Michael JohnsonÉ possível confiar à IA não apenas um desenho, mas um dispositivo inteiro — da carcaça e da placa de circuito impresso ao firmware? Em 3 de novembro de 2026, a OpenAI descreveu um experimento no qual o modelo Astra, junto com o GPT‑6, ajudou a projetar um dispositivo para interagir com o Codex. A principal conclusão para os engenheiros é que o papel útil da IA, nesse contexto, consiste em conectar várias etapas do projeto e acelerar as iterações; passar do modelo digital à produção do produto acabado ainda exige verificar detalhes construtivos e tecnológicos.
No projeto descrito, o sistema começou com os requisitos funcionais. Em seguida, Astra desenvolveu a aparência, a carcaça e as estruturas internas, selecionou componentes eletrônicos, projetou a placa de circuito impresso com seus componentes e conexões e preparou a interface, o firmware e as integrações de software. Trata-se de um fluxo de trabalho integrado: uma mudança nas dimensões da carcaça pode afetar o posicionamento da placa, enquanto os componentes e suas conexões limitam as opções de projeto.
O que mudou exatamente no trabalho do modelo
Um gerador de imagens comum responde à pergunta «como isso poderia parecer». O cenário descrito pela OpenAI propõe uma ligação mais estreita entre diferentes representações: requisitos, geometria mecânica, circuito elétrico e software são considerados dentro de uma mesma tarefa. Para o engenheiro, o importante é justamente a transição entre essas partes — por exemplo, garantir que a placa caiba fisicamente na carcaça e que os componentes selecionados atendam à função prevista para o dispositivo.
A OpenAI informou que dois funcionários criaram um dispositivo de teste em menos de uma semana, como projeto paralelo, e que um fabricante contratado produziu um pequeno lote de protótipos em menos de um mês. Esses prazos se referem ao experimento interno específico e ao protótipo descrito. Eles mostram que é possível passar rapidamente da ideia a uma amostra física, mas, por si só, não fornecem uma estimativa universal da velocidade de projeto para outros dispositivos e equipes.
O exemplo é útil porque a IA não participou apenas da criação de um artefato isolado. Quando o modelo ajuda a compatibilizar a carcaça, a placa e o software, o engenheiro pode identificar mais cedo interdependências que normalmente só aparecem quando os resultados passam entre diferentes ferramentas e especialistas. Essa integração é especialmente importante para equipes pequenas, nas quais uma pessoa coordena várias disciplinas.
Por que um projeto digital ainda não está pronto para ser fabricado
Um modelo pode propor uma estrutura que parece coerente na tela, mas não leva em conta as restrições reais de fabricação. Nesse experimento, a OpenAI observou especificamente que Astra considerou de forma inconsistente as limitações do fabricante, as tolerâncias e os detalhes necessários para a montagem. Por isso, preparar o dispositivo para a produção exigiu várias rodadas de verificação e ajustes.
A origem dessa lacuna é prática. O projeto digital define a forma e a posição relativa das peças; a fabricação acrescenta condições específicas — desvios dimensionais permitidos, métodos de processamento e requisitos de montagem. Se a carcaça deixar pouco espaço ou a estrutura não levar em conta como uma peça será instalada, o arquivo pode estar tecnicamente completo, mas o produto será difícil ou impossível de fabricar pelo processo previsto.
Daí decorre uma divisão de responsabilidades: o modelo ajuda a preparar e compatibilizar opções, enquanto os especialistas verificam se elas são compatíveis com os equipamentos, materiais e métodos do fabricante. Para a equipe, isso significa avaliar o resultado não pela aparência atraente do modelo 3D, mas pela quantidade de verificações e ajustes de engenharia ainda necessários antes de produzir uma amostra funcional.
Onde a aplicação já parece concreta
As equipes internas de hardware da OpenAI usam Codex e ChatGPT para criar e modificar modelos CAD, preparar desenhos de fabricação, configurar simulações e analisar estruturas. A empresa informou que, desde fevereiro, o uso de modelos nas equipes de hardware, medido em tokens, aumentou 23 vezes. Esse indicador reflete o consumo de modelos por essas equipes, não a redução dos prazos ou dos custos de projeto.
Em colaboração com a Chip Ganassi Racing, a equipe está estudando como passar de digitalizações tridimensionais de peças existentes a modelos CAD editáveis e desenhos de fabricação. Esse cenário é valioso quando os arquivos originais do projeto não estão disponíveis: a digitalização serve como material de partida para reconstruir a geometria, enquanto os engenheiros do parceiro verificam a precisão e a adequação dos desenhos à fabricação.
Na colaboração com a Mazda, os modelos são aplicados ao projeto de automóveis: a equipe estuda o formato da dianteira, simula o fluxo de ar e compara opções considerando desempenho, design e custo. A OpenAI descreve o trabalho como uma colaboração de pesquisa cujos resultados pretende comunicar mais adiante. O objetivo é explorar mais opções de formato e conectar mais rapidamente a simulação aerodinâmica às decisões construtivas; os materiais publicados ainda não apresentam medições de melhorias em um carro finalizado.
Como avaliar esses sistemas em uma equipe de engenharia
A OpenAI apresenta o BenchCAD 2.0 como uma das avaliações de modelos em tarefas que combinam programação e conhecimentos de engenharia. O teste avalia a reconstrução de peças e conjuntos tridimensionais, bem como o reconhecimento de conexões em placas de circuito impresso. Nessa avaliação, um novo modelo interno obteve uma pontuação média de 0,875, enquanto o GPT‑6 Astra, no modo de raciocínio máximo, alcançou 0,594.
Para uma escolha prática, esse resultado é útil como sinal de progresso em uma classe específica de tarefas: construir geometrias e reconhecer conexões. Ele não mede todo o ciclo de desenvolvimento, que inclui seleção de materiais, testes térmicos e mecânicos, certificação e validação da capacidade de fabricação. Por isso, convém que a equipe teste o modelo em tarefas típicas próprias e registre quais arquivos de saída são realmente aceitos pelas ferramentas de engenharia e quais ainda precisam de retrabalho manual.
Um projeto-piloto prático pode se concentrar em uma etapa recorrente, como converter digitalizações de peças em CAD, preparar desenhos ou criar a configuração inicial de uma simulação. Para cada tarefa, é preciso definir previamente os critérios de aceitação, designar um engenheiro para verificar a geometria e as restrições e registrar os ajustes necessários antes de encaminhar o trabalho ao fabricante. Assim, a equipe poderá identificar onde o modelo reduz o trabalho rotineiro e onde suas propostas geram ciclos adicionais de verificação.
A principal questão está na fronteira entre o projeto e a verificação
O projeto da OpenAI mostra que é possível aplicar IA a etapas interligadas do projeto físico, e não apenas a textos, códigos ou imagens isoladas. O benefício surge quando o sistema ajuda a compatibilizar rapidamente requisitos e opções de mecânica, eletrônica e software. Mas a viabilidade de fabricação continua sendo uma tarefa de engenharia à parte, determinada pelas tolerâncias, pela montagem e pelos recursos de cada processo específico.
Para quem desenvolve produtos de hardware, isso oferece uma orientação clara: começar a avaliação por uma etapa limitada e verificável, medindo não o número de modelos criados, mas o volume de correções manuais necessárias antes da aprovação de engenharia. Essa abordagem permite aproveitar a rapidez na geração de opções e manter o controle no ponto em que o projeto digital se transforma em produto físico.
