Recostarse en un sillón y pronunciar una frase sencilla como: "Hazme una silla", y luego mirar cómo un brazo robótico ensambla un objeto físico frente a usted en unos minutos – hasta hace poco sonaba como una escena de ciencia ficción. En diciembre de 2025, esto es una realidad en los laboratorios del Instituto Tecnológico de Massachusetts (MIT), donde los investigadores combinan inteligencia artificial generativa, sistemas de visión por computadora y ensamblaje robótico en un proceso de diseño y fabricación único y totalmente automatizado.

En lugar del diseño asistido por computadora (CAD) clásico, que requiere habilidades expertas, horas de modelado y conocimiento detallado del software, el nuevo sistema basado en inteligencia artificial permite que un objeto complejo y de múltiples componentes se describa en lenguaje común. Los modelos de inteligencia artificial generativa crean una representación tridimensional del objeto deseado a partir de texto, y luego un modelo de visión-lenguaje (VLM) descompone esa geometría en partes físicas estandarizadas que el robot puede comenzar a ensamblar de inmediato.

Se trata de un trabajo de investigación que muestra cómo la brecha entre el diseño digital y la producción física puede reducirse dramáticamente. El mismo equipo ha ido un paso más allá en los últimos meses: basándose en los mismos principios, se ha desarrollado un sistema "speech-to-reality" que ya no requiere ni siquiera escribir texto – basta con pronunciar el pedido, y muebles modulares y otros objetos se crean en tan solo unos minutos.

Por qué el CAD clásico se convirtió en un cuello de botella del diseño

Las herramientas de diseño asistido por computadora siguen siendo el estándar en la industria, desde la automotriz y aeroespacial hasta la construcción y la electrónica de consumo. Pero las mismas herramientas, que son potentes y precisas, representan al mismo tiempo una barrera para cualquiera que no tenga conocimientos especializados. La curva de aprendizaje es empinada, las interfaces son complejas, y el control detallado sobre cada tornillo o superficie es a menudo excesivo en las primeras fases del proyecto, cuando para el usuario es lo más importante probar rápidamente múltiples ideas y verlas en el espacio físico.

La IA generativa ha demostrado en los últimos años que puede crear imágenes, modelos 3D y escenas virtuales enteras a partir de un texto breve. Pero la mayoría de esos objetos digitales permanecen atrapados en el mundo virtual. La geometría que crean los modelos es a menudo irregular, no tiene una estructura de componentes clara y no tiene en cuenta las limitaciones de la producción física. En otras palabras, lo que se ve bien en la pantalla no significa necesariamente que se pueda ensamblar fácil, rápida y económicamente en la realidad.

El enfoque del MIT establece precisamente aquí un nuevo estándar: el objetivo no es solo generar un modelo digital bonito, sino llevarlo a una forma adecuada para el ensamblaje automático a partir de elementos prefabricados. Con esto, la IA generativa deja de ser una herramienta para la inspiración y se convierte en parte de una línea de producción real.

Del texto al modelo 3D: cómo el sistema "entiende" la geometría y la función

El trabajo parte de una interacción simple: el usuario escribe una solicitud en una interfaz de texto – por ejemplo "hazme una silla" o "necesito un estante con tres niveles". Un modelo 3D generativo crea una representación de malla del objeto basada en esa descripción, conocida como mesh. Esa malla describe la superficie y el volumen del futuro objeto, pero aún no dice nada sobre de qué partes físicas constará y cómo se unirán.

En el siguiente paso, el rol lo asume un modelo de visión-lenguaje, un tipo de sistema de IA generativa que está entrenado con una gran cantidad de imágenes, descripciones textuales y tareas de comprensión de escenas. Su tarea es "mirar" el modelo tridimensional y deducir cuáles son las unidades funcionales del objeto: dónde se encuentra el asiento, dónde el respaldo, dónde las patas, qué son las superficies en las que se apoyará el cuerpo humano, y qué son los elementos que soportan principalmente la carga estructural.

