El diseño de hardware con IA es el uso de modelos de inteligencia artificial para definir los requisitos funcionales de un dispositivo, diseñar su carcasa y su placa de circuito impreso, seleccionar componentes y generar el firmware que lo controla. En noviembre de 2026, OpenAI mostró que dos de sus modelos, GPT-6 y Astra, pudieron completar ese diseño de un dispositivo electrónico en menos de siete días, aunque la fabricación real siguió exigiendo varias rondas de ajuste por parte de ingenieros humanos.
La demostración importa porque reúne en un solo proceso disciplinas que normalmente viven en equipos distintos: diseño industrial, ingeniería mecánica, electrónica y programación. En una empresa mediana, esas cuatro especialidades suelen significar cuatro personas, tres proveedores y varias semanas de ida y vuelta antes de tener algo que se pueda sostener en la mano.
El proyecto, conocido como TamaGPT, nació como una iniciativa paralela de dos integrantes del equipo de investigación de OpenAI. La idea era comprobar si los modelos podían desarrollar un producto electrónico completo sin que los humanos modificaran directamente los diseños generados durante el proceso. GPT-6 estableció los requisitos funcionales; Astra asumió la mayor carga técnica. El resultado fue un dispositivo de bolsillo con una mascota en pantalla y un botón de pulsar para hablar, capaz de comunicarse con Codex, el agente de programación de la compañía.
Vale la pena mirar este caso con calma, porque la parte interesante no es el gadget. Es lo que revela sobre dónde está hoy la frontera entre lo que un modelo puede hacer solo y lo que todavía necesita una persona con criterio.
¿Qué diseñó exactamente el modelo y qué quedó en manos humanas?
Según la descripción oficial del proyecto recogida por Gizmodo en Español, Astra diseñó la apariencia externa del aparato, las estructuras interiores que sostienen los componentes y la disposición de las conexiones eléctricas. También seleccionó las piezas, organizó la placa de circuito impreso y generó el firmware, es decir, el software de bajo nivel que controla el funcionamiento del dispositivo. A eso se sumaron la interfaz de usuario y la integración con Codex.
El propio autor del proyecto, Justin Lin, lo contó con una honestidad que se agradece: era su primera vez llevando un proyecto desde una placa desnuda hasta una PCB ensamblada, y le pareció una tarea intimidante. Le dijo al modelo qué quería, le entregó algunos planos, y el modelo diseñó la placa. Después vinieron varias revisiones con la fábrica.
Esa frase final es la más importante de todo el relato. El diseño inicial no fue el producto. Fue el borrador sobre el cual empezó el trabajo real.
Para una empresa que desarrolla prototipos electrónicos, el cambio de fondo no está en la velocidad de la primera versión, sino en cuántas versiones paralelas se pueden explorar. Lin menciona que hicieron muchos candidatos de diseño en paralelo y muchísimas versiones de la carcasa. Cuando generar una variante cuesta minutos en lugar de semanas, la conversación deja de ser "¿cuál es la mejor opción?" y pasa a ser "¿qué combinación conviene más?".
¿Por qué un diseño perfecto en pantalla no garantiza un producto fabricable?
Aquí está el punto que casi nadie destaca y que conviene entender bien. Cuando el proyecto llegó a la etapa de producción aparecieron dificultades relacionadas con las tolerancias dimensionales, las restricciones propias del fabricante y los detalles necesarios para ensamblar las piezas. Astra no había contemplado todas esas condiciones durante el proceso de diseño.
Los ingenieros de OpenAI tuvieron que hacer varias rondas de revisión para adaptar los archivos digitales a las exigencias reales de la industria. La conclusión que deja el episodio es concreta: un modelo digital convincente en pantalla no equivale automáticamente a un objeto que pueda producirse a escala industrial. La propia compañía admite que esa brecha continúa siendo uno de los principales obstáculos para automatizar procesos completos de ingeniería.
Como muestra de esa limitación, GPT-6 Astra obtuvo una puntuación media de 0,594 en la evaluación interna BenchCAD 2.0, muy por debajo del 0,875 alcanzado por un modelo más reciente que la empresa todavía no presentó públicamente, según Infobae.
Mi lectura de este dato es que el titular de "menos de una semana" es real, pero incompleto. Mide el diseño, no el producto terminado. Y esa distinción es exactamente la que separa a una empresa que adopta IA con criterio de otra que compra una promesa.
Lo que este experimento no demuestra es igual de importante. No prueba que la IA pueda reemplazar a un ingeniero de manufactura, no prueba que el proceso funcione con regulaciones locales, certificaciones eléctricas o proveedores de distintos países, y no prueba que el costo total de llevar un diseño a producción baje. Son dos integrantes de un laboratorio de investigación con acceso directo a los modelos y a un fabricante externo dispuesto a iterar. Ese contexto no se replica solo por tener acceso a la misma herramienta.
¿Qué significa esto para una empresa en Perú o Latinoamérica?
La inteligencia artificial aplicada a producto físico todavía no es una realidad cotidiana en la región, y conviene decirlo sin adornos. Lo que sí es una realidad cotidiana es el problema que este experimento expone: el tiempo que pasa entre tener una idea y tener algo que un cliente pueda evaluar.
