Curso de ventas de Visión Artificial para Automatización Industrial

Entre visión basada en reglas y deep learning, entre cámara inteligente y sistema basado en PC, entre 2D y 3D, tu equipo domina la tecnología de sobra. Este módulo lo convierte en un consultor que vende el impacto de esa tecnología en el negocio del cliente, no la ficha del componente.

• Traducir FPY, tasa de falso rechazo y costo de la no calidad (COPQ) al idioma que entiende el comité de compra.
• Convertir «detecta defectos con precisión submilimétrica» en «menos piezas defectuosas llegan al cliente final».
• Justificar el retorno de inversión de un sistema de visión completo frente a «es solo una cámara».
• Posicionar la ingeniería de aplicación —óptica, iluminación, calibración— como la inversión real, no un extra.
• Diagnosticar el proceso de inspección del cliente antes de proponer cámara, óptica o software.
• Identificar cuándo el dolor es de calidad (FPY/COPQ) y cuándo es de guiado de robot o de trazabilidad.

Un proyecto de visión artificial pasa por diagnóstico de línea, prueba de concepto con piezas reales del cliente, especificación de iluminación e integración con PLC o robot, instalación y validación en planta.

• Definir las etapas reales de un proyecto de visión: diagnóstico, prueba de concepto, especificación, instalación y validación en producción.
• Comprender cómo compra un Director de Calidad frente a cómo compra un integrador de robótica.
• Determinar qué tasa de falso rechazo debe quedar validada antes de avanzar de etapa.
• Detectar el riesgo comercial propio del sector: una prueba en laboratorio con luz controlada que no representa la planta.
• Definir quién valida internamente cada entrega —Calidad, Producción, Automatización.
• Documentar el proceso comercial de visión artificial como un mapa repetible.

Automotriz, alimentación y bebidas, farmacéutica, electrónica, logística: cada sector compra visión artificial por un motivo distinto, y la prospección tiene que saberlo antes de marcar el primer número.

• Priorizar los sectores donde la inspección 100% en línea resuelve un dolor real: automotriz, alimentación, farmacéutica, electrónica, logística.
• Definir el tipo de cliente que más te conviene: líneas de alto volumen donde el muestreo estadístico ya no alcanza.
• Identificar cargos objetivo: Director/Responsable de Calidad, Ingeniería de Producción, Ingeniería de Automatización, Compras, CIO.
• Detectar detonadores de compra: reclamación de cliente por defecto no detectado, línea nueva, auditoría de un cliente exigente.
• Construir la cadena de problemas: muestreo insuficiente → defecto que llega al cliente → reclamación → costo de la no calidad.
• Diseñar criterios de segmentación y lead scoring propios de proyectos de visión artificial.

Una primera instalación de visión en una línea casi nunca se queda ahí: es la puerta a inspeccionar el resto de la planta, guiar un robot o trazar el lote completo.

• Identificar cuentas donde una primera instalación de visión puede escalar a varias líneas de la planta.
• Detectar oportunidades de ampliar de inspección de calidad a guiado de robot (bin picking) o a trazabilidad y lectura de código.
• Elaborar planes de cuenta que conecten cada aplicación con su propio KPI: FPY, tasa de falso rechazo, tiempo de ciclo.
• Priorizar cuentas por potencial real de escalar el sistema de visión a toda la planta.
• Convertirte en proveedor estratégico de calidad, no en proveedor puntual de una cámara.

La prospección de visión artificial no funciona igual con Calidad que con Automatización: cada cargo necesita un mensaje distinto y una prueba distinta.

• Implantar un proceso de prospección Account-Based Marketing (ABM) específico de sistemas de visión, trabajando sobre cuentas y cargos concretos.
• Diseñar mensajes distintos para el Director de Calidad (FPY, COPQ) y para Ingeniería de Automatización (integración con PLC/robot, protocolos).
• Combinar email, llamada telefónica, contenido técnico y LinkedIn en una secuencia coordinada.
• Identificar decisores e influenciadores dentro del comité: Calidad, Producción, Automatización, Compras, CIO.
• Adaptar la cadencia de contacto según la respuesta del prospecto.

