La prevención de riesgos laborales (PRL) deja de depender de la memoria de unas pocas personas cuando la tecnología pone la información de seguridad en el puesto de trabajo y vigila los riesgos en tiempo real. Estos dos casos lo muestran desde dos ángulos: los gemelos digitales de Dots – Smart Maps, que forman a las personas y conservan el conocimiento, y el proyecto de visión artificial VIDALIA, que detecta situaciones de riesgo antes de que ocurra el accidente.
Caso 1. Dots – Smart Maps: gemelos digitales para formar y proteger
Un gemelo digital de planta pone la PRL a mano del operario, en el puesto, y no en un manual olvidado en un servidor. Es la propuesta de Dots – Smart Maps, la empresa de Javier Sahagún, que trabaja con tres situaciones reales de planta.
El problema: la seguridad depende de lo que sabe una persona
Estas son tres situaciones que cualquier responsable de prevención reconocerá:
- Alberto, el conocimiento que se jubila. Una línea lleva siete horas parada tras un ruido y una alarma. El mantenimiento externo no tiene personal hasta el día siguiente. Alberto, que lo resolvía todo en una mañana, se jubiló hace 15 días y nadie sabe qué hacer. La pregunta: si la continuidad dependía de un solo operario, ¿tenían un sistema de producción o simplemente suerte?
- Jesús, el nuevo que no se queda. Entra por una ETT y a los 20 días anuncia que se va. Al llegar hubo que explicarle dónde cambiarse, qué llevar siempre puesto, por dónde ir a su puesto, por dónde salir en una emergencia y qué hacer. Otro compañero estuvo seis jornadas con él y metió 14 horas extra para cumplir objetivos, además de las 40 horas del operario formador. Y si el lunes entra otro Jesús, se empieza otra vez desde cero.
- Jorge, el accidente. Se pilla la mano: dos dedos rotos y una operación de tendón, con baja de larga duración. El responsable de línea sabía que la máquina a veces hacía un movimiento extraño y se lo había dicho a Jorge. La reclamación que llega a la empresa sostiene que el error fue de la máquina, no del trabajador. La pregunta: ¿cómo se explica al juez que no hubo negligencia grave?
Los tres tienen la misma raíz: la información de seguridad (qué riesgos hay, cómo se opera, qué hacer ante una incidencia o una emergencia) vive en la cabeza de personas concretas o dispersa en carpetas.
La solución: la planta replicada, con la información donde se necesita
Dots crea un gemelo digital de un espacio real: una réplica virtual recorrible, en la que se colocan puntos de información con los datos relevantes de cada zona o máquina. Se consulta desde ordenador, tablet o móvil, con acceso por contraseña.
Para PRL, cada punto puede enlazar con:
- Procedimientos, instrucciones de trabajo y documentación técnica de la máquina o del puesto.
- Vídeos y fotografías, por ejemplo de cómo se resuelve una incidencia o de las vías de evacuación.
- Alertas y notificaciones.
- Formularios y tests de información, con los que se guía al operario y se puede obtener una acreditación de la formación.
Sobre ese gemelo, la empresa plantea tres usos de seguridad: simulación de escenarios reales, entrenamiento de equipos y mejora de protocolos. Entre sus destinatarios cita el sector industrial (simulaciones para prevenir accidentes en entornos de alto riesgo), la construcción y la minería (capacitación con maquinaria pesada) y las aerolíneas (protocolos de emergencia).
Qué habría cambiado en cada caso
La tabla pone cada situación junto al uso del gemelo digital que la habría cubierto, según las funciones que describe Dots.
| Caso | Fallo de PRL | Qué aporta el gemelo digital |
| Alberto (jubilación) | El procedimiento de avería solo estaba en la cabeza de un operario | Captura del conocimiento experto: la solución, en vídeo y documentación, queda anclada a la máquina en el mapa |
| Jesús (nuevo por ETT) | Acogida y formación inicial dependen de otro operario durante días | El nuevo recorre la planta en el gemelo: zonas, EPIs, vías de evacuación y puesto, con test y acreditación; el formador dedica menos horas |
| Jorge (accidente) | Una anomalía conocida de la máquina solo se había comunicado de palabra, sin registro | Punto de información en la máquina con sus riesgos, alertas y notificaciones, y formulario para registrar la anomalía |
Las ventajas que Dots atribuye a la formación con mapas inteligentes van en la misma línea: menos tiempo de formación, mejor retención del conocimiento y menos interrupciones operativas para capacitar al personal.
