Cómo usar IA en el desarrollo de producto físico con criterio

Qué cambia (y qué no) cuando metes IA en el diseño de producto físico

La IA no reemplaza al equipo de producto. Cambia el coste de pensar. Tareas que antes exigían días de recopilación, comparación y redacción pasan a resolverse en minutos, lo que libera tiempo para lo que de verdad importa: decidir. El riesgo es confundir esa velocidad con acierto.

Lo que la IA hace bien

• Recuperar y sintetizar contexto disperso. Normas, fichas de proveedores, benchmarks de competencia, requisitos de usuario: información que suele estar repartida en correos, PDFs y cabezas distintas.

• Generar y comparar alternativas. Plantear varias vías de concepto, materiales o arquitecturas de producto y contrastarlas contra unos criterios definidos.

• Estimaciones de primer orden. Órdenes de magnitud de coste, complejidad de fabricación o riesgo, útiles para descartar caminos inviables antes de invertir en ellos.

• Estructurar y documentar. Convertir una conversación desordenada en un dossier trazable de decisiones, hipótesis y supuestos.

Lo que la IA no puede hacer (todavía)

• No ensaya ni valida físicamente. Un modelo de lenguaje no sabe si una pieza resiste una carga determinada; sabe qué se ha escrito sobre piezas parecidas. Eso no es un ensayo, es una referencia.

• No conoce tu realidad de fabricación. Tus tolerancias reales, la capacidad concreta de tu proveedor o el estado de tu utillaje no están en su entrenamiento.

• No asume responsabilidad. La decisión —y sus consecuencias— siguen siendo del equipo.

• Puede equivocarse con total seguridad. Un modelo genera respuestas plausibles, no necesariamente ciertas. Sin datos que lo aterricen, rellena huecos con lo que "suena bien".

El error más común: tratar la IA como un oráculo

El fallo que más se repite es pedirle algo a un modelo genérico, copiar la respuesta y darla por buena. Sin contexto, un modelo de lenguaje responde desde su conocimiento interno —lo que aprendió durante el entrenamiento—, que es promedio, genérico y puede estar desactualizado. El resultado es un texto correcto en apariencia y anodino en la práctica: sirve para cualquiera, y por tanto no sirve para nadie en concreto.

La alternativa no es dejar de usar IA. Es darle el contexto adecuado para que razone sobre tu problema, no sobre el promedio de internet.

RAG: por qué el contexto lo cambia todo

La técnica que hace esto posible se llama RAG (Retrieval-Augmented Generation, o generación aumentada por recuperación). Fue introducida por Patrick Lewis y su equipo en un trabajo de 2020 en Meta AI, presentado en la conferencia NeurIPS. La idea es combinar dos tipos de memoria: la del propio modelo (lo que aprendió al entrenarse) y una fuente externa de datos que se consulta en el momento de responder. En lugar de contestar solo desde su memoria, el sistema recupera primero la información relevante de esa fuente y genera la respuesta a partir de ella.

Llevado al desarrollo de producto, esto significa alimentar al sistema con tus especificaciones, tus benchmarks, tus restricciones de fabricación y tus datos de mercado, para que trabaje sobre el proyecto concreto y no sobre generalidades. Es la diferencia entre un asistente que ha leído tu expediente y otro que improvisa.

El momento donde la IA rinde más: la fase pre-CAD

Si la IA acelera decisiones, conviene aplicarla donde las decisiones pesan más. Y en producto físico, ese punto está al principio.

Es un principio consolidado en ingeniería de costes que entre el 70% y el 80% del coste total de un producto queda determinado durante la fase de diseño, mucho antes de fabricar la primera unidad. Herramientas y consultoras de design-to-cost como DFMA o aPriori lo sostienen desde hace décadas. La consecuencia es dura: una vez congelado el diseño, geometría, materiales, procesos y proveedores quedan fijados, y cambiarlos sale caro. Diversos estudios sobre coste de cambios de ingeniería estiman que una modificación en fase tardía puede costar entre 5 y 100 veces más que la misma decisión tomada al principio.

Por eso el mayor retorno de aplicar IA no está en optimizar un CAD ya avanzado, sino en la fase pre-CAD: cuando todavía se está decidiendo qué construir y si merece la pena. Ahí, cruzar rápido mercado, usuario, coste y fabricabilidad —con datos reales— es lo que evita invertir meses en un concepto que nunca debió pasar de la pizarra.

