Intelligent Product Conceptual Design: A Comparative Review of Paradigms, Challenges, and Future Trends

Resumo Técnico: Design Conceitual de Produtos Inteligentes (IPCD): Uma Revisão Comparativa de Paradigmas, Desafios e Tendências Futuras

Definição do Problema
O Design Conceitual de Produtos Inteligentes (IPCD) está transitando de sistemas de raciocínio simbólico para arquiteturas de IA baseadas em dados, generativas e híbridas. No entanto, o campo carece de uma compreensão coerente de como esses paradigmas redistribuem o conhecimento de design, o raciocínio, a automação e a agência humana. A literatura existente está fragmentada, focando frequentemente em paradigmas ou aplicações específicas, e carece de um framework comparativo unificado. Além disso, os avanços rápidos em aprendizado profundo e IA generativa desde 2018 tornaram revisões anteriores incompletas. Existe uma lacuna crítica no uso limitado de comparações diretas com o designer humano (menos de 6% dos estudos) e na ausência de protocolos de benchmarking padronizados, o que limita a generalização dos ganhos de desempenho relatados e enfraquece as comparações entre paradigmas.

Metodologia
Este estudo emprega uma revisão sistemática da literatura seguindo um protocolo informado pela PRISMA.

• Corpus: A revisão analisou 247 estudos revisados por pares publicados entre 1990 e 2026 (com análise de tendência quantitativa baseada no subconjunto 2018–2025).
• Seleção: Os artigos foram obtidos via Web of Science, Scopus e Google Scholar. Os critérios de inclusão exigiram foco explícito em design conceitual (não design detalhado), uso de inteligência computacional e idioma inglês. Os critérios de exclusão removeram artigos puramente teóricos, foco em design detalhado e estudos não empíricos.
• Framework de Análise: Um framework comparativo de cinco dimensões foi desenvolvido para avaliar os paradigmas através de:
  1. Representação do Conhecimento: Como o conhecimento de design é estruturado (ex: regras, casos, embeddings).
  2. Mecanismo de Raciocínio: O processo computacional para geração de soluções (ex: encadeamento de regras, recuperação, inferência neural).
  3. Nível de Automação: A extensão da intervenção humana necessária.
  4. Escalabilidade: Capacidade de gerenciar complexidade crescente e volume de dados.
  5. Interação Humano–Designer: Transparência, explicabilidade e controlabilidade.
• Confiabilidade: Dois revisores independentes classificaram os artigos em paradigmas (Sistemas Baseados em Conhecimento, Raciocínio Baseado em Casos, Evolutivo/Generativo, ML/DL, Híbrido), alcançando uma confiabilidade inter-avaliador substancial (Cohen's $\kappa$ = 0,87). Uma escala de avaliação de qualidade de 3 itens foi aplicada a todos os artigos.

Principais Contribuições

1. Framework Comparativo Unificado: O artigo introduz um framework analítico de cinco dimensões que evita o viés de métrica única, permitindo a comparação explícita de como a agência é distribuída entre designers humanos e sistemas computacionais através das camadas epistêmica, computacional e sociotécnica.
2. Argumento de Redistribuição de Paradigma: A revisão argumenta que a evolução do IPCD não é uma progressão linear em direção à automação total ou à substituição de paradigmas anteriores. Em vez disso, representa uma redistribuição progressiva da inteligência de design entre raciocínio simbólico, conhecimento experiencial, otimização, aprendizado estatístico e interação colaborativa humano–IA.
3. Identificação de Trade-offs Estruturais: O estudo identifica cinco tensões estruturais inerentes à análise entre paradigmas, destacando que nenhum paradigma é universalmente superior; o desempenho depende da interação entre disponibilidade de dados, necessidades de interpretabilidade e complexidade do design.
4. Agenda de Pesquisa: Uma agenda priorizada é proposta, enfatizando datasets abertos de Função–Comportamento–Estrutura (FBS), métodos generativos explicáveis, benchmarking humano–IA padronizado e integração em fluxos de trabalho industriais.