Implantación: empezar por un piloto
Según Dots, en una planta pequeña (unos 1.000 m²) el proceso lleva entre 4 y 12 semanas, desde la recogida de datos hasta la entrega del mapa interactivo con una primera carga de vídeos, fotos y enlaces. El plazo depende del tamaño y la complejidad de las instalaciones.
- Piloto previo: la empresa ofrece proyectos piloto para evaluar el impacto antes de una implantación completa.
- Uso sencillo: interfaces intuitivas y capacitación inicial para el personal y los instructores.
- Datos protegidos: acceso por contraseña y medidas de ciberseguridad conforme a la normativa aplicable.
- Escalable: el mapa se mantiene actualizado y se amplía con nuevas zonas y contenidos.
Límites a tener en cuenta
Es una herramienta de formación y gestión del conocimiento: no sustituye a la evaluación de riesgos ni a la formación presencial que exige la normativa, y su contenido vale lo que valga el que se cargue y se mantenga actualizado. Además, este caso se apoya en las situaciones y la oferta que describe la empresa; no hay resultados medidos publicados de una planta concreta.
Caso 2. VIDALIA: visión artificial para anticiparse al accidente
VIDALIA demuestra que la visión artificial y los sensores pueden pasar de reaccionar ante un accidente a anticiparse a él, tanto en una fábrica (colisiones de carretillas, zonas de riesgo, EPIs) como en una residencia de mayores (caídas y bienestar). Es un proyecto de investigación colaborativa coordinado por CBECyL y SIVI, en el que ha participado la Fundación CTME.
El reto: depender de la mirada humana
Hoy, en los sectores de bienes de equipo y socio-sanitario, la supervisión y la prevención de riesgos dependen sobre todo de la observación humana. Tiene límites claros: hace falta personal suficiente y, aun así, la respuesta ante un problema puede llegar tarde. VIDALIA se pregunta si un sistema que «mira» de forma continua, con cámaras y sensores, puede avisar a tiempo.
El proyecto: monitorización en tiempo real
El objetivo fue investigar un sistema de monitorización en tiempo real, basado en cámaras y otros sensores, que identifique situaciones de riesgo y garantice la seguridad de las personas en entornos industriales y socio-sanitarios. Se apoya en visión por computador e inteligencia artificial y se centró en detectar automáticamente condiciones peligrosas: falta de equipo de protección individual (EPI), comportamientos inseguros o caídas. Nace de las demandas reales de los sectores, de modo que sus conclusiones beneficien a toda la cadena de valor.
Escenario 1: la fábrica (OVLAC)
En la nave más transitada de OVLAC conviven personas, carretillas y piezas almacenadas. Tras una visita presencial se detectaron dos zonas sensibles de mayor actividad y la existencia de cámaras propias, cuyas imágenes se podían aprovechar como fuente de datos. Las necesidades: detectar y prevenir colisiones de carretillas y medir las condiciones ambientales que influyen en el confort y la fatiga del operario.
La solución combinó dos capas:
- Sensores: de movimiento (proximidad peligrosa en tiempo real), de ocupación e iluminación (mapas de calor de tránsito) y de temperatura y humedad relativa (confort térmico y su relación con la fatiga).
- Visión artificial sobre las cámaras existentes: un modelo entrenado identifica personas y carretillas en tiempo real; genera un mapa de calor de actividad para localizar zonas de alto tráfico y puntos de conflicto.
Sobre esa base el sistema genera tres tipos de alerta:
- Grupos y colisiones: si dos personas o dos carretillas están más cerca que una distancia mínima definida, salta un aviso.
- Fuera de zona: se marcan zonas válidas y se avisa cuando una persona o una carretilla sale de ellas.
- EPIs: un modelo de la familia YOLO, entrenado con imágenes de equipos de protección, marca los EPIs que detecta en la imagen. El CTME ha aportado la detección de EPIs y de agrupamientos de personas en zonas de riesgo.
