Una plataforma de escritorio basada en un Gemelo Digital que permite a los operadores predecir fallas críticas y evitar penalizaciones económicas en menos de 3 clics.
Rol
Product Designer
Plataforma
Desktop / IIoT
Sector
Agroindustria
Herramienta
Figma
Disciplina
UX/UI & Data Arch.
En la exigente industria de la exportación frutícola en la región de Valparaíso, el tiempo y la temperatura dictan el éxito del negocio. Un packing moderno no es solo una bodega; es un ecosistema de maquinaria pesada trabajando al límite para mantener la cadena de frío y procesar toneladas de fruta antes de que pierda su valor. Sin embargo, operar estas maquinarias de forma ineficiente durante las horas de mayor demanda eléctrica genera penalizaciones millonarias por sobreconsumo.
Diseñar un centro de control centralizado (Dashboard) para ingenieros de operaciones que traduzca miles de datos por segundo provenientes de sensores IoT industriales en un entorno visual claro. El objetivo: permitir a los operadores anticipar fallas en los equipos y evitar multas energéticas en menos de tres clics, equilibrando la continuidad de la producción con el ahorro de costos.
Tasa de Mitigación Temprana
> 95%
Alertas críticas de consumo atendidas y mitigadas antes de cruzar la línea base de penalización. Objetivo final: 0 multas por sobreconsumo en los turnos operados con VoltAI.
Tiempo de Resolución
< 15 seg
Reducir el tiempo de identificación de una anomalía de minutos (buscando en Excels o SCADA) a menos de 15 segundos.
Regla de los 3 clics
3 clics
Justificada por la Ley de Hick: el tiempo de decisión aumenta con el número de opciones. En alto estrés, el operador debe ejecutar una acción de mitigación en máximo 3 interacciones para evitar fatiga decisional.
Los operadores reciben logs crudos de telemetría (voltaje, amperaje, presión) en tiempo real. Un humano no puede procesar esta densidad de información de forma pasiva, lo que los obliga a trabajar de manera reactiva: se enteran del exceso de consumo cuando llega la factura mensual o cuando la máquina ya ha fallado.
Cuando ocurre una anomalía global en la planta, los sistemas tradicionales obligan al usuario a navegar por hojas de cálculo y menús infinitos para encontrar qué componente exacto (ej. un sensor en el compresor neumático) está causando el problema, perdiendo minutos vitales.
Integrar Inteligencia Artificial en procesos industriales genera resistencia. Si un algoritmo recomienda apagar un motor de enfriamiento crítico, el operador no ejecutará la acción a menos que entienda perfectamente el "porqué". La IA sin contexto visual es percibida como un riesgo para la producción.
Sólidos y robustos, pero con interfaces creadas en los 90s: pantallas saturadas, metáforas de control físico trasladadas 1:1 a la pantalla, y una curva de aprendizaje prohibitiva para operadores nuevos.
Útiles para el análisis post-mortem, pero el problema es la latencia: los datos son viejos cuando el operador los ve. Un dashboard de BI no puede reaccionar a una anomalía en tiempo real.
Actuar como una capa de middleware ágil, que extrae la telemetría del SCADA, la procesa con modelos de IA, y la presenta como tarjetas de acción predictivas con contexto humano. No compite con el SCADA; lo hace interpretable.
Antes de abrir la herramienta de diseño y trazar el primer wireframe, el verdadero reto fue estructurar el caos. Un diseño visual atractivo es inútil si la infraestructura de datos no tiene sentido para la ingeniería de la planta.
