Michael JohnsonKan KI få i oppgave å lage en hel enhet – fra kabinett og kretskort til fastvare – i stedet for bare én tegning? 3. november 2026 beskrev OpenAI et eksperiment der modellen Astra, sammen med GPT‑6, bidro til å utforme en enhet for kommunikasjon med Codex. Den viktigste lærdommen for ingeniører er at KI kan være nyttig ved å koble sammen flere trinn i utformingen og gjøre iterasjonene raskere. Overgangen fra digital modell til produksjonsklart produkt krever fortsatt kontroll av konstruksjons- og produksjonsdetaljer.
I prosjektbeskrivelsen startet systemet med funksjonskrav. Deretter utformet Astra det ytre designet, kabinettet og de innvendige konstruksjonene, valgte elektroniske komponenter, tegnet kretskortet med plassering og forbindelser og utarbeidet grensesnitt, fastvare og programvareintegrasjoner. Dette er en sammenhengende arbeidsflyt: Endringer i kabinettets mål kan påvirke plasseringen av kortet, mens komponentene og forbindelsene deres begrenser konstruksjonsalternativene.
Hva som faktisk har endret seg i modellens arbeid
En vanlig bildegenerator svarer på spørsmålet «hvordan kan dette se ut?». Bruksscenarioet OpenAI beskriver, legger opp til en tettere kobling mellom ulike representasjoner: Krav, mekanisk geometri, elektrisk krets og programvare behandles som deler av samme oppgave. For ingeniøren er det nettopp overgangen mellom dem som er viktig – for eksempel at kretskortet får fysisk plass i kabinettet, og at komponentene som velges, passer til enhetens tiltenkte funksjon.
OpenAI opplyste at to ansatte laget en testenhet på under en uke som et sideprosjekt, og at en kontraktsprodusent laget en liten serie prototyper på under en måned. Tidsangivelsene gjelder dette konkrete interne eksperimentet og den beskrevne prototypen. De viser at det er mulig å gå raskt fra idé til fysisk prøveeksemplar, men gir ikke i seg selv et generelt mål på hvor raskt andre enheter eller team kan gjennomføre utformingen.
Eksemplet er interessant fordi KI bidro til mer enn å lage ett enkelt resultat. Når modellen hjelper med å samordne kabinett, kretskort og programvare, kan ingeniøren oppdage avhengigheter tidligere – avhengigheter som ellers gjerne blir synlige når resultater overføres mellom ulike verktøy og fagpersoner. En slik sammenheng er særlig viktig for små team, der én person koordinerer flere fagområder.
Hvorfor det digitale designet ikke er produksjonsklart ennå
Modellen kan foreslå en konstruksjon som ser sammenhengende ut på skjermen, men som ikke tar hensyn til de faktiske produksjonsbegrensningene. OpenAI påpekte særskilt at Astra tok ujevnt hensyn til produsentens begrensninger, toleranser og monteringsdetaljer. Derfor krevde klargjøringen av enheten for produksjon flere runder med kontroll og justeringer.
Årsaken til dette gapet er praktisk. Den digitale konstruksjonen fastsetter formen og delenes plassering i forhold til hverandre, mens produksjonen innfører konkrete betingelser – tillatte avvik i mål, bearbeidingsmetoder og monteringskrav. Hvis kabinettet gir for liten plass, eller konstruksjonen ikke tar høyde for hvordan en del skal monteres, kan filen være teknisk komplett, men produktet likevel være vanskelig eller umulig å lage med den aktuelle prosessen.
Dette peker mot en praktisk ansvarsfordeling: Modellen hjelper til med å utarbeide og samordne alternativer, mens fagfolk kontrollerer at de passer med produsentens utstyr, materialer og produksjonsmetoder. Teamet bør derfor ikke vurdere resultatet ut fra hvor tiltalende 3D-modellen ser ut, men ut fra hvor mange viktige ingeniørkontroller og justeringer som gjenstår før en fungerende prøve kan produseres.
