Imagina un mundo donde las piezas metálicas complejas no se tallan a partir de bloques sólidos ni se funden en moldes, sino que se construyen capa por capa, como una impresora tridimensional que apila metal fundido. Esto es la fabricación aditiva, una tecnología que promete crear formas previamente imposibles de fabricar. Sin embargo, construir estas piezas es un delicado acto de equilibrio. Si una pared es demasiado delgada, podría colapsar; si una sección sobresale demasiado sin soporte, podría deformarse bajo el calor. Durante décadas, los ingenieros han tenido que verificar manualmente sus diseños contra una larga lista de reglas, ejecutar simulaciones para predecir cómo se comportará el metal y luego rediseñar la pieza si algo parece incorrecto. Es un proceso lento y repetitivo donde el juicio humano cierra la brecha entre los números brutos de una computadora y la realidad física de la planta de producción.

Ahora, un nuevo sistema llamado AgenticDfAM está cambiando la forma en que se realiza este trabajo. En lugar de simplemente verificar un diseño contra una lista estática de reglas, este sistema utiliza un equipo de agentes de software inteligentes que pueden razonar, medir e incluso reescribir las reglas que siguen. Estos agentes no solo miran una imagen de una pieza; interactúan con herramientas especializadas que miden la geometría con extrema precisión. Si un diseño falla una verificación, el sistema no solo señala un error; propone una solución, ejecuta una simulación para ver cómo ese arreglo afecta la resistencia y la temperatura de la pieza, y luego decide si el cambio vale la pena. Crucialmente, el sistema está diseñado para ser transparente. Cada decisión que toma está respaldada por una medición específica o un número calculado que un ingeniero humano puede inspeccionar y verificar.

Los investigadores detrás de este trabajo, liderados por David Guirguis, querían ver si podían automatizar todo este ciclo de diseño, evaluación y reparación sin perder los rigurosos estándares requeridos en la ingeniería. Construyeron un flujo de trabajo donde un modelo de lenguaje de gran tamaño actúa como un gerente, coordinando diferentes herramientas de software para manejar tareas específicas. Una herramienta reconoce las formas en un modelo digital, otra mide distancias y ángulos, y una tercera ejecuta simulaciones físicas complejas para predecir cómo se calentará y se enfriará el metal. El agente del modelo de lenguaje lee los resultados de estas herramientas, interpreta lo que significan y decide qué hacer a continuación. Si una pieza tiene una sección que es demasiado delgada, el agente podría sugerir engrosar la pared. Si eso hace que la pieza sea demasiado pesada, podría sugerir una forma diferente. El sistema mantiene un registro continuo de cada medición y cada regla aplicada, asegurando que el diseño final no sea solo una suposición, sino una solución basada en datos duros.

Para probar este sistema, los investigadores comenzaron con un modelo digital de un soporte metálico complejo. Lo introdujeron en el flujo de trabajo junto con un conjunto de directrices de fabricación para un tipo específico de aleación de níquel. El sistema comenzó inmediatamente su labor, descomponiendo el diseño en sus características geométricas y midiéndolas contra las reglas. Encontró varias violaciones, como paredes demasiado delgadas y voladizos demasiado empinados. El agente generó entonces tres formas diferentes de solucionar estos problemas. Una estrategia mantuvo la forma general de la pieza exactamente igual pero añadió material para fortalecer los puntos débiles. Otra estrategia eliminó algo de material para hacer la pieza más ligera. Un tercer enfoque intentó equilibrar ambas cosas. El sistema ejecutó simulaciones en cada una de estas nuevas versiones para ver cómo se comportarían durante el proceso de impresión real.

Los resultados mostraron que corregir simplemente los errores geométricos no era suficiente. La versión que añadió la mayor cantidad de material para reparar los puntos débiles terminó teniendo la menor cantidad de deformación cuando la pieza fue retirada de la impresora. Sin embargo, la versión que eliminó material para ahorrar peso se deformó más en ciertas direcciones, a pesar de que cumplía con todas las reglas geométricas básicas. Este hallazgo resalta una limitación clave de las herramientas de diseño tradicionales: a menudo ven un problema a la vez. AgenticDfAM, por el contrario, pudo ver las compensaciones. Mostró que fortalecer una pieza de una manera podía hacerla más débil de otra, y permitió al ingeniero ver estas consecuencias antes de que el metal fuera siquiera fundido.