Para resolver esto, modelé la arquitectura de la información basándose en un Gemelo Digital esquemático, categorizando la información de la siguiente manera:
Asset Tree
Estructuré la navegación para permitir una inmersión fluida desde la vista macro hasta el micro-componente. Para este MVP, mapeé un total de 3 áreas operativas vitales, albergando 6 activos críticos y 11 sensores físicos de telemetría IoT que transmiten datos en tiempo real:
| Área Operativa | Activo Industrial | Sensores Físicos (IoT) | Variable Medida | Impacto Crítico UI |
|---|---|---|---|---|
|
1. Recepción |
CTV-01 Cinta Transportadora |
Sensor de Vibración, Amperímetro |
Vibración (mm/s), Corriente (A) |
Desgaste mecánico. |
|
SOC-02 Selector Óptico |
Medidor de Consumo, Contador |
Energía (kWh), Unidades/min |
Eficiencia de selección. |
|
|
2. Embalaje Zona Crítica |
CNP-04 Compresor Neumático |
Medidor de Consumo, Barómetro |
Energía (kWh), Presión (Bar) |
Riesgo de sobreconsumo eléctrico. |
|
SAC-08 Selladora de Atmósfera |
Medidor de Consumo, Termómetro |
Energía (kWh), Temperatura (°C) |
Riesgo térmico. |
|
|
3. Túneles |
CH-11 Chiller Rápido |
Medidor Trifásico, Sensor de Fluidos |
Energía (kWh), Temperatura (°C) |
Mantención de cadena de frío. |
|
EVM-02 Evaporador de Mantención |
Medidor de Consumo |
Energía (kWh) |
Gasto basal continuo. |
Materia Prima IoT
Para dimensionar el desafío de diseño, es necesario entender la naturaleza de la información entrante. Los 11 sensores no envían reportes legibles, sino strings de datos continuos en formato JSON, estructurados como Series de Tiempo (Time-Series Data), cada 2 segundos.
A continuación, se ejemplifica el flujo de datos crudos que la interfaz de VoltAI debe procesar y traducir visualmente durante la crisis del Compresor CNP-04:
// Telemetría en tiempo real — CNP-04 · 2026-06-13T15:55:02Z { "timestamp": "2026-06-13T15:55:02Z", "facility_id": "PACKING_SAN_FELIPE", "area_id": "EMBALAJE_LINEA_SUR", "device_metadata": { "asset_id": "CNP-04", "model": "Pneumatic-Industrial-V2", "last_maintenance": "2026-04-10" }, "telemetry_sensors": { "energy_consumption_kwh": 145.8, "current_amperage": 215.2, "pressure_bar": 4.1, "surface_temperature_c": 82.5 }, "ai_analytics_layer": { "operating_efficiency_score": 0.62, "anomaly_detected": true, "predicted_failure_hours": 14.5, "financial_risk_hourly_usd": 1250.00 } }
El dolor UX resuelto: Ningún operador puede interpretar líneas de código como esta bajo una situación de estrés en la planta. El propósito de VoltAI es transformar este objeto JSON abstracto en alertas cromáticas prioritarias, gráficos de tendencias predictivas y botones de acción unificada.
Clasificación de flujos de información
Con el inventario físico y técnico claro, clasifiqué los flujos de información en la interfaz para reducir la carga cognitiva del operador:
(Contexto)
Límites operativos de fábrica, IDs de los equipos y fechas de mantención.
(Telemetría IIoT)
Los valores crudos del JSON como los Kilovatios por hora (145.8 kWh) y la presión (4.1 Bar).
(Capa de Inteligencia)
Las métricas procesadas por el algoritmo, como el score de eficiencia (62%) o el riesgo financiero estimado.
Sistema de alertas estandarizado
Diseñé un sistema de alertas estandarizado. La interfaz no obliga al usuario a interpretar números aislados, sino que presenta estados accionables basados en las desviaciones matemáticas del flujo IoT:
Verde
Normal
Operación óptima dentro de los parámetros estables de fábrica.
Amarillo
Advertencia
Desviación menor al 10% en variables como temperatura o vibración; requiere monitoreo pasivo.
Rojo
Crítico
Falla inminente, caída drástica de presión o proyección de sobreconsumo eléctrico; exige confirmación manual del usuario de forma inmediata.
En entornos industriales de alta presión, el diseño visual debe estar subordinado a la claridad operativa. Antes de definir componentes en pantalla, era fundamental entender quién utilizaría VoltAI, bajo qué nivel de estrés, y cuáles eran las limitaciones físicas de su entorno de trabajo. El éxito del producto no dependía de la estética, sino de mitigar la "Ansiedad de la Automatización" frente a la Inteligencia Artificial.
