construirse ahora dentro de un taller pequeño. No tenemos el presupuesto de una gran empresa. No tenemos un departamento dedicado. Pero precisamente por ser pequeños podemos probar, fallar y mejorar deprisa.

Creo que ahí está el verdadero cambio de la era de la IA.
No en que la IA quite trabajo a las personas. En que la IA ha ampliado enormemente el abanico de lo que las personas pueden intentar.

KEYSTONE seguirá abordando los problemas que surgen en el taller —en la fabricación de egi ante todo, pero no solo ahí— adoptando con flexibilidad la tecnología nueva por el camino.

Tradicional y a la vez innovador.
Con esas palabras en mente, pensamos seguir avanzando, paso a paso.

Gracias, como siempre, por su apoyo.

with SQUID!!

Julio de 2026
KeyStone Corporation
Nobuhide Kanagawa, Director Representante