Work Sampling en Células Robotizadas de Automoción: Cómo Auditar la Productividad Real de Líneas de Soldadura, Stamping y Ensamblaje sin Parar la Planta

Resumen ejecutivo

Las plantas de automoción españolas operadas por Stellantis, SEAT-Cupra, Renault, Mercedes y Ford ya concentran más del 60 % de sus tareas de soldadura y estampación en células robotizadas. Sin embargo, los responsables de operaciones siguen sin saber con precisión cuánto tiempo pierde cada estación cuando un robot queda en espera, un operario alimenta un buffer, o un sistema de visión rechaza una pieza. El cronómetro en planta no sirve: el ciclo de una BiW (body-in-white) puede ser de 48 a 72 segundos por pasada y nadie puede seguir a 30 robots simultáneamente. El Work Sampling — muestreo del trabajo — es la única técnica de medición de trabajo industrial que permite cuantificar esa productividad oculta en células robotizadas sin detener la línea. Esta guía explica cómo diseñarlo, qué categorías usar y qué decisiones operativas permite tomar.

Dato sectorial verificable: la planta de Stellantis Vigo cerró 2025 con 559.427 vehículos producidos, la más productiva del grupo en España (fuente: eldiario.es, 8 junio 2026). Cualquier mejora del 3 % en OEE de las células de soldadura equivale a ~16.000 unidades adicionales al año sin inversión en activos.

1. Por qué las células robotizadas son el "punto ciego" de la auditoría de planta

1.1. El ciclo de soldadura es demasiado rápido para el cronómetro clásico

En una línea de body-in-white (BiW), una estación de soldadura por puntos robotizada (típicamente KUKA, FANUC o ABB) ejecuta entre 4 y 8 puntos por pieza con un tiempo de ciclo total (incluyendo posicionamiento, soldadura y trasiego) de 48 a 72 segundos por subconjunto. En el ensamblaje lateral, una célula completa de 60 robots puede producir un coche cada 60-90 segundos (datos del proveedor WEISS Robotics para líneas BiW, weiss-world.com). El cronómetro en planta requiere que un analista observe una operación de al menos 1-2 minutos para validar la lectura; en estas condiciones es inviable.

1.2. El robot no es donde está el problema

El robot, mientras está soldando, casi nunca es el cuello de botella. Lo es todo lo demás: la alimentación de piezas al posicionador, el cambio de pinza, la espera de consenso con el PLC, el ciclo de inspección de visión artificial, el trasiego entre estaciones. Esas esperas y micro-paradas componen lo que el estándar OEE Six Big Losses llama Availability Loss y Performance Loss, y son justamente las que un observador humano no ve cuando mira la célula 5 segundos.

1.3. Los SCADA y los MES ya mienten (o no miden lo que importa)

El sistema MES registra los tiempos nominales de ciclo del PLC: cuando el robot termina la secuencia, el reloj avanza. Pero las esperas dentro del ciclo — por ejemplo, 4 segundos esperando que un operario retire la pieza anterior — están dentro del tiempo registrado como "producción". El OEE del MES en plantas robotizadas reporta típicamente 85-90 % sin que la realidad lo justifique. Es la brecha entre el OEE nominal y el OEE real, y es donde el muestreo del trabajo aporta valor único.

2. Por qué el Work Sampling es la técnica adecuada (y no el cronómetro)

Técnica	Aplicabilidad en célula robotizada	Limitación
Cronómetro en planta (time study)	❌ Inaplicable	Ciclo < 90 s, presencia del analista interfiere con seguridad
Video análisis con IA	✅ Útil pero caro	Requiere instalación, permisos RGPD, y visibilidad multi-ángulo
MES / SCADA	⚠️ Parcial	Solo ve tiempos de PLC, no esperas dentro del ciclo
Work Sampling	✅ Óptimo	No invasivo, estadísticamente robusto, bajo coste, alta aceptación por operación

La ventaja competitiva del Work Sampling frente a las alternativas es su naturaleza discreta y probabilística: el observador no necesita seguir la operación, solo registrar el estado de la célula en instantes aleatorios. Esto elimina la interferencia con la seguridad de la célula (los robots industriales están rodeados de vallado perimetral con categoría de seguridad 3 o 4 según ISO 13849-1) y permite muestrear 10-20 células en paralelo.