Metodología de Descubrimiento (Desk Research)
Al tratarse de un proyecto conceptual enfocado en la agroindustria local, el perfil y los dolores del usuario no se basan en entrevistas directas, sino en una hipótesis educada construida a través de investigación secundaria. Se analizaron reportes de eficiencia energética industrial, foros de operadores de sistemas SCADA y el contexto operativo estándar de los packings de exportación. Esta hipótesis establece las bases del diseño, con el entendimiento de que, en un entorno real, el primer paso sería validar estas suposiciones con los jefes de turno en campo.
Perfil representativo del usuario final
Para guiar las decisiones de diseño, sinteticé los hallazgos en un perfil representativo del usuario final de la agroindustria local:
Carlos Mendoza
Jefe de Operaciones y Mantenimiento
Edad: 42 años
Formación: Ingeniero en Automatización
Ubicación: Valle del Aconcagua, polo estratégico de la exportación frutícola
Arquetipo: Pragmático y enfocado en resultados. Desconfía de los sistemas de "caja negra" que prometen resolver todo sin explicar el proceso matemático detrás.
Garantizar la operatividad continua de las líneas de embalaje.
Mantener intacta la cadena de frío para proteger la fruta premium.
Cumplir las metas gerenciales de eficiencia, evitando multas millonarias por excesos de potencia eléctrica en horas punta.
Sopa de números: Sus monitores muestran miles de datos crudos sin jerarquía.
Reactividad: Se entera de los picos de consumo o de las fallas mecánicas cuando el daño (o el gasto) ya está hecho.
Fricción analítica: Pierde minutos vitales cruzando datos entre sistemas diferentes para encontrar la raíz de un problema.
Environment Mapping
Diseñar para este sector exige salir de la suposición del "usuario en un entorno tranquilo". Las decisiones de accesibilidad y contraste de VoltAI se fundamentaron en el siguiente entorno físico:
Carlos no monitorea datos complejos desde un móvil. Trabaja en una sala de control con múltiples monitores de 24 pulgadas, lo que permite un layout de alta densidad de información. El móvil se reserva estrictamente para notificaciones de emergencia Push.
Opera desde una oficina acristalada dentro de la misma planta de procesamiento. Expuesto a ruido de fondo constante (compresores, grúas), interrupciones por radio y presión directa de los supervisores de turno.
Carlos necesita captar el estado general de la planta por el "rabillo del ojo". Los colores no cumplen una función estética, sino normativa: el rojo vibrante se reserva exclusivamente para riesgos críticos e inminentes.
El entorno dicta la interfaz. El operador no está aislado; está sujeto a interrupciones constantes y ruido de fondo. Por esto, la interfaz debe soportar la "visión periférica", utilizando el color rojo exclusivamente para alertas críticas que atraviesen el ruido ambiental.
JTBD · Manejo de Crisis
Para alinear la interfaz con las necesidades reales de negocio, definí el "trabajo" principal que la plataforma debía resolver durante una crisis operativa. Este enfoque garantizó que cada componente en pantalla tuviera un propósito accionable.
Cuando…
La demanda eléctrica del packing está a punto de superar el límite contratado debido a una anomalía mecánica…
Quiero…
Identificar visualmente y al instante qué máquina está causando el pico, y entender el razonamiento detrás de la alerta de la Inteligencia Artificial…
Para poder…
Ejecutar un ajuste operativo con un solo clic, mitigando el riesgo financiero sin detener la línea principal de exportación.
Mitigando el Riesgo — Human-in-the-loop
El mayor desafío de interacción fue la confianza. Si el algoritmo de VoltAI recomendaba bajar la potencia del sistema de enfriamiento y la fruta se dañaba, la responsabilidad caía sobre el humano.
Inteligencia Artificial Explicable
Para resolver esto, diseñé la plataforma bajo el principio de Inteligencia Artificial Explicable (Explainable AI). La interfaz nunca da una orden a ciegas; siempre contextualiza la recomendación desplegando un gráfico predictivo de tiempo y dinero.
Esto transforma a la IA de una "caja negra" a un asistente consultivo, dejando a Carlos siempre como el decisor final (Human-in-the-loop).
