Michael JohnsonKun je AI niet alleen een afzonderlijke tekening toevertrouwen, maar een compleet apparaat — van behuizing en printplaat tot firmware? Op 3 november 2026 beschreef OpenAI een experiment waarin het model Astra samen met GPT‑6 hielp een apparaat te ontwerpen om met Codex te communiceren. De belangrijkste les voor ingenieurs: de nuttige rol van AI is hier om verschillende ontwerpfasen met elkaar te verbinden en iteraties te versnellen; de stap van digitaal model naar productie vereist nog steeds controle van constructieve en technologische details.
In het beschreven project begon het systeem met functionele eisen. Vervolgens ontwierp Astra het uiterlijk, de behuizing en de interne constructies, selecteerde elektronische componenten, ontwierp een printplaat met componentplaatsing en verbindingen en maakte de interface, firmware en software-integraties. Dit is een samenhangende workflow: een wijziging in de afmetingen van de behuizing kan invloed hebben op de plaatsing van de printplaat, terwijl de componenten en hun verbindingen de constructiemogelijkheden beperken.
Wat er precies veranderde aan het werk van het model
Een gewone beeldgenerator beantwoordt de vraag: ‘hoe zou dit eruit kunnen zien?’ Het door OpenAI beschreven scenario beoogt een nauwere koppeling tussen verschillende representaties: eisen, mechanische geometrie, elektrisch schema en software worden als onderdelen van één taak behandeld. Voor een ingenieur is juist de overgang ertussen belangrijk — bijvoorbeeld om ervoor te zorgen dat de printplaat fysiek in de behuizing past en dat de gekozen componenten geschikt zijn voor de beoogde functie van het apparaat.
OpenAI meldde dat twee medewerkers in minder dan een week als zijproject een testapparaat maakten en dat een contractfabrikant binnen minder dan een maand een kleine serie prototypes produceerde. Deze doorlooptijden gelden voor dit specifieke interne experiment en het beschreven prototype. Ze laten zien dat het mogelijk is snel van idee naar fysiek exemplaar te gaan, maar vormen op zichzelf geen algemene maatstaf voor de ontwerpsnelheid van andere apparaten of teams.
Het voorbeeld is interessant omdat AI niet alleen hielp bij het maken van één afzonderlijk resultaat. Wanneer een model helpt de behuizing, printplaat en software op elkaar af te stemmen, kan een ingenieur afhankelijkheden eerder zien — afhankelijkheden die doorgaans pas aan het licht komen wanneer resultaten tussen verschillende tools en specialisten worden overgedragen. Die samenhang is vooral belangrijk voor kleine teams, waarin één persoon meerdere disciplines coördineert.
Waarom een digitaal ontwerp nog niet klaar is voor productie
Een model kan een ontwerp voorstellen dat op het scherm samenhangend lijkt, maar geen rekening houdt met de werkelijke productiebeperkingen. In dit experiment gaf OpenAI expliciet aan dat Astra niet consequent rekening hield met beperkingen van de fabrikant, toleranties en details die nodig zijn voor de assemblage. Daarom waren meerdere controlerondes en aanpassingen nodig om het apparaat productieklaar te maken.
De oorzaak van deze kloof is praktisch. Een digitaal ontwerp bepaalt de vorm en de onderlinge plaatsing van onderdelen; productie brengt specifieke voorwaarden met zich mee, zoals toegestane maatafwijkingen, bewerkingsmethoden en assemblage-eisen. Als de behuizing te weinig ruimte laat of het ontwerp geen rekening houdt met de manier waarop een onderdeel wordt gemonteerd, kan het bestand technisch compleet zijn, terwijl het product moeilijk of onmogelijk te maken is met het beoogde productieproces.
Daaruit volgt een praktische verdeling van verantwoordelijkheden: het model helpt opties voor te bereiden en op elkaar af te stemmen, terwijl specialisten controleren of ze passen bij de machines, materialen en productietechniek van de fabrikant. Voor een team betekent dit dat het resultaat niet beoordeeld moet worden op de aantrekkelijkheid van het 3D-model, maar op het aantal wezenlijke technische controles en aanpassingen dat nog nodig is voordat een werkend prototype kan worden gemaakt.