Los investigadores trabajan con dos grupos básicos de componentes prefabricados: elementos estructurales que forman el esqueleto del objeto y elementos de placa (paneles) que forman superficies planas como asientos o estantes. El modelo de visión-lenguaje debe decidir, basándose en la geometría y la función, dónde se utiliza qué tipo de componente. Así, por ejemplo, reconoce que el asiento y el respaldo de una silla necesitan paneles, mientras que las patas y las conexiones transversales permanecen ejecutadas en segmentos estructurales.

Lo que hace que este enfoque sea particularmente interesante es el hecho de que el modelo no se basa en reglas programadas manualmente para una silla, un estante o una mesa. En su lugar, utiliza el conocimiento adquirido durante el aprendizaje en muchas imágenes y descripciones de objetos para generalizar a nuevas formas generadas por la IA. Por eso, el mismo sistema, sin entrenamiento adicional, puede trabajar con diferentes tipos de muebles y otros artículos funcionales.

Asignación de componentes y preparación para el ensamblaje robótico

Después de que el modelo de visión-lenguaje construye una comprensión de la función, el sistema pasa al nivel práctico: para cada superficie en la malla 3D, asigna etiquetas que definen si se debe instalar allí un elemento de panel o no. Las superficies se numeran, y las asignaciones de componentes se devuelven al modelo para alinearse adicionalmente con la geometría y las limitaciones físicas de montaje.

El resultado es un modelo estructurado en el que cada parte del objeto está vinculada a uno de los tipos predefinidos de prefabricados. Este es el paso clave que permite que el diseño digital se traduzca en un conjunto concreto de instrucciones para el brazo robótico: cuántos elementos se necesitan, dónde se colocan, en qué orden se unen y cómo se evitan las colisiones durante el montaje.

El sistema robótico luego toma el plan preparado y comienza a armar el objeto en la superficie de trabajo. Dado que todas las piezas están estandarizadas y son reutilizables, el proceso es rápido y muy limpio: no hay virutas, no hay tiempo de espera para que se seque el pegamento, no hay desperdicios que terminen en la basura. Cuando el usuario ya no necesita ese mueble, se puede desmontar y con las mismas piezas armar algo completamente nuevo.

Coautoría humano-robot: el usuario permanece en el bucle

Aunque el sistema automatiza gran parte del proceso, los investigadores enfatizaron la importancia de que el humano siga siendo un socio creativo. Después de la propuesta de diseño inicial, el usuario puede dar instrucciones adicionales en lenguaje natural: por ejemplo, pedir que los paneles estén solo en el respaldo y no en el asiento, que la silla sea más baja o más alta, que el estante tenga más niveles o que se ponga énfasis en la ligereza visual en lugar de en una superficie completa.

Cada modificación de este tipo reactiva el modelo generativo y el módulo de visión-lenguaje, que armonizan la nueva descripción con el modelo 3D existente y la estructura de componentes. De esta manera surge un ciclo creativo iterativo: el sistema propone soluciones, el usuario las dirige y corrige, y el robot las convierte en prototipos físicos. En lugar de ocuparse de coordenadas y parámetros precisos, el humano piensa en la función, la estética y los escenarios de uso.

Tal enfoque "human-in-the-loop" también tiene una dimensión psicológica importante. Los participantes de los estudios de usuarios a menudo destacaron una sensación de coautoría sobre los objetos que formalmente ensambló un brazo robótico: percibían el resultado final como "su" silla o estante precisamente porque lo formaron a través de la conversación con el sistema, y no haciendo clic en una interfaz CAD compleja.

Resultados de las pruebas de usuario: preferencia por el diseño de IA

Para evaluar cuantitativamente el valor de su enfoque, los investigadores realizaron un estudio en el que los participantes calificaron diferentes versiones de los mismos objetos. Un grupo de diseños se creó con la ayuda de su sistema impulsado por IA con modelo de visión-lenguaje, otro fue generado por un algoritmo que coloca paneles mecánicamente en todas las superficies horizontales orientadas hacia arriba, mientras que el tercero fue el resultado de una disposición aleatoria de paneles.