Principais Resultados e Descobertas

• Mudança de Paradigma: Há uma mudança estatisticamente significativa no campo. As abordagens de Machine Learning/Deep Learning (ML/DL) subiram de ~15% do corpus em 2018 para dominar até 2025, enquanto os Sistemas Baseados em Conhecimento (KBS) e o Raciocínio Baseado em Casos (CBR) declinaram de 45% para 18%. Sistemas híbridos expandiram de 8% para 34%.
• Características dos Paradigmas:
  • KBS: Oferece raciocínio explícito e interpretável, mas sofre com gargalos de aquisição de conhecimento e baixa escalabilidade.
  • CBR: Eficaz para problemas mal estruturados usando conhecimento experiencial, mas tem dificuldade com conhecimento de adaptação e escalabilidade em bases de casos de alta dimensionalidade.
  • Evolutivo/Generativo: Destaca-se na exploração de grandes espaços de design não convexos, mas é computacionalmente caro e carece de garantias de otimalidade global.
  • ML/DL: Proporciona alta escalabilidade e capacidade generativa, mas carece de explicabilidade confiável e garantias de viabilidade física (o problema da "alucinação").
• Sistemas Híbridos: Embora as arquiteturas híbridas sejam cada vez mais proeminentes e mostrem ganhos de desempenho relatados, a revisão encontra evidências insuficientes para estabelecer sua superioridade geral sobre baselines de paradigma único bem projetados. Menos da metade dos estudos híbridos relatou comparações estatísticas contra baselines não híbridos, e nenhum atendeu aos critérios de teste estatístico e replicação independente.
• Lacuna de Comparação Humana: Apenas 5,7% dos estudos revisados incluíram comparações com baselines de designers humanos. As evidências sugerem que sistemas ML/DL podem igualar designers juniores em diversidade de conceitos, mas frequentemente subperformam especialistas experientes em avaliação de viabilidade. Sistemas baseados em LLM geram conceitos estruturalmente diversos, mas frequentemente produzem soluções fisicamente inviáveis.
• Reprodutibilidade e Integração: Menos de 12% dos estudos forneceram código executável ou datasets completos. A integração com sistemas comerciais de CAD/PLM permanece limitada (apenas 6,4% das descrições de sistemas reportaram integração), dificultando a adoção industrial prática.
• Sustentabilidade e Ética: A literatura mostra uma ausência quase completa de considerações de sustentabilidade (apenas 2 de 247 artigos mencionaram impacto ambiental) e carece de frameworks regulatórios padronizados.

Significância e Alegações
O artigo afirma que o campo está se movendo em direção à inteligência de design distribuída, onde o julgamento humano, o conhecimento simbólico, a busca generativa e o raciocínio fisicamente fundamentado desempenham papéis complementares em vez de competitivos. A significância deste trabalho reside em:

• Organizar Evidências Fragmentadas: Sintetiza três décadas de pesquisa em um framework comparativo que suporta a construção de teorias futuras e o desenvolvimento de benchmarks.
• Definir o "Estado da Arte": Esclarece que o estado da arte atual não é um método dominante único, mas um cenário de ferramentas especializadas, com abordagens híbridas mostrando promessa, mas exigindo validação rigorosa.
• Abordar o Vazio de Benchmarking: Ao documentar a falta de benchmarks humano–IA padronizados, o artigo propõe um protocolo mínimo de benchmarking (envolvendo problemas de design padrão e métricas para novidade, viabilidade e preferência) para permitir um progresso justo e baseado em evidências.
• Guiar Pesquisas Futuras: Prioriza a criação de datasets abertos e de larga escala anotados com FBS como a condição habilitadora mais crítica para o campo, argumentando que, sem eles, modelos de fundação específicos para design e benchmarks padronizados permanecerão aspiracionais.

O autor conclui que o futuro do IPCD não será determinado apenas por algoritmos cada vez mais autônomos, mas pela integração eficaz da criatividade humana, do conhecimento simbólico e da inteligência computacional dentro de ecossistemas de design colaborativos.