ITENE, centro tecnológico del envase, aplica IA con FLEXIA

¿Qué es FLEXIA, el proyecto de ITENE con IA?

ITENE echó a andar en julio de 2026 un proyecto que se extenderá hasta diciembre de 2027: FLEXIA (referencia IMIDSA/2026/20), una iniciativa para que la inteligencia artificial anticipe cómo se comportará un envase flexible antes de que exista físicamente. El objetivo declarado es agilizar el desarrollo de nuevas estructuras de envase, reducir la necesidad de ensayos experimentales y minimizar las mermas de producción sin sacrificar la protección y conservación del alimento.

Para quien construye producto industrial o software para planta, la pregunta de fondo es por qué un centro tecnológico dedica 18 meses a esto. La respuesta está en un cuello de botella muy concreto: el envase flexible para alimentación debe cumplir a la vez con resistencia mecánica, capacidad barrera y sellabilidad, y hoy además con exigencias crecientes de sostenibilidad y reciclabilidad. Cada combinación nueva de materiales obliga a numerosos ciclos de ensayo y ajustes de fabricación, lo que encarece el desarrollo y retrasa la llegada al mercado.

FLEXIA cuenta con el apoyo de la Conselleria de Industria, Turismo, Innovación y Comercio de la Generalitat Valenciana a través del IVACE+i, y está financiado por la Unión Europea mediante el Programa FEDER Comunitat Valenciana 2021-2027, en el marco de la Plataforma de Tecnologías Estratégicas para Europa (STEP).

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

¿Cómo funciona el modelo predictivo de envases?

La mecánica del proyecto se apoya en dos líneas tecnológicas complementarias.

La primera es la predicción de propiedades funcionales. ITENE recopilará información sobre materiales, estructuras multicapa, ensayos de caracterización y parámetros de fabricación para entrenar algoritmos de Machine Learning. Con ese corpus, el centro busca modelos capaces de relacionar las características de los materiales con las prestaciones finales del envase: estimar el resultado antes de laminar, imprimir o extruir.

La segunda es la monitorización inteligente de procesos. Aquí no se predice el material, se vigila la fábrica: sensorización industrial para seguir variables críticas, identificar comportamientos anómalos y habilitar ajustes que reduzcan defectos y pérdida de material.

Todo desemboca en una plataforma digital de apoyo a la toma de decisiones, que se validará en entornos piloto e industriales. El usuario final que describe el proyecto no es el consumidor, sino los fabricantes y transformadores de envases flexibles para alimentación.

«Uno de los principales retos del sector es trasladar el conocimiento generado durante el desarrollo de los materiales a las condiciones reales de fabricación», explica Teresa Calvo, Jefa de Proyectos de ITENE. «Con FLEXIA queremos aprovechar los datos disponibles en la industria para conectar ambas etapas y facilitar decisiones más fundamentadas», añade.

Esa frase resume el problema real: el laboratorio sabe cosas que la línea de producción no puede usar todavía. Y el puente entre ambos mundos son los datos.

¿Por qué el envase flexible necesita IA ahora?

El contexto regulatorio explica buena parte de la urgencia. Según recogió Ecoticias en la feria EMPACK 2024, ITENE ya presentaba entonces soluciones de materiales reciclables, reutilizables y compostables orientadas a cumplir con el Reglamento Europeo de Envases y Residuos de Envases, una norma que redefine qué diseños de envase son aceptables. Cambiar de estructura por obligación normativa significa, en la práctica, multiplicar los ciclos de prueba.

FLEXIA tampoco es un caso aislado en la cartera del centro. Interempresas documentó que ITENE ejecuta ocho proyectos de I+D a lo largo de 2026 con el respaldo del IVACE+i y cofinanciación FEDER, entre ellos Efficient-IA-Pack, que integra inteligencia artificial y herramientas de Diseño Asistido por Ordenador para predecir el comportamiento de envases y embalajes antes de su fabricación. La diferencia de enfoque es sutil pero importante: Efficient-IA-Pack apunta a riesgos de transporte; FLEXIA apunta a las propiedades del material y a la monitorización de la línea.

Hay un detalle que importa a cualquier equipo que quiera replicar el modelo: el proyecto no promete un algoritmo, promete una capa de decisión. La plataforma se valida en entornos piloto e industriales, lo que implica que el entregable no es un paper sino algo que un jefe de planta tiene que poder usar.

