Para compartir:

El copiloto de IA del MIT toca un punto que incomoda a mucha gente que trabaja con algoritmos. En vez de entregar solo el proyecto terminado, le pide su opinión al ingeniero mientras la estructura todavía se está dibujando. Según un reportaje de MIT News publicado el 13 de noviembre de 2026, el sistema muestra partes del proyecto a mitad del proceso y deja que la persona corrija el rumbo antes de que todo esté cerrado.

Parece un detalle. No lo es. Se trata de un ejemplo muy concreto de diseño colaborativo con IA: la máquina genera, el humano ajusta por el camino y, al final, resulta más fácil confiar en lo que sale de ahí.

La investigación nació en la ingeniería civil, pero la lección va más allá de puentes y edificios. Quien crea productos digitales con IA en Brasil se topa con un dilema parecido a menudo: cuánto control darle al usuario sin que la herramienta se vuelva lenta o pesada de usar.

El problema de partida es bien conocido por quienes trabajan en el área. De acuerdo con MIT News, el diseño hecho por algoritmo exige mucha computación y mucho tiempo. El usuario solo ve el resultado cuando todo termina y, si quiere cambiar algo, muchas veces tiene que empezar de nuevo.

La técnica detrás del sistema se llama optimización topológica. En pocas palabras, el algoritmo va llenando el espacio disponible para el proyecto, ronda tras ronda, buscando cumplir de la mejor forma los objetivos definidos. Ya ganó terreno en las industrias automotriz y aeroespacial, pero aparece mucho menos en edificios y puentes. El motivo, según el medio, es la confianza. Los ingenieros suelen desconfiar de proyectos con formas extrañas o inesperadas, y algunos resultados pueden ser difíciles de construir en la vida real. El reportaje cita como ejemplo estructuras con ocho o más vigas que se encuentran en un único punto, algo complicado de fabricar.

Reciba el mejor contenido sobre innovación en su correo electrónico.

Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.

Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.

Dat Ha, autor principal del estudio, describe ese efecto de caja negra como uno de los motivos por los que la técnica tiene poca adopción en la industria, de acuerdo con MIT News. Josephine Carstensen, autora sénior, suma otro punto: el ingeniero tiene poca influencia sobre cómo evoluciona el proyecto, y esa falta de control y de sensación de autoría también estorba. El trabajo se publicó en acceso abierto en la revista Communications Engineering y cuenta además con Ferdous Alam, Markus Buehler y Faez Ahmed entre los autores.

Cómo funciona el copiloto

Mientras el algoritmo arma la estructura, el sistema resalta regiones del proyecto y le pide su opinión al ingeniero. La clave está en elegir dónde preguntar, porque los intentos anteriores de incluir el criterio humano hacían el proceso mucho más lento.

Para resolverlo, los investigadores entrenaron un modelo de machine learning con una base sintética de posibles comentarios humanos sobre miles de proyectos. Esa base reunía críticas sobre estética, rendimiento y facilidad de fabricación. Con ella, el modelo aprende a señalar justo los tramos que una persona probablemente querría cambiar, sin tener que consultar al ingeniero sobre cada pedacito de la estructura.

Los resultados reportados llaman la atención. Según MIT News, en las demostraciones el enfoque mejoró la fabricabilidad y la carga de pandeo lineal en un 39 %, con un aumento modesto en el tiempo total de diseño. El reportaje indica que ese tiempo extra fue de apenas 15 segundos en comparación con los métodos puramente algorítmicos.

Todavía hay límites. Por ahora, el usuario solo puede hacer más gruesas o más delgadas las regiones señaladas. El equipo planea incluir otros tipos de ajuste en versiones futuras y, según Carstensen, abrir la técnica a un público más amplio, tanto en la industria como entre investigadores y estudiantes.

La investigadora resume la propuesta como una forma de aprovechar el conocimiento de quien diseña mientras el proyecto todavía está tomando forma. Y no descarta el camino solo con IA. Para Carstensen, los dos enfoques tienen su lugar: quien cuenta con muchos recursos computacionales puede seguir con el modelo automático, y quien necesita la mirada humana tiene en la versión colaborativa una alternativa.

Qué le enseña esto a quien crea productos digitales con IA en Brasil

De aquí en adelante, la lectura es de Método Viral, no una conclusión del estudio.

El primer aprendizaje tiene que ver con el momento. El feedback humano en IA suele rendir más a mitad del proceso que en la revisión final, cuando corregir ya sale caro. Imagina una herramienta que genera páginas de venta. Si muestra la estructura antes de escribirlo todo, el ajuste toma segundos. Si solo muestra el texto completo al final, el usuario lo rehace desde cero o directamente se rinde.

También conviene preguntar menos y preguntar mejor. El equipo del MIT usó datos para descubrir en qué puntos la intervención humana de verdad marca la diferencia. En un producto digital, eso significa evitar llenar la pantalla de pedidos de aprobación, un error común en muchos casos de productos digitales que fallan en el diseño UI/UX.

Herramientas que usamos a diario

La confianza es otro punto que conecta directo con el estudio. Carstensen habla de falta de control y de autoría como barreras, y tiene sentido pensar que quien ajusta un resultado tiende a sentirlo más suyo. Esto puede aplicar a muchos usos de la IA generativa en el diseño, ya sea en copy, layout o código, y encaja con la idea de un diseño UX con IA centrado en el humano.

Nada de esto quiere decir que todo producto necesite a alguien acompañando cada etapa. Las tareas simples y repetitivas pueden funcionar solas sin problema, y la propia investigadora defiende que los dos modelos convivan.

La apuesta aquí es que la IA generativa en el diseño gane más terreno cuando comparte el volante con quien conoce el tema. Para ir más allá, vale la pena ver cómo se está pensando la interfaz humano-computadora del futuro a partir de esa alianza.

Imagen de Rafael

Rafael

Operaciones

Transformo los procesos internos en máquinas de entrega, garantizando que cada cliente de Viral Method reciba un servicio de primera calidad y resultados reales.

Rellena el formulario y nuestro equipo se pondrá en contacto contigo en un plazo de 24 horas.

Publicaciones relacionadas

La inteligencia artificial y MCP automatizan el sistema ERP Dynamics 365.

MCP Enablement: automatización con IA en Dynamics 365 que transforma ERP, permitiendo agentes ejecutar 650.000 acciones con seguridad y gobernanza.

Agente de IA Dobby: Karpathy automatiza tu hogar con IA

AI Agent Dobby de Andrej Karpathy transforma domótica: controla luces, piscinas, seguridad y rastrea entregas de forma autónoma 🤖🏠

El mercado de aplicaciones móviles crece gracias a la experiencia de usuario y la arquitectura escalable.

Experiencia móvil es clave en mercado de apps de US$626 mil millones: UX, retención y arquitectura escalable definen quién crece

Receba o melhor conteúdo de inovação em seu e-mail

Todas as notícias, dicas, tendências e recursos que você procura entregues na sua caixa de entrada.

Ao assinar a newsletter, você concorda em receber comunicações da Método Viral. A gente se compromete a sempre proteger e respeitar sua privacidade.

Rafael

Online

Atendimento

Calculadora de Precio de Sitios

Descubre cuánto cuesta el sitio ideal para tu negocio

Páginas del Sitio

¿Cuántas páginas necesitas?

Arrastra para seleccionar de 1 a 20 páginas

En solo 2 minutos, descubre automáticamente cuánto cuesta un sitio a medida para tu negocio

Más de 0+ empresas ya calcularon su presupuesto

Fale com um consultor

Preencha o formulário e nossa equipe entrará em contato.