El artículo de Worksamp ¿Qué es el Muestreo del Trabajo? cubre los fundamentos. Aquí vamos al diseño aplicado a células robotizadas.

3. Diseño del estudio: protocolo paso a paso

3.1. Definir el alcance: ¿estudio de una célula, una línea o toda la planta?

Recomendación según tamaño de la planta:

1-3 células: estudio dedicado por célula, 2-3 semanas.
4-15 células: estudio de línea completa con rotación de observadores entre células en el mismo turno.
>15 células (caso Stellantis Vigo, SEAT Martorell): estudio estratificado por tipo de célula (soldadura lateral, soldadura de subconjuntos, stamping, ensamblaje final) y muestreo aleatorio dentro de cada estrato.

3.2. Definir las categorías de observación

Esta es la parte crítica. Las categorías clásicas (Trabajo productivo / Improductivo / Improductivo necesario) no sirven para células robotizadas. Hay que redefinirlas:

Código	Categoría	Definición operativa	Lectura visual
R1	Robot soldando/estampando	El robot ejecuta la secuencia activa (arco encendido, prensa cerrando, pinza cerrando).	Luz de "ciclo en marcha" encendida, sonido de proceso.
R2	Robot en espera entre ciclos	El robot ha terminado una pieza pero no inicia la siguiente (espera PLC, espera buffer).	Robot inmóvil, sin arco, luz amarilla o verde fija.
R3	Cambio de herramienta / pinza	El robot está en secuencia de cambio automático de útil o el operario está cambiando pinza manualmente.	Cabezal en posición de cambio, carro de útiles visible.
O1	Operario alimentando / retirando	El operario carga pieza en posicionador o retira subconjunto terminado.	Operario con EPP dentro del perímetro, manos en la pieza.
O2	Operario en inspección / medición	El operario está verificando cotas, marcas de soldadura, o datos de calidad.	Operario con calibre, galga o tablet de calidad.
O3	Operario en espera	El operario está dentro del perímetro pero no interactúa con la pieza.	Operario de pie, sin actividad manual.
M1	Manutención / cambio formato	Preparación de nuevo programa de pieza, ajuste de posicionador.	Operario con portátil de programación, panel de control abierto.
M2	Mantenimiento correctivo	Avería en curso, técnico interviniendo.	Técnico con herramientas, vallado abierto.
I1	Micro-parada no clasificada	Célula parada < 30 segundos sin causa identificada.	Sin actividad, luz ámbar.
P1	Parada planificada (fin de turno, comida)	Célula en pausa programada.	Cartel de pausa, luz blanca fija.
X1	Sin observación (no se ve)	Visibilidad ocluida, ángulo muerto, o técnico en zona no accesible.	Observador no puede clasificar con seguridad.

Importante: las categorías O1 y R2 son las que concentran el valor del estudio. Una célula puede tener R2 (robot esperando) durante 12 s de cada 60 s de ciclo sin que el MES lo registre como pérdida.

3.3. Determinar el número de observaciones

Aplicando la fórmula clásica de Tippett para muestreo del trabajo:

$n = \frac{4 \cdot p \cdot (1-p)}{s^2}$

Donde:

p = proporción esperada de la categoría crítica (típicamente se asume p = 0.20 si no hay histórico, o se usa el valor de un estudio piloto).
s = error absoluto admisible (típicamente ±0.03 = ±3 %).
4 = z² para nivel de confianza del 95 %.

Para p = 0.20 y s = 0.03:

$n = \frac{4 \cdot 0,20 \cdot 0,80}{0,03^2} = \frac{0,64}{0,0009} ≈ 711 \text{ observaciones}$

Si la planta tiene 3 turnos y se observan 50 células/día, esto se cubre en 5 días de campaña — perfectamente compatible con un proyecto de auditoría de 2-3 semanas.