User Flow
En el diseño de software para misiones críticas, mapear el escenario ideal (Happy Path) es solo la mitad del trabajo. Para validar la arquitectura y la estrategia de IA Explicable, tracé el flujo de mayor fricción y riesgo financiero para el packing: evitar una multa por sobreconsumo eléctrico en tiempo real, contemplando qué sucede si el factor humano falla.
La planta opera a máxima capacidad. Faltan dos horas para el cambio de turno, y el sistema detecta que el Compresor Neumático (CNP-04) en la línea de Embalaje presenta una anomalía, disparando el consumo general de la planta hacia el límite contratado.
Evento
El sensor de presión del CNP-04 registra una caída. El consumo general escala al 92%.
Respuesta UI
La barra superior cambia a estado ámbar. En el Gemelo Digital, el Área de Embalaje se ilumina en rojo con un borde grueso para capturar la visión periférica del operador. Se activa el panel lateral de IA y comienza un temporizador interno de 3 minutos.
Acción del Usuario
Carlos reacciona a la alerta visual y hace clic sobre el área roja.
Respuesta UI
El mapa hace un zoom-in fluido hacia el Área de Embalaje. El árbol de activos izquierdo se expande automáticamente, manteniendo el contexto. El sistema aísla visualmente el Compresor CNP-04.
Acción del Usuario
Carlos selecciona el compresor afectado.
Respuesta UI
Se despliega el gráfico predictivo (XAI). Muestra la curva histórica de kilovatios cruzando la zona de riesgo en los próximos 45 minutos. El panel traduce en lenguaje natural: "El compresor sobrecompensa una pérdida de presión. Riesgo de penalización inminente".
Propuesta de la IA
"Reducir potencia al 70% y redistribuir carga". Carlos comprueba en el gráfico que esto evita la multa sin detener la línea.
Respuesta UI
Siguiendo la Ley de Hick, se presenta un botón unificado y destacado: [Ejecutar Recomendación]. Carlos hace clic.
Respuesta UI
Un estado de carga (loading) confirma la comunicación con el hardware físico. El gráfico predictivo desciende a la zona segura, y los módulos del Gemelo Digital retornan al estado verde (Normal).
En un entorno industrial real, los usuarios se levantan al baño, ignoran las pantallas o necesitan tomar el control manual. El sistema no puede depender de una interacción perfecta. Para proteger el negocio, diseñé las siguientes ramificaciones lógicas:
El Fail-Safe Automático
Si la alerta roja no recibe clics en los primeros 3 minutos, el sistema escala un SMS de emergencia al Gerente de Planta. Si tras 2 minutos adicionales no hay intervención humana, VoltAI ejecuta un apagado preventivo seguro (Safe-Shutdown) del equipo, evitando el daño mecánico irreparable y la multa de la distribuidora.
Ajuste Manual
En lugar de forzar la automatización, el operador siempre tiene la última palabra (Human-in-the-loop). Si rechaza la recomendación de la IA, puede seleccionar "Ajuste Manual", desplegando un modal para calibrar los parámetros de presión bajo su propia responsabilidad.
Ignorar Alerta
Si el operador decide descartar la alerta, el sistema no permite simplemente "cerrar la ventana". Exige la selección de un motivo en un menú desplegable para generar un registro de auditoría (Audit Trail), silenciando la alarma visual por 1 hora.
Lo-Fi Wireframes
Con la arquitectura de datos definida, el siguiente paso fue estructurar la distribución espacial (Layout) antes de aplicar la capa visual. Se optó por un diseño de tres columnas para priorizar la navegación pasiva, el control espacial interactivo y la proactividad de la IA.
Panel lateral fijo con la jerarquía del Asset Tree. Permite al operador ubicarse dentro de la planta sin cambiar de vista, manteniendo el contexto espacial en todo momento.
Zona principal con la visualización del activo seleccionado, sus métricas en tiempo real y los controles de acción. Es el espacio de máxima densidad y foco cognitivo.
Feed lateral de tarjetas de acción predictivas generadas por el modelo de IA. El operador las revisa sin interrumpir su flujo principal, actuando solo cuando la confianza del modelo lo justifica.
