Inteligencia artificial en el diseño mecánico: dónde ayuda hoy y dónde no

Qué entendemos por IA en una oficina técnica

Bajo la etiqueta de inteligencia artificial conviven herramientas muy distintas. Algunas son algoritmos de optimización con décadas de recorrido; otras, modelos de aprendizaje automático entrenados con datos (redes que aprenden a predecir un resultado a partir de ejemplos); y las más recientes, los modelos de lenguaje, que generan y resumen texto. Ninguna diseña sola una pieza fiable, pero cada una acelera una parte concreta del trabajo. El gráfico las sitúa en el flujo habitual: requisitos, concepto, detalle, cálculo, fabricación y verificación.

Diseño generativo y optimización topológica

La optimización topológica parte de un volumen de diseño, unas cargas, unos apoyos y un objetivo, por ejemplo la máxima rigidez con un porcentaje de material, y reparte el material donde trabaja. Sus bases se publicaron a finales de los años ochenta (Bendsøe y Kikuchi, 1988) y los principales programas de CAD y de cálculo la incluyen hoy. El diseño generativo añade a esa idea la generación de muchas variantes que cumplen las mismas condiciones, para que el ingeniero compare.

Lo que no hace es tan importante como lo que hace. Solo optimiza para los casos de carga que se le dan: si falta una carga de izado, una vibración o un golpe de transporte, la pieza no lo sabrá. El resultado suele ser una malla de formas orgánicas que hay que reinterpretar como geometría fabricable. Por eso hay que imponer restricciones de fabricación: espesor mínimo, simetría, dirección de mecanizado o de desmoldeo, perfiles extruidos y, en fabricación aditiva de metal, ángulos de voladizo que suelen limitarse a unos 45° respecto a la plataforma, según proceso y material. Cada restricción añade algo de masa, pero sin ellas el resultado no sale del ordenador.

Asistentes de CAD, documentación y requisitos

Muchas horas de oficina técnica se van en trabajo poco creativo: acotar planos, mantener listas de materiales, generar configuraciones de una misma familia de piezas o buscar si ya existe un soporte parecido en otro proyecto. Ahí los asistentes integrados y las automatizaciones dan resultados tangibles: proponen vistas y cotas, rellenan cajetines, detectan piezas duplicadas por similitud geométrica y mantienen coherentes las variantes. El ingeniero revisa, pero parte de un borrador. Las tolerancias y ajustes, en cambio, dependen de la función y del montaje, y siguen siendo decisión suya.

Con texto ocurre algo parecido. Un modelo de lenguaje redacta en minutos un primer borrador de especificación, una matriz de cumplimiento de requisitos, un manual a partir de datos estructurados o el resumen de un pliego largo. También ayuda a detectar requisitos contradictorios o ambiguos antes de una revisión PDR. El riesgo son las alucinaciones: respuestas bien redactadas que inventan el código de una norma, cambian su edición o citan un valor que no existe. La regla práctica es sencilla: toda norma, cifra o cláusula se comprueba en el documento original.

Modelos sustitutos para acelerar el cálculo

Un modelo sustituto (en inglés, surrogate) es una función aprendida que imita la respuesta de un cálculo por elementos finitos o de fluidos (FEM o CFD). Se entrena con decenas o cientos de cálculos completos y después responde en milisegundos, con aceleraciones publicadas de decenas a miles de veces según el caso. Sirve para barrer variantes de espesores, nervios o caudales y decidir qué casos merecen un cálculo FEM completo.

Su límite es claro: interpola bien y extrapola mal. Fuera del rango de los datos de entrenamiento puede dar valores verosímiles y falsos sin avisar, y no sustituye al cálculo de comprobación del diseño final ni al ensayo del prototipo.

Fabricación, búsqueda de normas y control de calidad

La revisión de fabricabilidad (DFM, diseño para fabricación) compara el modelo con las reglas del taller: radios de plegado, distancia de taladros a la línea de pliegue, accesos de herramienta o soldaduras inaccesibles. Muchas de esas comprobaciones son reglas fijas y no aprendizaje automático, pero ahorran vueltas entre oficina y taller, sobre todo en diseño de chapa. Los buscadores semánticos, que buscan por significado y no por palabra exacta, ayudan además a localizar piezas comerciales, normas o proyectos anteriores parecidos.

En verificación, la visión artificial con redes neuronales detecta defectos superficiales, piezas que faltan o etiquetas mal colocadas. Necesita cientos o miles de imágenes etiquetadas, incluidas las de defectos, que son precisamente las escasas. Funciona como primer filtro; la medición dimensional sigue haciéndose con instrumentos calibrados.

Riesgos y límites: quién responde

• Responsabilidad. La firma del plano y del cálculo es del ingeniero, no de la herramienta. Un resultado de IA se trata como el borrador de un colaborador: se revisa entero.
• Verificación. Cálculo de comprobación con hipótesis documentadas y ensayo sobre prototipo, como en cualquier diseño. El paso del prototipo a la serie no cambia por usar IA.
• Confidencialidad y propiedad intelectual. Los datos de clientes de defensa y espacio no se suben a servicios en la nube sin control: además de los acuerdos de confidencialidad, puede haber información clasificada o tecnología sujeta a control de exportación, como la de doble uso del Reglamento (UE) 2021/821. Las opciones son herramientas instaladas en local, contratos que excluyan el uso de los datos para entrenar y una política interna escrita. También conviene revisar quién es titular de lo que genera la herramienta.
• Certificación. En sectores regulados, el sistema de calidad exige revisión, verificación y validación del diseño (apartado 8.3 de ISO 9001:2015 y de EN 9100:2018). Una herramienta de IA no exime de esos pasos; para organizar su uso existe además la norma ISO/IEC 42001:2023 de sistemas de gestión de la IA.

Una idea práctica

La IA rinde más donde el criterio ya está claro y el trabajo es repetitivo o de exploración: generar variantes, documentar, buscar, filtrar. Rinde menos, y es más peligrosa, donde hay que decidir con información incompleta. Conviene empezar por una tarea acotada, medir lo que ahorra y no tocar el circuito de revisión. La IA acelera; el criterio y la validación siguen siendo del ingeniero.