El sistema también demostró ser capaz de manejar problemas que no estaban en su lista de reglas original. En un experimento, los investigadores pidieron al sistema que diseñara estructuras de soporte para una abrazadera. Estos soportes son andamios temporales que sostienen la pieza mientras se imprime. El sistema generó un diseño, pero cuando un revisor humano lo observó, notó algo extraño: los soportes estaban situados sobre la superficie de la pieza donde no deberían estar, en lugar de debajo de ella. En lugar de simplemente señalarlo como un error humano, el agente investigó. Preguntó al software que midiera la distancia entre el soporte y la superficie de la pieza y se dio cuenta de que el código utilizado para generar los soportes estaba cometiendo un error con las superficies curvas. El agente entonces reescribió el código para corregir el error, verificó el nuevo código en una superficie plana y una curva, y ejecutó todo el proceso nuevamente. Esta vez, los soportes se colocaron correctamente, y la cantidad de material de soporte desperdiciado disminuyó significativamente.

Quizás la demostración más impactante de la capacidad de adaptación del sistema ocurrió cuando se le pidió rediseñar una pieza para manejar el calor. La simulación mostró que el calor se estaba acumulando en un área específica del soporte, lo que podría debilitar el metal. El agente propuso una serie de cambios en la forma de la pieza para mejorar cómo fluía el calor a través de ella. Sugirió redondear las esquinas afiladas y rellenar los huecos estrechos. Tras ejecutar las simulaciones de nuevo, el sistema encontró que uno de estos cambios redujo la temperatura máxima en 160 grados Celsius. Esta fue una mejora masiva, pero tuvo un costo: la pieza se volvió ligeramente más pesada y se desplazó un poco más al retirar los soportes. El sistema presentó esta compensación claramente, mostrando que el ingeniero podía elegir entre una pieza más fría o una más ligera, con pleno conocimiento de las consecuencias.

A lo largo de estas pruebas, el sistema mantuvo una separación estricta entre el razonamiento y la medición. El agente de modelo de lenguaje podía sugerir un cambio, pero no podía inventar un número. Si necesitaba saber el grosor de una pared, tenía que pedir a una herramienta que lo midiera. Si necesitaba saber la temperatura, tenía que pedir a una simulación que la calculara. Esto aseguró que el sistema no pudiera alucinar hechos ni inventar datos para ajustar una historia. Cuando el sistema cometía un error, como el error inicial con los soportes de la abrazadera, era capaz de diagnosticar el problema, corregir el código subyacente, verificar la corrección y continuar. Esta capacidad de autocorregirse y adaptar los mismos procedimientos que utiliza para construir un diseño es lo que distingue a AgenticDfAM de otros intentos de automatización.

Los investigadores encontraron que el sistema podía navegar con éxito desafíos de diseño complejos que usualmente requieren un equipo de ingenieros y horas de trabajo manual. Podía identificar violaciones, proponer múltiples soluciones, simular sus resultados e incluso corregir el código que utiliza para generar esas soluciones. En el caso de la abrazadera, el sistema redujo el número de veces que tenía que volver a corregir el diseño del soporte de diez intentos a cinco. También logró reducir la cantidad de material de soporte desperdiciado en casi un 30 por ciento en una orientación. Estas mejoras no fueron solo de velocidad; se trataba de encontrar mejores soluciones que un humano podría haber pasado por alto por estar demasiado enfocado en una sola regla o en una sola restricción.

El trabajo demuestra que la inteligencia artificial puede ser un poderoso compañero en la ingeniería, no reemplazando al ingeniero, sino encargándose del trabajo pesado de medición y cálculo. El sistema actúa como un asistente incansable que nunca se cansa de verificar números o ejecutar simulaciones. Permite que el ingeniero humano se concentre en el panorama general: decidir qué compensaciones son aceptables y qué debe hacer la pieza final. Al mantener las mediciones y el razonamiento separados, el sistema asegura que cada decisión pueda rastrearse hasta una pieza específica de evidencia. Esta transparencia es crucial para industrias como la aeroespacial y la médica, donde un error puede tener consecuencias graves.

Al final, AgenticDfAM muestra un camino a seguir para cómo diseñamos las cosas que construimos. Va más allá de la idea de una computadora que simplemente verifica una lista de reglas y avanza hacia un sistema que puede entender el contexto de un diseño, predecir su comportamiento y adaptar sus propios métodos para resolver problemas. El sistema no afirma tener todas las respuestas, pero proporciona una forma de encontrarlas más rápido y con mayor confianza. Convierte el proceso de diseño en una conversación entre la intención humana y la precisión de la máquina, donde cada sugerencia está respaldada por un número, y cada número está abierto a la inspección. Esto no es solo una nueva herramienta para los ingenieros; es una nueva forma de pensar sobre cómo creamos los objetos complejos que conforman nuestro mundo moderno.