3.4. Aleatorización: la pieza clave del método

Las observaciones deben hacerse en momentos aleatorios, no cada minuto. Las opciones recomendadas:

Aplicación móvil con cronómetro aleatorio (la más simple): una app que vibra en momentos aleatorios dentro de una ventana (p. ej. cada 90-180 s) y muestra al observador la célula a observar.
Rondas con tabla de números aleatorios: el observador recibe una hoja con 50 horas y minutos generados aleatoriamente (plantilla imprimible disponible en la mayoría de textos clásicos de medición del trabajo).
Work Sampling automático con visión artificial: sistemas 2026 que usan IA para clasificar las categorías de forma continua. Útil en plantas >20 células, requiere inversión.

Recomendación Worksamp: para plantas de 3-15 células, la app móvil Worksamp (disponible en worksamp.com) genera las alertas aleatorias con vibración y guarda el log con geolocalización, lo que permite auditar observadores y descartar lecturas fraudulentas.

3.5. Estratificación por turno y por tipo de célula

Un error frecuente es muestrear solamente el turno de mañana (cuando está el ingeniero de procesos). Para capturar la realidad completa:

Mínimo 30 % de las observaciones en turno de noche.
Mínimo 20 % en turno de fin de semana (si la planta opera 24/7).
Reparto proporcional al mix de producción del periodo: si en el periodo de estudio el 45 % de la producción es modelo A y el 55 % modelo B, las observaciones deben reflejar esa proporción.

4. Resultados típicos y lectura operativa

4.1. Distribución esperable en una célula de soldadura robotizada bien gestionada

Basado en estudios realizados en plantas del ecosistema Micaot y en literatura técnica abierta (Nakajima, TPM; Shirose, TPM en automoción), una célula de soldadura BiW en operación estable muestra típicamente:

Categoría	% esperado	Interpretación
R1 Robot ejecutando	55-65 %	Tiempo activo del robot respecto al disponible
R2 Robot en espera	8-15 %	Indica desbalanceo entre célula y buffer aguas arriba/abajo
O1 Operario alimentando	10-18 %	Indica carga manual de piezas (input) o descarga (output)
O2 Operario inspeccionando	2-5 %	Frecuencia de verificación de calidad
O3 Operario en espera	3-8 %	Suele revelar mala ergonomía o falta de tareas alternativas
R3 + M1 Cambios	4-8 %	Mix de modelo, lanzamiento de nuevas referencias
M2 Mantenimiento	2-5 %	TPM en estado de madurez
I1 Micro-paradas	2-5 %	Revela problemas de PLC, sensores, atascos en buffer
P1 Pausas	5-8 %	Comidas, cambio de turno, EPP

Lectura crítica: si R2 + O3 > 25 %, hay un desbalanceo severo entre la célula robotizada y el flujo aguas arriba/abajo. Es la señal #1 de que la inversión en robot no se está amortizando.

4.2. Comparación con el OEE reportado por el MES

La diferencia entre el OEE oficial y el OEE real (calculado desde el muestreo) es el indicador más útil. Ejemplo real anonimizado:

Indicador	Valor MES	Valor Work Sampling	Brecha
Availability	92 %	81 %	-11 pp
Performance	96 %	88 %	-8 pp
Quality	99,5 %	99,5 %	0 pp
OEE	87,8 %	70,9 %	-16,9 pp

La brecha del 17 % corresponde principalmente a las esperas internas (R2) y micro-paradas (I1) que el PLC no registra como pérdidas. La acción correctora típica es rebalancear el buffer entre células y reducir los ciclos de espera por consenso PLC.

Para profundizar en la interpretación del OEE, ver la guía de referencia de Tractian sobre benchmarks OEE world-class y el análisis de Leanworx sobre por qué el 85 % world-class es un objetivo matizado. El consenso actual (2026) es que 85 % de OEE real = 90 % A × 95 % P × 99 % Q, un estándar exigente incluso para automoción.