Hvor bruksområdene allerede er konkrete
OpenAIs interne maskinvareteam bruker Codex og ChatGPT til å lage og endre CAD-modeller, utarbeide produksjonstegninger, sette opp simuleringer og analysere konstruksjoner. Selskapet opplyste at bruken av modeller i maskinvareteamene, målt i tokener, økte 23 ganger siden februar. Dette målet sier noe om teamenes interne modellbruk, ikke om redusert tid eller lavere kostnader for konstruksjonsarbeidet.
I samarbeidet med Chip Ganassi Racing undersøker teamet hvordan tredimensjonale skanninger av eksisterende deler kan gjøres om til redigerbare CAD-modeller og produksjonstegninger. Dette er nyttig når de opprinnelige konstruksjonsfilene mangler: Skanningen blir utgangspunkt for å rekonstruere geometrien, mens partnerens ingeniører kontrollerer tegningenes nøyaktighet og egnethet for produksjon.
I samarbeidet med Mazda brukes modellene i bilutvikling: Teamene undersøker frontens form, modellerer luftstrømmen og sammenligner alternativer ut fra egenskaper, design og kostnader. OpenAI beskriver dette som et forskningssamarbeid og planlegger å rapportere om resultatene senere. Målet med bruken er å undersøke flere formvarianter og raskere koble aerodynamiske simuleringer til konstruksjonsvalg. Det publiserte materialet inneholder foreløpig ingen målinger av forbedringer i den ferdige bilen.
Slik kan ingeniørteam vurdere systemene
OpenAI viser til BenchCAD 2.0 som én av testene av modeller på oppgaver som kombinerer programmering og ingeniørkunnskap. Testen vurderer rekonstruksjon av tredimensjonale deler og sammenstillinger, samt gjenkjenning av forbindelser på kretskort. I denne evalueringen fikk en ny intern modell en gjennomsnittlig poengsum på 0,875, mens GPT‑6 Astra med maksimal resonnering fikk 0,594.
For praktiske valg er dette et nyttig signal om framgang innenfor en bestemt oppgaveklasse: å bygge geometri og gjenkjenne forbindelser. Testen måler ikke hele utviklingsløpet, som også omfatter materialvalg, termiske og mekaniske tester, sertifisering og bekreftelse av at produktet kan produseres. Team bør derfor prøve modellen på egne, representative oppgaver og registrere hvilke utdatafiler ingeniørverktøyene godtar, og hvilke som fortsatt krever manuell bearbeiding.
Et praktisk pilotprosjekt kan ta utgangspunkt i ett gjentakende trinn, for eksempel å konvertere skanninger av en del til CAD, lage tegninger eller sette opp en innledende simulering. Fastsett godkjenningskriterier på forhånd, utpek en ingeniør som kontrollerer geometrien og begrensningene, og registrer hvilke endringer som kreves før materialet sendes til produsenten. Slik kan teamet se hvor modellen reduserer rutinearbeidet, og hvor forslagene dens skaper flere kontrollrunder.
Det avgjørende skillet går mellom utforming og kontroll
OpenAIs prosjekt viser at KI kan brukes gjennom sammenkoblede trinn i fysisk produktutvikling, ikke bare til tekst, kode eller enkeltbilder. Nytten oppstår når systemet bidrar til raskt å samordne krav og alternativer innen mekanikk, elektronikk og programvare. Men om et produkt faktisk kan produseres, er fortsatt et eget ingeniørspørsmål som avgjøres av toleranser, montering og mulighetene i den aktuelle produksjonsprosessen.
For utviklere av maskinvareprodukter gir dette en tydelig rettesnor: Start med et avgrenset trinn som kan kontrolleres, og mål ikke antallet modeller som er laget, men mengden manuelle rettelser som trengs før ingeniørgodkjenning. Da kan teamet dra nytte av raskere generering av alternativer og samtidig beholde kontrollen der et digitalt design blir til et fysisk produkt.