Más del noventa por ciento de los participantes prefirió los objetos creados por el sistema que combina IA generativa y VLM en comparación con los enfoques alternativos. Destacaron especialmente la disposición lógica de las superficies para sentarse o almacenar, la sensación de estabilidad estructural y la armonía visual del conjunto. La disposición aleatoria de paneles se percibió como caótica, y la regla puramente geométrica "cubrir todas las superficies horizontales con paneles" resultó demasiado tosca para satisfacer las necesidades reales de los usuarios.

El proceso de montaje también resultó eficiente en tiempo. Gracias a los módulos estructurales y paneles estandarizados, el robot pudo ensamblar en poco tiempo toda una gama de configuraciones diferentes – desde sillas simples y taburetes, pasando por estantes, hasta muebles más complejos que en la producción clásica requerirían la fabricación de herramientas especiales o moldes.

Del texto al habla: "speech-to-reality" como el siguiente paso lógico

Basándose en las experiencias adquiridas trabajando con descripciones textuales, el equipo amplió el concepto también al habla. El nuevo sistema "speech-to-reality" elimina incluso la última barrera tecnológica para los usuarios inexpertos: ya no es necesario ni siquiera idear instrucciones escritas breves, basta con decir en la habitación que desea una silla simple, una estantería para libros o una pequeña mesa auxiliar.

La señal de voz primero pasa por un procesamiento estándar y se convierte en texto, después de lo cual asume la misma infraestructura de IA generativa: el modelo genera una forma 3D, el sistema la descompone en componentes modulares, y el planificador determina el orden y método de ensamblaje óptimos. El resultado está estrechamente relacionado con el trabajo anterior sobre texto, pero la experiencia del usuario es aún más natural – la comunicación con el robot es cada vez más similar a una conversación con un carpintero o diseñador humano.

En lugar de dos tipos de prefabricados, "speech-to-reality" en su primera implementación se basa en una red de módulos cúbicos idénticos que el robot apila en una estructura de rejilla. Tal enfoque basado en vóxeles facilita la discretización de la geometría compleja: ya sea una silla, un estante, una mesa pequeña o un perro decorativo, el objeto se puede descomponer en una combinación de cubos que el robot agarra, posiciona y une fácilmente.

Los experimentos en el laboratorio mostraron que el sistema puede fabricar en solo unos minutos muebles más simples que son lo suficientemente resistentes para el uso diario en condiciones de prototipo. Los investigadores trabajan paralelamente en mejorar la forma de unión de los módulos para que la construcción soporte mayores cargas; planean reemplazar las conexiones magnéticas, que son prácticas para un montaje rápido, con uniones mecánicas más robustas.

Sostenibilidad, producción local y potencial para la industria

Uno de los motivos clave detrás de estas investigaciones es la cuestión de la sostenibilidad. Los muebles de hoy en día se producen principalmente en fábricas centralizadas y luego se transportan a grandes distancias. Cada cambio de diseño significa una nueva serie de producción, nuevas herramientas y costos logísticos adicionales. Los sistemas que combinan IA generativa, componentes modulares y ensamblaje robótico ofrecen un escenario radicalmente diferente: el diseño y la producción pueden tener lugar localmente, casi bajo demanda.

En lugar de pedir un producto terminado, el usuario podría en el futuro pedir "recetas" para objetos – descripciones paramétricas y un conjunto de reglas que luego activan un sistema robótico local. Un conjunto de módulos estandarizados podría reutilizarse para configuraciones completamente diferentes de muebles, exhibiciones, estructuras de construcción temporales o experimentos de laboratorio. Cuando las necesidades cambian, los objetos se desmontan y el material vuelve al ciclo.