5. Caso de uso: planta de subconjuntos soldados (datos anonimizados)

5.1. Contexto

Planta de automoción Tier-1 en zona centro de España, 2 líneas BiW, 8 células de soldadura por puntos (4 robots KUKA KR 16 R2010 por célula), 3 turnos, producción media de 720 subconjuntos/día.

5.2. Diseño del estudio

3 semanas de campaña, 2 observadores por turno (formados en categorías R1-X1).
App móvil Worksamp con alertas aleatorias cada 90-180 s.
4.820 observaciones válidas sobre las 8 células.

5.3. Hallazgos principales

Célula	R1 + O1 (Valor añadido)	R2 + O3 (Esperas)	M2 (Mantto)	I1 (Micro-paradas)
Célula 1 (suelda pilar A)	78 %	14 %	4 %	4 %
Célula 2 (suelda pilar B)	62 %	28 %	3 %	7 %
Célula 3 (suelda travesaño)	81 %	12 %	4 %	3 %
Célula 4 (suelda refuerzo)	75 %	16 %	5 %	4 %
Célula 5-8 (resto)	73-80 %	12-18 %	4-5 %	3-5 %

Célula 2 destacó con 28 % de esperas, casi el doble que la media de la planta. La auditoría posterior reveló:

El buffer de piezas entre célula 1 y célula 2 era de solo 4 piezas (cuando la literatura recomienda 8-10 para 60 s de ciclo).
El programa de soldadura de la célula 2 incluía un tiempo de espera de 6 s para sincronización con visión artificial que ya no era necesaria (la cámara se había actualizado en 2025).
El cambio de pinza se hacía en parada completa cuando podía hacerse en solapado.

5.4. Impacto tras intervención

Aumento de buffer a 8 piezas: inversión ~3.500 €.
Eliminación de los 6 s de espera de visión: reprogramación por técnico de KUKA, 1 día.
Cambio de pinza en solapado: reprogramación + training a operarios, 3 días.

Resultado medido a las 8 semanas:

Indicador	Antes	Después	Mejora
OEE célula 2	63 %	79 %	+16 pp
Producción célula 2	92 subconj/día	115 subconj/día	+25 %
Inversión total	—	4.200 €	ROI a 4 meses

6. Errores comunes en la aplicación del método

6.1. Confundir Work Sampling con cronómetro

El Work Sampling no mide tiempo, mide proporciones. Intentar traducir las proporciones a "minutos por pieza" sin un dato de tiempo de ciclo del MES lleva a errores. La forma correcta de obtener el tiempo estándar combinando las dos técnicas se explica en la guía de Cronometras sobre tiempos estándar MTM/MOST.

6.2. Olvidar la categoría "no se ve" (X1)

Si X1 supera el 5 %, el observador está en un ángulo malo o la célula está demasiado lejos. Hay que reposicionar al observador o sustituir la célula del muestreo. Forzar la clasificación cuando no se ve bien introduce sesgo sistemático.

6.3. No rotar observadores

Un observador fijo aprende los ritmos de la célula y anticipa el estado siguiente, rompiendo la aleatoriedad. Rotar al observador entre células cada 2-3 horas mantiene la objetividad.

6.4. Muestrear solo en turno de mañana

Las plantas de automoción son 24/7. La noche tiene menos personal de soporte, lo que suele traducirse en más esperas por averías no atendidas. Muestrear solo mañana da una foto sesgada.

6.5. Ignorar la variabilidad por modelo

Si en la misma célula se fabrican 3 modelos diferentes, el mix cambia el patrón de observación. Recomendar estratificar por modelo dentro de la misma célula: el muestreo del trabajo del modelo A (más complejo) no es representativo del modelo B (más simple).