Cada objeción típica de este sector —«es solo una cámara», «en la demo funcionaba perfecto»— tiene una apertura de llamada que la anticipa antes de que aparezca.

• Diseñar aperturas de llamada específicas para visión artificial que capten interés en los primeros segundos.
• Formular preguntas de alto impacto sobre el defecto que hoy se le escapa al cliente y su costo.
• Anticipar la objeción «es solo una cámara, cómprela más barata» desde la propia llamada.
• Detectar si el dolor real es de calidad, de guiado de robot o de trazabilidad, antes de agendar la visita.
• Cerrar la llamada con un siguiente paso concreto: diagnóstico de planta o prueba de concepto.

El diagnóstico consultivo cubre 5 dimensiones —hechos, causas, consecuencias, objetivos y opiniones—, todas adaptadas a un proyecto de visión artificial.

• Formular preguntas de hechos sobre el proceso de inspección actual: muestreo, operarios, turnos, tasa de rechazo.
• Formular preguntas de causas sobre por qué se escapa el defecto: iluminación, ángulo, variabilidad del producto.
• Cuantificar el impacto económico (consecuencias): costo de la no calidad, falso rechazo que para la línea, reclamaciones del cliente final.
• Formular preguntas de opinión: qué opina el cliente de su propio sistema de inspección hoy, dónde le duele de verdad.
• Construir la visión de solución —reglas, deep learning, 2D o 3D— a partir del diagnóstico, no antes.
• Gestionar la objeción «en la demo funcionaba perfecto» durante la propia entrevista, antes de que aparezca en planta.

Las licitaciones de sistemas de visión se deciden muchas veces por una matriz de comparación de tasa de falso rechazo y de falso positivo de aceptación entre proveedores.

• Analizar el RFQ de un proyecto de visión artificial y decidir cuándo participar.
• Influir en las especificaciones antes de que se cierren, cuando todavía se puede hablar de FPY y no solo de cámara.
• Elaborar propuestas que se diferencian por tasa de falso rechazo y costo de la no calidad, no por precio de componente.
• Detectar riesgos de la licitación: pruebas de concepto exigidas sin compromiso, o normativa de trazabilidad del sector.
• Defender el valor de la ingeniería de aplicación frente a Compras dentro del propio proceso de licitación.

Cuando el cliente ya tiene instalada una cámara de otra marca —Keyence, Cognex, Omron—, la venta no se gana comparando especificaciones técnicas: se gana encontrando dónde le sigue fallando.

• Detectar las debilidades del sistema de visión instalado: tasa de falso rechazo alta, soporte lento, sin ingeniería de aplicación en planta.
• Identificar costos ocultos del proveedor actual: paradas por falso rechazo, reclamaciones que siguen llegando.
• Reconfigurar los criterios de compra del cliente de «cámara» a «resultado de inspección».
• Diseñar una prueba piloto que reduzca el riesgo percibido de cambiar de proveedor.
• Gestionar la objeción «ya tenemos un proveedor de visión» preguntando por qué lo eligieron, no discutiendo la marca.

El cierre de un proyecto de visión artificial se defiende con FPY, COPQ y periodo de retorno, no bajando el precio de la cámara.

• Preparar la negociación defendiendo la ingeniería de aplicación completa, no el componente suelto.
• Justificar el ROI y el TCO del sistema de visión frente a la objeción del precio.
• Gestionar concesiones sin regalar la ingeniería de aplicación a cambio de cerrar.
• Detectar señales de compra durante la validación en planta.
• Elaborar planes de avance y cerrar con un siguiente paso acordado con el Director de Calidad.
• Proteger el margen del proyecto completo frente al competidor que solo vende la cámara.