Cinco criterios para usar IA en producto físico sin equivocarte

1. Dale contexto real, no genérico

Antes de pedir nada, entrega el contexto: qué producto, para quién, con qué restricciones de coste y fabricación, contra qué compites. Un modelo sin contexto responde con lugares comunes. Con contexto, responde sobre tu caso.

2. Separa dato, hipótesis, benchmark, estimación y riesgo

No todo lo que produce un modelo tiene el mismo valor. Un dato verificado no es lo mismo que una hipótesis razonable, ni una estimación de coste es una cotización. Etiquetar cada afirmación por lo que es —dato, hipótesis, benchmark, estimación, riesgo— evita que una suposición se cuele en el proyecto disfrazada de certeza.

3. Cruza criterios: mercado, usuario, coste y fabricación

Una buena decisión de producto rara vez depende de una sola variable. Un concepto puede encantar al usuario y ser inviable de fabricar, o barato de producir y sin demanda. El valor de la IA aquí es sostener las cuatro dimensiones a la vez y señalar dónde chocan, en lugar de optimizar una sola y romper las demás.

4. Exige trazabilidad

Una decisión que no puedes reconstruir no es defendible ante tu equipo, tu inversor o tu cliente. El NIST AI RMF (marco de gestión de riesgos de IA del NIST estadounidense), publicado en enero de 2023, organiza el uso responsable de IA en cuatro funciones —gobernar, mapear, medir y gestionar— y define la IA fiable a partir de propiedades como validez, seguridad, responsabilidad, transparencia y explicabilidad. Traducido a producto: guarda de dónde salió cada afirmación, con qué datos y bajo qué supuesto. La trazabilidad no es burocracia; es lo que te permite cambiar de opinión con fundamento cuando aparecen datos nuevos.

5. La IA propone; tú decides

El criterio final es también el primero. La IA amplía las opciones y las ordena; no firma la decisión. El equipo que confunde "el modelo lo dijo" con "está validado" no está usando IA con criterio: está delegando su juicio en algo que no puede asumirlo.

Cómo encaja esto en Nodal

Nodal se construyó precisamente sobre esta idea: usar IA para validar el concepto en la fase pre-CAD, antes de invertir en prototipos o utillaje, cruzando datos de mercado, criterio industrial y fabricabilidad, y manteniendo la trazabilidad de cada decisión. No sustituye a la ingeniería ni a los ensayos: reduce el riesgo de llegar hasta ellos con el concepto equivocado. Es la diferencia entre validar el concepto y descubrir el problema cuando ya cuesta 100 veces más resolverlo.

Preguntas frecuentes

¿Puede la IA diseñar un producto físico por sí sola? No. La IA explora conceptos, compara alternativas y estima costes y riesgos, pero no ensaya, no valida físicamente ni asume la responsabilidad de la decisión. Es un copiloto, no un sustituto del equipo de producto.

¿Qué datos necesita la IA para ser útil en desarrollo de producto? Contexto real del proyecto: especificaciones, restricciones de coste y fabricación, requisitos de usuario y benchmarks de competencia. Cuanto más concreto es el contexto, más útil y menos genérica es la respuesta. Es la lógica de RAG.

¿En qué fase conviene aplicar IA en el desarrollo de producto? Sobre todo en la fase pre-CAD, cuando aún se decide qué construir y si merece la pena. Es donde queda fijada la mayor parte del coste del producto y, por tanto, donde una buena decisión tiene más impacto.

¿Es fiable usar IA en decisiones de ingeniería? Lo es si se usa con trazabilidad y criterio: separando dato de hipótesis, cruzando varias dimensiones y guardando de dónde sale cada conclusión. Marcos como el NIST AI RMF ofrecen una base para hacerlo de forma responsable.

Referencias

• Lewis, P. et al. (2020). Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks. Meta AI (Facebook AI Research), NeurIPS.

• NIST (2023). AI Risk Management Framework (AI RMF 1.0). National Institute of Standards and Technology.

• Boothroyd Dewhurst (DFMA) y aPriori: literatura de design-to-cost sobre el bloqueo de coste en fase de diseño (70–80%).

• Estudios sobre coste de cambios de ingeniería: las modificaciones en fase tardía pueden ser entre 5 y 100 veces más costosas que las tempranas.