7. Integración con el TPM y el Lean Manufacturing

El Work Sampling no compite con el TPM (Total Productive Maintenance) ni con el Lean — los complementa:

TPM: aporta el indicador de fallos con paro (M2). El muestreo del trabajo añade las pérdidas crónicas que el TPM no detecta porque son inferiores al umbral de "fallo".
Lean: el muestreo del trabajo es la base del Value Stream Mapping cuantitativo. En lugar de estimates del ingeniero, se usan proporciones muestreadas.
Six Sigma / DMAIC: el muestreo del trabajo es la herramienta de la fase Measure cuando los datos del MES no son fiables. Ver DMAIC vs Muestreo del Trabajo para la comparativa.

8. Checklist de proyecto (descargable)

Antes de lanzar un estudio de Work Sampling en células robotizadas de automoción, validar:

Alcance definido (número de células, duración, turnos).
Categorías adaptadas al協働 humano-robot (R1-X1 o equivalente validado en planta piloto).
Estudio piloto de 2 días para validar categorías y calcular n con p real.
Observadores formados (mínimo 2 por turno) con test de calibración inter-observador (>85 % de coincidencia).
Aleatorización garantizada (app móvil con vibración o tabla de números aleatorios).
Acceso visual validado desde la posición del observador (<5 % X1).
EPP y formación de seguridad del observador (curso PRL nivel 2 + específico de robot colaborativo si aplica).
Plan de comunicación a producción, mantenimiento y calidad (qué se va a medir, para qué, qué NO se va a usar).
Cronograma de feedback a las 2, 4 y 6 semanas con la dirección de planta.

9. Conclusión: lo que el muestreo del trabajo cambia en una planta de automoción

El Work Sampling en células robotizadas de automoción es el único método de medición de trabajo industrial que:

Respeta el vallado de seguridad (el observador no entra en la célula).
Captura las pérdidas crónicas que el MES no detecta (R2, O3, I1).
Cuantifica la brecha entre OEE reportado y OEE real.
Permite priorizar inversiones con ROI medible (caso real: 4.200 € invertidos → +25 % producción en 8 semanas).
Escala a múltiples células con la misma app móvil.

Para una planta de automoción española media (3 líneas BiW, 24 células, ~3.000 empleados), un estudio bien diseñado cuesta entre 8.000 € y 15.000 € (3 semanas, 2 observadores, software de captura) y suele identificar ahorros de 150.000 € a 500.000 €/año por rebalanceo, eliminación de esperas internas y mejora del cambio de formato. El ROI del propio estudio se amortiza típicamente en las primeras 4-6 semanas.

CTA: ¿Quieres aplicar Work Sampling en tus células robotizadas? Solicita un diagnóstico inicial gratuito — analizamos 1 célula piloto sin compromiso y te entregamos el informe de brechas OEE en 2 semanas.

Referencias verificables

Stellantis Vigo cierra 2025 con 559.427 vehículos producidos, planta más productiva del grupo en España — eldiario.es, 8 de junio de 2026. Enlace.
World-Class OEE: 85 % benchmark (90 % A × 95 % P × 99 % Q), origen Seiichi Nakajima (TPM) — Tractian Blog, 23 de junio de 2026. Enlace.
World-Class OEE: What 85 % actually means and why not to chase it — Leanworx, 16 de junio de 2026. Enlace.
Body in White: técnicas de soldadura por puntos, clinchado, remachado, láser — WEISS Robotics (segmento mobility). Enlace.
Aplicación profesional de Muestreo del Trabajo — Worksamp.com.
ISO 13849-1: Seguridad de máquinas — partes de sistemas de mando relacionadas con la seguridad. Categorías de seguridad 3 y 4 para vallado perimetral de células robotizadas.
Muestreo del Trabajo en Hospitales y Servicios — Worksamp Blog. Enlace.
Introducción a los Sistemas de Tiempos Predeterminados (MTM y MOST) — Cronometras Blog. Enlace.
Six Sigma DMAIC vs Muestreo del Trabajo: cuándo elegir cada metodología — Worksamp Blog. Enlace.