Michael JohnsonKan man låta AI ta fram en hel produkt i stället för en enstaka ritning – från hölje och kretskort till inbyggd programvara? Den 3 november 2026 beskrev OpenAI ett experiment där modellen Astra, tillsammans med GPT‑6, hjälpte till att utforma en enhet för kommunikation med Codex. Den viktigaste lärdomen för ingenjörer är att AI kan bidra genom att koppla samman flera konstruktionssteg och snabba på iterationerna. Att gå från en digital modell till en produktionsfärdig lösning kräver fortfarande kontroll av konstruktions- och tillverkningsdetaljer.
I det beskrivna projektet började systemet med funktionella krav. Därefter tog Astra fram utseendet, höljet och de inre konstruktionerna, valde elektroniska komponenter, utformade kretskortet med komponentplacering och anslutningar samt förberedde gränssnitt, inbyggd programvara och programvaruintegrationer. Det här är ett sammanhängande arbetsflöde: en ändring av höljets mått kan påverka kortets placering, samtidigt som komponenterna och deras anslutningar begränsar konstruktionsalternativen.
Vad som faktiskt förändrats i modellens arbete
En vanlig bildgenerator svarar på frågan ”hur skulle det här kunna se ut?”. Det scenario som OpenAI beskriver syftar till att knyta samman flera slags representationer tätare: krav, mekanisk geometri, elektriskt kopplingsschema och programvara hanteras inom ramen för samma uppgift. För ingenjören är det just övergången mellan dessa delar som är viktig – till exempel att kretskortet faktiskt får plats i höljet och att de valda komponenterna motsvarar enhetens tänkta funktion.
OpenAI uppgav att två medarbetare skapade en testenhet på mindre än en vecka som ett sidoprojekt och att en kontraktstillverkare tillverkade en liten serie prototyper på mindre än en månad. Tidsramarna gäller det specifika interna experimentet och den prototyp som beskrivs. De visar att det går att ta sig snabbt från idé till fysiskt exemplar, men ger i sig ingen generell uppskattning av hur lång tid det tar att konstruera andra produkter eller arbeta i andra team.
Exemplet är intressant eftersom AI medverkade i mer än framtagningen av en enskild artefakt. När modellen hjälper till att samordna hölje, kretskort och programvara kan ingenjören tidigare upptäcka beroenden som annars ofta blir tydliga först när resultaten lämnas över mellan olika verktyg och specialister. En sådan samordning är särskilt viktig för små team där en person koordinerar flera teknikområden.
Varför en digital konstruktion ännu inte är produktionsklar
En modell kan föreslå en konstruktion som ser sammanhängande ut på skärmen men som inte tar hänsyn till verkliga tillverkningsbegränsningar. I experimentet uppgav OpenAI särskilt att Astra inte konsekvent beaktade tillverkarens begränsningar, toleranser och monteringsdetaljer. Därför krävdes flera omgångar av granskning och bearbetning för att förbereda enheten för tillverkning.
Skillnaden har en praktisk förklaring. Den digitala konstruktionen anger formen och delarnas inbördes placering; tillverkningen medför konkreta villkor – tillåtna måttavvikelser, bearbetningsmetoder och monteringskrav. Om höljet lämnar för lite utrymme eller konstruktionen inte tar hänsyn till hur en komponent ska monteras kan filen vara tekniskt utformad, men produkten ändå bli svår eller omöjlig att tillverka med den angivna processen.
Det leder till en praktisk ansvarsfördelning: modellen hjälper till att ta fram och samordna alternativ, medan specialister kontrollerar att de passar med utrustning, material och tillverkarens process. För teamet innebär det att resultatet inte bör bedömas utifrån hur tilltalande 3D-modellen är, utan utifrån hur många viktiga ingenjörskontroller och ändringar som återstår innan en fungerande prototyp kan tas fram.
Var användningen redan är konkret
OpenAI:s interna hårdvaruteam använder Codex och ChatGPT för att skapa och ändra CAD-modeller, ta fram tillverkningsritningar, konfigurera simuleringar och analysera konstruktioner. Företaget uppgav att användningen av modeller i hårdvaruteamen, mätt i token, ökade 23 gånger sedan februari. Måttet speglar modellförbrukningen inom dessa team, inte någon minskning av konstruktionsarbetets tid eller kostnad.
I samarbetet med Chip Ganassi Racing undersöker teamet hur 3D-skanningar av befintliga delar kan omvandlas till redigerbara CAD-modeller och tillverkningsritningar. Det är värdefullt när de ursprungliga konstruktionsfilerna saknas: skanningen blir underlag för att återskapa geometrin, och partnerns ingenjörer kontrollerar att ritningarna är korrekta och går att tillverka.
I samarbetet med Mazda används modeller för fordonskonstruktion: teamet undersöker frontens form, simulerar luftflöde och jämför alternativ utifrån egenskaper, design och kostnad. OpenAI beskriver detta som ett forskningssamarbete vars resultat företaget planerar att rapportera senare. Syftet är att undersöka fler formvarianter och snabbare koppla samman aerodynamiska simuleringar med konstruktionsbeslut. Det publicerade materialet innehåller ännu inga mätningar av förbättringar hos en färdig bil.
Så bedömer ingenjörsteam sådana system
OpenAI lyfter fram BenchCAD 2.0 som ett av testen av modeller på uppgifter som kombinerar programmering och ingenjörskunskap. Testet bedömer rekonstruktion av tredimensionella delar och sammanställningar, samt identifiering av anslutningar på kretskort. I denna utvärdering fick en ny intern modell ett genomsnittligt resultat på 0,875, medan GPT‑6 Astra i läget för maximalt resonemang fick 0,594.
För ett praktiskt val är resultatet en användbar indikation på framsteg inom en specifik uppgiftsklass: att skapa geometri och identifiera samband. Det mäter inte hela utvecklingscykeln, som omfattar materialval, termiska och mekaniska tester, certifiering och verifiering av tillverkningsbarhet. Team bör därför testa modellen på sina egna typuppgifter och dokumentera vilka utdatafiler ingenjörsverktygen faktiskt kan ta emot och vilka som fortfarande måste bearbetas manuellt.
Ett praktiskt pilotprojekt kan fokusera på ett återkommande steg, till exempel att omvandla skanningar av en del till CAD, ta fram ritningar eller skapa en första konfiguration av en simulering. Bestäm acceptanskriterier för varje uppgift i förväg, utse en ingenjör som granskar geometri och begränsningar och dokumentera vilka korrigeringar som krävs innan materialet lämnas till tillverkaren. Då kan teamet se var modellen minskar rutinarbetet och var dess förslag i stället skapar fler kontrollomgångar.
Den avgörande gränsen går mellan konstruktion och granskning
OpenAI:s projekt visar att AI kan användas i sammanhängande steg av fysisk produktutveckling, inte bara för text, kod eller enstaka bilder. Nyttan uppstår när systemet hjälper till att snabbt samordna krav och alternativ inom mekanik, elektronik och programvara. Men tillverkningsbarhet är fortfarande en separat ingenjörsuppgift, som avgörs av toleranser, montering och den specifika processens möjligheter.
För utvecklare av hårdvaruprodukter ger det en tydlig riktlinje: börja utvärderingen med ett avgränsat, verifierbart steg och mät inte antalet skapade modeller, utan omfattningen av de manuella ändringar som krävs före ingenjörsgodkännande. På så sätt går det att dra nytta av snabbare framtagning av alternativ och samtidigt behålla kontrollen där den digitala konstruktionen blir en fysisk produkt.