¿Cuánto pesa la IA en el negocio del packaging?

Las cifras de mercado ayudan a dimensionar el interés. Según datos de Market.us recogidos por Puromarketing, el mercado global de diseño de packaging asistido por inteligencia artificial rozó los US$2.917 millones en 2024, con proyección de llegar a US$8.433 millones en 2034 y una tasa anual compuesta del 11,2%. La misma publicación cita a Fortune Business Insights, que sitúa la IA aplicada al packaging en general en US$2.520 millones en 2024 con una previsión de US$6.890 millones para 2032 (CAGR del 13,5%), y a Global Market Insights, que cifra el segmento de packaging inteligente en US$2.400 millones en 2024 con rumbo a US$6.200 millones en 2034.

Puromarketing también recoge ejemplos de impacto operativo: un ahorro de hasta el 40% en costes de prototipado según un estudio de McKinsey & Company, y el caso de Unilever, que reportó una reducción del 15% en el peso de sus envases al usar IA en el proceso de diseño.

Conviene leer esas cifras con cautela: son proyecciones de consultoras sobre mercados amplios, no resultados auditados de proyectos concretos. Pero marcan una dirección clara: el gasto se está moviendo desde el diseño visual hacia la predicción técnica y el control de calidad en línea.

¿Qué significa esto para tu startup?

El aprendizaje más útil de FLEXIA no es tecnológico, es de método. El proyecto dedica la primera fase a recopilar y estructurar datos (materiales, ensayos, parámetros) y solo después entrena modelos. Ese orden es el que suele fallar en las iniciativas de IA industrial.

Acciones concretas que puedes aplicar:

Audita el dato antes que el modelo. Si tu operación no registra sistemáticamente parámetros de proceso y resultados de ensayo, no hay Machine Learning posible. Antes de evaluar proveedores de IA, mide cuántas variables críticas registras y con qué frecuencia. Un dataset limpio de tres meses vale más que una licencia cara.
Elige una sola variable objetivo. FLEXIA trabaja propiedades funcionales y monitorización de proceso como dos líneas separadas. Tú deberías hacer lo mismo: escoge una métrica (por ejemplo, tasa de defectos en sellado o consumo de material por lote) y construye un piloto acotado a esa métrica, con fecha de cierre y criterio de éxito definido de antemano.
Diseña los ensayos pensando en el modelo. Cada prueba de laboratorio debería generar una fila etiquetada y comparable. Si el dato se queda en un PDF o en la libreta de planta, es invisible para cualquier algoritmo.
Si haces software industrial, ahí está el hueco. El proyecto identifica explícitamente el salto entre el conocimiento del laboratorio y las condiciones reales de fabricación. Una startup que resuelva la integración de datos de laboratorio y de planta, con trazabilidad y sin obligar al cliente a cambiar su sistema, ataca un dolor que la propia industria reconoce.
Mira la financiación pública de I+D aplicada. FLEXIA se sostiene con IVACE+i y fondos FEDER. Para proyectos de digitalización industrial con validación en planta, ese tipo de convocatoria reduce el riesgo de la fase piloto.

También conviene calibrar expectativas. Los modelos predictivos no eliminan los ensayos: reducen cuántos hacen falta. El mensaje del proyecto es explícito en eso, habla de reducir la necesidad de ensayos experimentales y minimizar mermas, no de sustituir la validación física.

Conclusión

FLEXIA es un proyecto de centro tecnológico con financiación pública, no un producto comercial listo para comprar. Su valor para el ecosistema emprendedor está en otra parte: valida que el problema del envase flexible es un problema de datos mal conectados antes que de modelos sofisticados. ITENE apuesta por entrenar Machine Learning con ensayos de caracterización y parámetros de fabricación, y por sensorizar la línea para detectar desviaciones en tiempo real.

La lección para un founder es directa: si tu negocio depende de procesos físicos, la ventaja competitiva de la IA no aparece en el modelo, aparece en el sistema de captura de datos que construyes antes de entrenarlo. Quien tenga ese registro ordenado podrá incorporar nuevas estructuras, materiales o condiciones de proceso con más confianza y menos ciclos perdidos. Quien no lo tenga seguirá probando a ciegas.