Escenario 2: la residencia (Fundación Santa María la Real)
La zona común de una residencia de personas mayores plantea otro tipo de riesgo. Las necesidades detectadas: saber si los usuarios se mueven tras sentarse (sedentarismo y movilidad), evaluar el confort ambiental y su relación con malestares o caídas, y detectar caídas o ayudar a prevenirlas. El centro mostró un alto interés en sistemas autónomos de detección de caídas y en evitar sujeciones.
La solución instalada en la zona común incluyó:
- Manta de presencia en la silla de ruedas o el sofá, para analizar patrones de descanso e identificar levantamientos no supervisados.
- Sensor de movimiento, que complementa la información de presión con la duración y frecuencia del movimiento y los periodos de inactividad.
- Sensor de calidad del aire, que indica si la ventilación es eficiente y permite un análisis preventivo de fatiga y caídas.
- Sensor de caídas y presencia, para una respuesta asistencial rápida.
Para las caídas se probó un flujo de tres pasos: estimación de pose (RTMPose extrae el esqueleto de cada persona), análisis temporal con una red neuronal (TCN) que estudia la secuencia de movimientos y clasificación de la secuencia como caída, con alerta en tiempo real.
Ética y privacidad: cada entorno, su límite
Usar visión artificial donde hay personas plantea retos éticos, y VIDALIA los resolvió de forma distinta según la sensibilidad de cada escenario. En el sociosanitario hubo una alta oposición a las cámaras por protección de datos, y el proyecto lo respetó.
| Entorno industrial (OVLAC) | Entorno sociosanitario (residencia) | |
| Imágenes | Acceso a las grabaciones de las cámaras de seguridad existentes | No se usaron cámaras ni grabaciones de imagen |
| Entrenamiento | Modelos entrenados y validados con datos reales de la fábrica | Modelos de caídas y sedentarismo entrenados con datasets públicos |
| Validación | En la propia planta | En entornos controlados, no en la residencia |
| Garantías | Almacenamiento local cifrado (sin nube), uso exclusivo para investigación, modelos que no identifican a las personas por sus características físicas | Se priorizó la privacidad de los residentes sobre la recogida de datos |
Resultados: de un modelo reactivo a uno preventivo
El proyecto logró validar funcionalidades conjuntas de visión artificial y sensorización avanzada, en dos escenarios muy distintos y con distintos modelos. Sus conclusiones principales:
- De reactivo a preventivo: el sistema permite pasar de actuar tras el accidente a evitarlo e incluso anticiparse.
- Más fiabilidad: combinar datos de sensores y modelos de visión artificial reduce la tasa de falsos negativos y de falsos positivos.
- Utilidad práctica: la validación en entornos reales comprobó que el sistema sirve.
- Transferible: aunque se centró en bienes de equipo y socio-sanitario, la tecnología puede aplicarse a otros sectores.
- Viabilidad comercial: desarrollar un producto de este tipo es técnicamente viable y puede aportar valor en seguridad, eficiencia operativa y reducción de incidentes.
El proyecto también dejó sus límites a la vista. Hace falta mucha calidad de vídeo para que los algoritmos funcionen bien. Algunos EPIs, como las gafas de seguridad, se confunden con gafas convencionales y suben el margen de error. Y la captación de imágenes exige cumplir estrictamente la normativa de protección de datos y privacidad, lo que puede dificultar su implantación.
Qué puede llevarse tu empresa de los dos casos
Los dos proyectos atacan la misma debilidad desde extremos distintos: uno asegura que la información de seguridad esté donde se necesita, y el otro vigila que el riesgo no se materialice.
- Documenta lo que solo sabe una persona. Averías, anomalías de máquina y procedimientos de emergencia deben quedar registrados y accesibles en el puesto.
- Reduce la dependencia del acompañamiento. Una acogida estructurada y acreditable libera al operario experto y protege al nuevo.
- Aprovecha lo que ya existe. En OVLAC las cámaras de seguridad instaladas fueron la fuente de datos.
- Combina sensores e imágenes. Cruzar ambas fuentes reduce falsos positivos y negativos.
- Adapta la tecnología a la sensibilidad del entorno y a la normativa. La protección de datos es la principal barrera para implantar la visión artificial.