Para la industria, especialmente para áreas como la aeroespacial o la arquitectura avanzada, tales sistemas significan la posibilidad de un prototipado físico rápido de geometrías complejas que son difíciles de ensamblar manualmente. Los investigadores enfatizan que el mismo entorno informático se puede conectar a múltiples celdas robotizadas, abriendo así el camino hacia el escalado desde un brazo robótico de escritorio hasta fábricas enteras donde la frontera entre el estudio de diseño y la nave de producción es cada vez menos visible.

Límites técnicos y preguntas de investigación abiertas

Aunque los resultados parecen impresionantes, el sistema todavía tiene limitaciones claras. Los modelos generativos a veces producen geometrías que son muy esculturales, pero difíciles de traducir a una estructura modular sin compromisos. El modelo de visión-lenguaje no entiende la física al nivel de un ingeniero; su "intuición" sobre lo que es estable y lo que no, surge de la estadística de datos, y no de cálculos mecánicos sólidos.

Por eso los investigadores exploran cómo incluir simulaciones y verificaciones adicionales en el proceso: desde la detección de uniones potencialmente inestables y tramos excesivos sin soporte, hasta la optimización del número de componentes utilizados para reducir la masa y el tiempo de montaje. A largo plazo, el objetivo es que el sistema de IA no solo satisfaga formalmente la descripción del usuario, sino que también optimice cuantitativamente la resistencia, la durabilidad y el consumo de material.

Otra pregunta abierta se refiere a la diversidad de componentes. El trabajo en el ensamblaje robótico guiado por texto se centra en dos tipos de piezas, mientras que "speech-to-reality" utiliza módulos de vóxeles uniformes. En la práctica, muchos objetos requerirán otros elementos: bisagras, guías deslizantes, ruedas, resortes o uniones flexibles. La inclusión de tales componentes significa también una planificación de montaje más compleja, pero abre el camino hacia objetos completamente funcionales como armarios con puertas, mecanismos de ajuste de altura o incluso robots más simples que diseñaría otra IA.

Democratización del diseño: qué significa "dilo y aparecerá"

En el fondo de estos experimentos se esconde también una visión social más amplia. Si cualquiera puede describir con palabras lo que necesita y ver cómo eso surge en el mundo físico en unos minutos, entonces la frontera entre el usuario y el diseñador se difumina dramáticamente. Al igual que las olas anteriores de digitalización permitieron que cualquiera fuera editor, músico o fotógrafo, la IA generativa combinada con la robótica podría extender ese principio al mundo de los objetos.

Para la educación, esto significa nuevas formas de aprender: los estudiantes podrían experimentar con construcciones y formas sin miedo a equivocarse al cortar material o usar herramientas. Para los arquitectos y diseñadores industriales, se trata de la posibilidad de probar ideas para interiores, prototipos o instalaciones de exhibición a escala real prácticamente en tiempo real. Para los usuarios finales, un escenario en el que tienes un sistema robótico compacto en la sala de estar que arma y desarma muebles según las necesidades actuales ya no parece tan lejano.

Los investigadores, sin embargo, enfatizan que este es solo el primer paso. Los sistemas descritos en los trabajos son todavía prototipos de laboratorio, con un conjunto limitado de módulos, un entorno controlado y tareas cuidadosamente definidas. Pero la dirección del desarrollo es clara: mediante la unión de modelos avanzados de IA que entienden la geometría y la función con robots físicos que pueden manejar confiablemente componentes estandarizados, surge un nuevo tipo de planta de fabricación "hablada" o "textual".

Desde los primeros sistemas CAD en los años setenta hasta las redes generativas contemporáneas y los modelos de visión-lenguaje se extienden décadas de evolución de herramientas para crear objetos. Los últimos experimentos del MIT sugieren el siguiente salto: un futuro en el que "Robot, hazme una silla" será una frase tan común como "envíame un correo electrónico", y los procesos de fabricación tan adaptables y rápidos como el desarrollo de software actual.