Encontrar una tuerca concreta en un taller no debería depender de que esté delante la única persona que sabe dónde se guarda todo. Cuando reorganizamos el nuestro, descubrimos que las etiquetas no bastaban: seguías necesitando saber en qué estantería empezar a buscar.
Queríamos poder entrar y preguntar: «¿Dónde están las tuercas M3?». La respuesta debía utilizar el inventario real y, además, ayudarnos dentro del espacio físico. Lo que comenzó como un buscador terminó siendo un asistente de voz conectado con luces, pantallas y dispositivos.
Primero hicimos consultable el inventario
El primer paso no fue añadir IA, sino ordenar los datos. Cada pieza quedó relacionada con una ubicación concreta del taller: estantería, zona y fila.
Sobre esa base construimos un chatbot sencillo. Una pregunta como «¿dónde están las galgas?» se convertía en una búsqueda del inventario y devolvía una ubicación comprensible. Todavía no hablaba ni activaba nada, pero ya evitaba recorrer una lista o depender de la memoria de otra persona.
Esta primera versión también nos permitió comprobar algo importante: antes de construir una interfaz sofisticada, necesitábamos saber si los nombres y ubicaciones del inventario funcionaban con preguntas reales.
Después conectamos la respuesta con el taller
Saber que una pieza está en una estantería ayuda, pero obliga a seguir buscando con la vista. Por eso conectamos el resultado de cada consulta con las tiras LED instaladas en las estanterías.
El flujo pasó a ser:
- La persona pide una pieza.
- El asistente interpreta qué está buscando.
- Consulta el inventario y obtiene su ubicación.
- Enciende la zona correspondiente.
La respuesta dejó de quedarse dentro de una pantalla. El propio taller empezó a señalar dónde mirar.
Más adelante probamos un puntero para distinguir un cajón concreto dentro de una misma zona. No cambiaba la lógica principal: añadía otra acción física a partir de la ubicación que ya devolvía el inventario.
Añadimos una interfaz para cuidar los datos
Encontrar una pieza resolvía solo una parte del problema. También necesitábamos revisar ubicaciones y mantener el inventario cuando cogíamos o movíamos componentes.
La interfaz convirtió el sistema en algo más que un buscador. Inventario, consulta, acciones físicas y gestión pasaron a compartir la misma información. Si una ubicación cambiaba, no había que reprogramar las luces: el asistente utilizaba el dato actualizado.
La voz hizo que encajase en el espacio
Utilizar un móvil o acercarse a un ordenador cada vez que necesitas una pieza resulta incómodo cuando tienes las manos ocupadas. El siguiente paso fue añadir micrófono y altavoz a dispositivos con Raspberry Pi.
La interacción quedó reducida a una secuencia natural:
Hablas → el asistente entiende → consulta los datos → responde → el taller reacciona.
Una pantalla circular muestra la respuesta y da expresión al asistente. Esa cara no era necesaria para localizar una pieza, pero sí hacía más evidente cuándo estaba escuchando, buscando o contestando.
Qué ocurre por debajo
Aunque la experiencia final parece una sola conversación, el sistema conecta varias piezas:
- una base de datos que relaciona cada componente con su ubicación;
- un asistente que interpreta la petición;
- lógica que decide qué respuesta y acciones corresponden;
- dispositivos Raspberry Pi con micrófono, altavoz y pantalla;
- y tiras LED que convierten el resultado digital en una indicación física.
Vento mantiene estas partes dentro del mismo sistema conectado. Eso nos permitió empezar con una consulta de texto y añadir capacidades una a una, sin intentar diseñar la versión final desde el primer día.
Lo que aprendimos al construirlo por etapas
La parte útil apareció mucho antes que el asistente completo. La primera versión ya respondía dónde estaba cada cosa. Después iluminó estanterías, incorporó una interfaz, empezó a escuchar y hablar y, finalmente, ganó una presencia física propia.
Ese orden redujo el riesgo de construir una experiencia vistosa sobre un inventario que todavía no funcionase. Cada paso resolvía un problema observable y podía probarse antes de añadir el siguiente.
El mismo patrón puede servir en un laboratorio, almacén u otro espacio donde los datos estén relacionados con objetos físicos: primero hacer fiable la información, después permitir consultarla y, por último, conectar el resultado con una acción en el entorno.
De una respuesta a una acción real
Un chatbot puede decir que las tuercas M3 están en la estantería cuatro. Un asistente conectado puede dar la misma respuesta y hacer que esa estantería se ilumine.
Esa diferencia resume el proyecto. La IA no funciona como una conversación aislada, sino como parte de un sistema compuesto por datos, software e interfaces físicas. Empezamos describiendo un problema pequeño y fuimos construyendo alrededor de lo que aprendíamos en el taller.