Michael Johnson¿Se puede confiar a la IA no solo un dibujo, sino un dispositivo completo, desde la carcasa y la placa de circuito impreso hasta el firmware? El 3 de noviembre de 2026, OpenAI describió un experimento en el que el modelo Astra, junto con GPT‑6, ayudó a diseñar un dispositivo para comunicarse con Codex. La principal conclusión para los ingenieros es que el papel más útil de la IA aquí consiste en conectar varias etapas del diseño y acelerar las iteraciones; pasar del modelo digital a la fabricación sigue requiriendo revisar los detalles constructivos y tecnológicos.
En el proyecto descrito, el sistema partió de requisitos funcionales. Después, Astra desarrolló el aspecto exterior, la carcasa y las estructuras internas, seleccionó componentes electrónicos, diseñó una placa de circuito impreso con la distribución de los elementos y sus conexiones, y preparó la interfaz, el firmware y las integraciones de software. Se trata ya de un flujo de trabajo conectado: un cambio en las dimensiones de la carcasa puede afectar a la disposición de la placa, mientras que los componentes y sus conexiones limitan las opciones de diseño.
Qué ha cambiado exactamente en el trabajo del modelo
Un generador de imágenes convencional responde a la pregunta «¿qué aspecto podría tener?». El escenario descrito por OpenAI plantea una conexión más estrecha entre distintas representaciones: los requisitos, la geometría mecánica, el circuito eléctrico y el software se consideran parte de una misma tarea. Para los ingenieros, lo importante es precisamente la transición entre ellas: por ejemplo, que la placa quepa físicamente en la carcasa y que los componentes seleccionados cumplan la función prevista del dispositivo.
OpenAI indicó que dos empleados crearon un dispositivo de prueba en menos de una semana como proyecto paralelo, y que un fabricante por contrato produjo un pequeño lote de prototipos en menos de un mes. Estos plazos corresponden a un experimento interno concreto y al prototipo descrito. Muestran la posibilidad de pasar rápidamente de una idea a una muestra física, pero por sí solos no ofrecen una estimación universal de la velocidad de diseño para otros dispositivos y equipos.
El ejemplo resulta útil porque la IA no participó únicamente en la preparación de un artefacto. Cuando el modelo ayuda a coordinar la carcasa, la placa y el software, los ingenieros pueden detectar antes las interdependencias que suelen salir a la luz al transferir resultados entre distintas herramientas y especialistas. Esta conexión es especialmente importante para equipos pequeños, donde una sola persona coordina varias disciplinas.
Por qué un diseño digital aún no está listo para fabricarse
Un modelo puede proponer un diseño que parezca coherente en pantalla, pero que no tenga en cuenta las limitaciones reales de fabricación. En este experimento, OpenAI señaló por separado que Astra tenía en cuenta de manera inconsistente las limitaciones del fabricante, las tolerancias y los detalles necesarios para el montaje. Por eso, preparar el dispositivo para su fabricación exigió varias rondas de revisión y ajustes.
La causa de esta brecha es práctica. El diseño digital define la forma y la posición relativa de las piezas; la fabricación añade condiciones específicas, como las desviaciones dimensionales admisibles, los métodos de mecanizado y los requisitos de montaje. Si la carcasa deja demasiado poco espacio o el diseño no tiene en cuenta cómo se instala una pieza, el archivo puede estar técnicamente completo, pero el producto será difícil o imposible de fabricar con el proceso previsto.
De ahí se desprende una división clara de responsabilidades: el modelo ayuda a preparar y coordinar opciones, mientras que los especialistas comprueban su compatibilidad con los equipos, los materiales y los procesos del fabricante. Para el equipo, esto significa que el resultado no debe evaluarse por lo atractiva que sea la imagen 3D, sino por la cantidad de revisiones y correcciones de ingeniería importantes que aún hagan falta antes de obtener una muestra funcional.
En qué ámbitos el uso ya parece concreto
Los equipos de hardware internos de OpenAI utilizan Codex y ChatGPT para crear y modificar modelos CAD, preparar planos de fabricación, configurar simulaciones y analizar diseños. La empresa informó de que, desde febrero, el uso de modelos en sus equipos de hardware, medido en tokens, se multiplicó por 23. Esta cifra refleja el consumo de modelos dentro de esos equipos, no una reducción de los plazos o costes de diseño.
En colaboración con Chip Ganassi Racing, el equipo estudia cómo pasar de escaneos tridimensionales de piezas existentes a modelos CAD editables y planos de fabricación. Este escenario es valioso cuando no se dispone de los archivos originales del diseño: el escaneo se convierte en material de partida para reconstruir la geometría, y los ingenieros del socio comprueban la precisión y la idoneidad de los planos para su fabricación.
En el trabajo conjunto con Mazda, los modelos se aplican al diseño de automóviles: se explora la forma del frontal, se simula el flujo de aire y se comparan opciones teniendo en cuenta las prestaciones, el diseño y el coste. OpenAI describe este trabajo como una colaboración de investigación y prevé comunicar los resultados más adelante. La utilidad del escenario está en explorar más opciones de forma y vincular más rápidamente las simulaciones aerodinámicas con las decisiones de diseño; los materiales publicados aún no aportan mediciones de mejoras en un vehículo terminado.
Cómo evaluar estos sistemas en un equipo de ingeniería
OpenAI menciona BenchCAD 2.0 como una de las evaluaciones de modelos en tareas que combinan programación y conocimientos de ingeniería. La prueba evalúa la reconstrucción de piezas y ensamblajes tridimensionales, así como el reconocimiento de conexiones en placas de circuito impreso. En esta evaluación, un nuevo modelo interno obtuvo una puntuación media de 0,875, frente a 0,594 de GPT‑6 Astra en el modo de razonamiento máximo.
Para elegir una solución práctica, este resultado es una señal útil de progreso en una clase concreta de tareas: crear geometría y reconocer conexiones. No mide el ciclo completo de desarrollo, que incluye la selección de materiales, las pruebas térmicas y mecánicas, la certificación y la verificación de la viabilidad de fabricación. Por eso, conviene que el equipo pruebe el modelo con sus propias tareas habituales y registre qué archivos de salida aceptan realmente las herramientas de ingeniería y cuáles todavía necesitan modificaciones manuales.
Un proyecto piloto práctico puede centrarse en una etapa repetitiva, como convertir escaneos de piezas en CAD, preparar planos o crear una configuración inicial de simulación. Para cada tarea, conviene definir de antemano los criterios de aceptación, asignar a un ingeniero la revisión de la geometría y las limitaciones, y registrar las correcciones necesarias antes de entregar los resultados al fabricante. Así, el equipo podrá ver dónde el modelo reduce el trabajo rutinario y dónde sus propuestas generan ciclos adicionales de revisión.
La clave está en el límite entre el diseño y la verificación
El proyecto de OpenAI muestra que la IA puede aplicarse a varias etapas conectadas del diseño físico, y no solo a texto, código o una imagen aislada. Su utilidad surge cuando el sistema ayuda a coordinar rápidamente requisitos y opciones entre la mecánica, la electrónica y el software. Pero la viabilidad de fabricación sigue siendo una tarea de ingeniería independiente, determinada por las tolerancias, el montaje y las capacidades de un proceso concreto.
Para quienes desarrollan productos de hardware, esto ofrece una pauta clara: conviene empezar la evaluación con una etapa acotada y verificable, y medir no el número de modelos generados, sino el volumen de correcciones manuales necesario antes de la aprobación de ingeniería. Este enfoque permite aprovechar la rapidez para generar opciones sin perder el control allí donde el diseño digital se convierte en un producto físico.