Waar toepassingen al concreet worden
De hardwareteams van OpenAI gebruiken Codex en ChatGPT voor het maken en aanpassen van CAD-modellen, het voorbereiden van productietekeningen, het instellen van simulaties en het analyseren van constructies. Het bedrijf meldde dat het gebruik van modellen in hardwareteams, gemeten in tokens, sinds februari 23 keer zo groot is geworden. Deze indicator weerspiegelt het modelgebruik binnen die teams, niet een verkorting van de ontwerpduur of lagere ontwerpkosten.
In samenwerking met Chip Ganassi Racing onderzoekt het team hoe 3D-scans van bestaande onderdelen kunnen worden omgezet in bewerkbare CAD-modellen en productietekeningen. Dit scenario is waardevol wanneer de oorspronkelijke ontwerpbestanden ontbreken: de scan vormt het uitgangspunt voor het reconstrueren van de geometrie, waarna de ingenieurs van de partner de nauwkeurigheid en maakbaarheid van de tekeningen controleren.
In het gezamenlijke werk met Mazda worden modellen toegepast op auto-ontwerp: het team onderzoekt de vorm van de voorkant, modelleert de luchtstroom en vergelijkt varianten op basis van prestaties, ontwerp en kosten. OpenAI beschrijft dit als een onderzoeksproject en zegt de resultaten later te willen bekendmaken. Het doel is meer vormvarianten te onderzoeken en aerodynamische simulaties sneller te verbinden met constructieve keuzes; de gepubliceerde informatie bevat vooralsnog geen metingen van verbeteringen aan een uiteindelijke auto.
Hoe je zulke systemen in een technisch team beoordeelt
OpenAI noemt BenchCAD 2.0 als een van de tests voor modellen op taken die programmeren en technische kennis combineren. De test beoordeelt de reconstructie van 3D-onderdelen en assemblages, evenals de herkenning van verbindingen op printplaten. Bij deze evaluatie behaalde een nieuw intern model gemiddeld 0,875, terwijl GPT‑6 Astra in de modus voor maximaal redeneren 0,594 scoorde.
Voor praktische keuzes is dit resultaat een nuttige aanwijzing voor vooruitgang bij een specifieke categorie taken: geometrie opbouwen en verbindingen herkennen. Het meet niet de volledige ontwikkelcyclus, met onder meer materiaalkeuze, thermische en mechanische tests, certificering en bevestiging van de maakbaarheid. Daarom doet een team er verstandig aan het model op eigen representatieve taken te testen en vast te leggen welke uitvoerbestanden daadwerkelijk door technische tools worden geaccepteerd en welke nog handmatig moeten worden bewerkt.
Een praktische pilot kan worden opgezet rond één terugkerende stap, bijvoorbeeld het omzetten van onderdeelscans naar CAD, het voorbereiden van tekeningen of het maken van een eerste simulatieconfiguratie. Bepaal vooraf acceptatiecriteria, wijs een ingenieur aan die de geometrie en beperkingen controleert en registreer welke aanpassingen nodig zijn voordat het resultaat naar de fabrikant gaat. Zo ziet het team waar het model routinematig werk uit handen neemt en waar de voorstellen extra controlerondes veroorzaken.
De belangrijkste grens ligt tussen ontwerpen en controleren
Het project van OpenAI laat zien dat AI kan worden ingezet voor samenhangende fasen van fysiek ontwerp, en niet alleen voor tekst, code of een afzonderlijke afbeelding. De waarde ontstaat wanneer het systeem helpt eisen en opties tussen mechanica, elektronica en software snel op elkaar af te stemmen. Maar productiegeschiktheid blijft een afzonderlijke technische taak: die wordt bepaald door toleranties, assemblage en de mogelijkheden van een specifiek proces.
Voor ontwikkelaars van hardwareproducten biedt dit een duidelijk uitgangspunt: begin de evaluatie met een beperkte, controleerbare stap en meet niet hoeveel modellen er zijn gemaakt, maar hoeveel handmatige aanpassingen nodig zijn voordat een ingenieur het resultaat goedkeurt. Zo kan het team profiteren van de snelheid waarmee varianten worden gegenereerd, terwijl de controle behouden blijft op het punt waar een digitaal ontwerp een fysiek product wordt.