Piensa en una empresa peruana que fabrica equipos de medición, tableros de control o dispositivos para el sector minero y agroindustrial. Su ciclo típico es: especificación, diseño, cotización con el taller, prototipo, prueba en campo, corrección. Cada vuelta de ese ciclo cuesta semanas y, muchas veces, dinero que no vuelve.
Lo que este caso sugiere no es que esa empresa compre un modelo para diseñar placas mañana. Sugiere algo más aterrizado: que las etapas de exploración y documentación de diseño son las primeras candidatas a automatizarse. Generar variantes de una carcasa, comparar disposiciones de componentes, redactar la especificación técnica, preparar el paquete de archivos para el proveedor. Todo eso es trabajo estructurado que consume horas de profesionales caros y que hoy se puede acelerar.
En proyectos de transformación digital que hemos visto de cerca en la región, el patrón se repite: la tecnología no falla por falta de capacidad, falla porque nadie rediseñó el proceso alrededor de ella. Si el ingeniero sigue esperando el mismo formato de entrega del mismo proveedor, tener un borrador generado en minutos no cambia nada.
El otro punto es cultural. Justin Lin dice que su capacidad de iterar en hardware expandió el horizonte de lo que sentía posible, y que eso lo empujó a pensar más grande y ser más ambicioso. Ese efecto es real y es transferible. Cuando el costo de probar baja, la gente propone cosas que antes descartaba sola.
¿Cómo aplica esto en tu empresa?
No necesitas diseñar un dispositivo electrónico para aprovechar la lección. Lo que sigue aplica a cualquier área donde hoy haya un cuello de botella entre la idea y la primera versión.
Primero, identifica dónde se genera la primera versión. Puede ser un prototipo, una propuesta comercial, un modelo de datos, un flujo de automatización. Ese punto es el candidato natural para asistencia con IA, porque ahí el costo de equivocarse es bajo y el volumen de variantes es alto.
Segundo, separa el diseño de la validación. El error que expuso este caso fue tratar el diseño generado como si ya estuviera listo para producción. En tu empresa, define explícitamente quién revisa, con qué criterios y contra qué restricciones reales: presupuesto, normativa, capacidad del proveedor, tiempos de entrega.
Tercero, documenta las restricciones antes de generar. Astra no contempló tolerancias ni límites del fabricante porque nadie se los dio como condición. En un proceso interno, eso equivale a escribir las reglas del juego antes de pedirle al modelo que juegue.
Cuarto, mide el ciclo completo, no la etapa bonita. Si el diseño baja de semanas a días pero la aprobación sigue tardando un mes, tu mejora real es marginal. La métrica que importa es el tiempo de idea a validación con cliente.
Si quieres revisar cómo se ve esto en tu operación, puedes conversar con nosotros sobre tu caso y verlo con datos concretos.
Preguntas Frecuentes
¿Qué es el diseño de hardware con IA?
Es el uso de modelos de inteligencia artificial para definir requisitos funcionales, diseñar carcasas y placas de circuito impreso, seleccionar componentes y generar firmware. En el caso de TamaGPT, GPT-6 y Astra completaron ese diseño en menos de siete días, aunque la fabricación exigió ajustes posteriores de ingenieros humanos.
¿La IA puede reemplazar a un ingeniero de producto?
No según lo que muestra este experimento. Astra no contempló todas las tolerancias dimensionales ni las restricciones del fabricante, y los ingenieros tuvieron que hacer varias rondas de revisión. La IA acelera la generación de borradores y variantes; la validación técnica y la decisión final siguen siendo humanas.
¿Cuánto tarda hoy llevar un prototipo electrónico a producción?
El caso reportado indica que el diseño se completó en menos de siete días y que un fabricante externo produjo un lote reducido de prototipos en menos de un mes. Ese plazo corresponde a un experimento de investigación con acceso directo a los modelos, no a un proceso industrial estándar, y no incluye certificaciones ni producción a escala.
Conclusión: ¿la IA ya puede llevar una idea hasta el producto final?
Todavía no, y decirlo con claridad es más útil que celebrar el titular. Lo que sí puede hacer hoy es comprimir la etapa más lenta de la innovación: convertir una idea en un borrador concreto que se pueda discutir, revisar y mejorar. Eso ya es un cambio grande para cualquier empresa que dependa de sacar productos nuevos.
La lección práctica es simple. La IA es excelente generando la primera versión y sigue siendo mala anticipando las restricciones del mundo real. La empresa que entienda esa división del trabajo va a avanzar más rápido que la que espere que el modelo haga todo.
Si estás evaluando dónde aplicar inteligencia artificial en tu operación y quieres una lectura honesta de qué sí y qué no conviene automatizar, puedes conocer ContentFlow o conversar con nosotros sobre tu caso. También puedes revisar más análisis en el blog de Consultoría TI.
Por Edgar Vásquez, Consultoría TI · actualizado el viernes, 06 de noviembre de 2026
Fuentes y Referencias
- OpenAI — Presentación del proyecto TamaGPT (YouTube)
- Gizmodo en Español — OpenAI puso a GPT-6 y Astra a diseñar un dispositivo electrónico desde cero
- Infobae — OpenAI logra que GPT-6 y Astra diseñen un dispositivo funcional en menos de una semana
- Orply — A GPT-6 Astra-Assisted Build Turns a Conversational Idea Into Hardware
✨ Contenido generado con ContentFlow — Consultoría-Ti