Para este primer esqueleto visual, opté deliberadamente por un enfoque estructural de "baja fidelidad extrema" (similar a un esquema de terminal). En entornos industriales complejos, presentar wireframes tradicionales suele desviar la atención de los ingenieros y stakeholders hacia discusiones prematuras sobre estética o formas de botones. Este formato descarnado me obligó a enfocar el 100% de la validación técnica en lo verdaderamente crítico: la jerarquía de la información, el orden de lectura macro-a-micro y la densidad de los datos en pantalla.
Con la arquitectura de datos definida, el reto visual era claro: diseñar un centro de control que redujera la carga cognitiva del operador, permitiéndole trabajar en un entorno de alto estrés sin cometer errores.
Se optó por un sistema de diseño estructurado en Dark Mode Industrial. Esta no fue una decisión puramente estética, sino funcional: en salas de control, los fondos oscuros previenen la fatiga visual de los turnos largos, permitiendo que los colores semánticos (Verde para salud, Rojo para alertas) capturen instantáneamente la visión periférica del usuario.
Antes de visualizar el panel general, cada componente individual fue diseñado para asistir al operador y mitigar el riesgo operativo:
El Gemelo Digital
En plantas industriales enormes, saber exactamente dónde ocurre el problema es vital. El esquema arquitectónico mapea los nodos IoT en tiempo real y, ante una anomalía, entrega la telemetría dura (89.5 kWh y 3.8 Bar) directamente sobre la ubicación física del motor afectado.
El Árbol de Activos
Para evitar el ruido visual, el menú lateral reacciona al contexto. Ante una alerta, expande automáticamente la línea de producción afectada y resalta el equipo defectuoso, mientras que los componentes sanos pasan a un segundo plano visual.
El Gráfico Predictivo XAI
Para que un humano confíe en una recomendación automatizada, necesita entender el razonamiento de la máquina (Explainable AI). El gráfico proyecta el impacto a futuro: muestra cómo el consumo histórico se dispara y calcula que, si no se interviene, el límite del contrato se romperá en exactamente 14 minutos.
Panel de Acciones e Insights
Aplicando la Ley de Hick, bloqueamos otras interacciones bajo presión y ofrecemos una solución unificada. El diseño traduce la acción técnica a su impacto de negocio (ahorro de $12,500 USD). El botón de ejecución principal es inconfundible, asegurando una respuesta rápida y libre de errores.
Al ensamblar estos componentes, VoltAI entrega dos vistas maestras que dirigen la atención del usuario de manera dinámica, pasando del monitoreo pasivo a la gestión activa de crisis.
En condiciones operativas estables, la interfaz transmite tranquilidad. El árbol de activos se mantiene colapsado (en verde), y el panel central muestra el comportamiento energético de toda la planta. Mientras la curva de consumo general (400.2 kWh) fluya bajo la línea de penalización, el operador solo supervisa.
El sistema muta cuando se detecta la anomalía en el compresor. La vista global se abandona para hacer un zoom al problema, desplegando el panel lateral de Insights y guiando la visión del operador directamente hacia el botón de resolución para mitigar el riesgo financiero.
El diseño de VoltAI demuestra que, en entornos industriales B2B, la experiencia de usuario no se trata de estética, sino de eficiencia operativa y mitigación de riesgos. Al reducir el tiempo de diagnóstico de minutos a segundos y ofrecer acciones unificadas a través del panel de Insights, el diseño impacta directamente en la última línea del negocio (bottom line).
La interfaz asegura que el operador nunca ignore una alerta crítica por fatiga visual o confusión. Cada decisión de diseño — color semántico, jerarquía visual, botón unificado — existe para proteger el resultado operativo.
Al utilizar un mapeo espacial (Gemelo Digital) y lenguaje claro, los nuevos operadores pueden gestionar crisis sin depender de manuales técnicos extensos. El conocimiento está embebido en la interfaz.
VoltAI deja de ser solo un dashboard de telemetría para convertirse en un puente entre la complejidad del Machine Learning y la toma de decisiones humanas seguras.