Resumen

La integración de la Inteligencia Artificial (IA) en el Diseño Industrial está transformando el desarrollo de productos, optimizando procesos y fomentando la creatividad. Este estudio propone un marco de análisis basado en el modelo de Proceso de Diseño y Desarrollo de Productos (PDDP), resaltando su papel en la eficiencia y personalización de soluciones. El trabajo combina una revisión de literatura y un estudio aplicado a un caso de diseño de un gotero médico pediátrico, que permite ilustrar tanto las capacidades como limitaciones de la IA. Se destacan herramientas como algoritmos de análisis de tendencias y modelos generativos para optimización. La IA complementa al diseñador, liberando tiempo en tareas repetitivas y potenciando la innovación. A futuro, la colaboración equilibrada entre IA y diseñadores redefinirá la disciplina, impulsando una práctica más eficiente, sostenible y creativa.

https://doi.org/10.46840/ec.2025.22.751

César Alfonso Arroyo Barranco

( https://orcid.org/0000-0002-5810-1336 )

Universidad Autónoma del Estado de Hidalgo, México.

Gabriela Mendoza Moreno

( https://orcid.org/0009-0003-7419-9702 )

Universidad Autónoma del Estado de Hidalgo, México.

gabimenzamore@gmail.com

Heriberto Niccolas Morales

( https://orcid.org/0000-0002-6402-121X )

Universidad Autónoma del Estado de Hidalgo, México.

Introducción

En los últimos años, la Inteligencia Artificial (IA) se ha consolidado como un campo de conocimiento y al mismo tiempo como una herramienta tecnológica capaz de transformar diversas actividades humanas, optimizando el tiempo y recursos en tareas complejas. Para comprender el alcance de la Inteligencia Artificial es fundamental partir del concepto de inteligencia. Esta palabra proviene del latín “inteligere” que significa “capacidad de comprender las relaciones entre los hechos y las cosas” (Porcelli, 2020, p. 53). Bajo esta premisa etimológica la Inteligencia Artificial (IA) es el campo que busca replicar esta habilidad de discernimiento en las máquinas. Según Rouhianen (2018) la IA es “la capacidad de las máquinas para usar algoritmos, aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano” (p. 17).
La Sociedad de Diseñadores Industriales de América define al Diseño Industrial como «la práctica profesional de diseñar productos, dispositivos, objetos y servicios utilizados por millones de personas en todo el mundo cada día» (Industrial Designers Society of America, s.f.). Zhang (2022) lo delimita como el equivalente al diseño de productos, incluyendo tanto los productos industriales como los artesanales (p. 2).

El desarrollo de herramientas de IA para la creatividad visual, como afirman López-Forniés y Asión-Suñer (2023), “permite a los diseñadores trabajar en la exploración de diferentes variaciones y formas de visualización de ideas” (p. 377). No obstante, es evidente que la integración de este conjunto de tecnologías aún genera incertidumbre y opiniones divididas en la comunidad del diseño, lo que suscita preguntas sobre el impacto en el rol del diseñador y en la práctica profesional. Por esta razón, se consideró necesario analizar las aplicaciones y los alcances de la IA en la disciplina del Diseño Industrial.

Una vez descrito de forma breve el contexto del objeto de estudio, así como nuestras motivaciones e intereses, se puede establecer que el objetivo de la presente investigación se centra en analizar cómo la IA está siendo integrada en el Diseño Industrial, sus impactos en el proceso creativo y de desarrollo, así como las perspectivas futuras para su adopción. Asimismo, se busca entender cómo la “IA está permitiendo a los diseñadores trabajar más rápido y explorar más posibilidades” (Vasiliu, 2024), como modelos de generación de imagen (Midjourney o DALL·E), generadores de texto (ChatGPT) y sistemas de modelado 3D asistido por IA.

Este estudio representa un aporte significativo al campo del Diseño Industrial, ya que va más allá de la mera descripción de herramientas. Su principal contribución radica en ofrecer una visión completa y estructurada sobre cómo la IA puede ser incorporada de manera estratégica a las diversas fases del PDDP.

Metodología

Tomando como base las características del tema de investigación y los alcances de esta, se ha optado por una metodología de investigación de tipo exploratorio y cualitativo. Para ello, primero se han realizado una serie de búsquedas y consultas en diferentes fuentes de información tales como artículos de investigación, libros, actas de congreso y estudios de caso referentes al objeto de estudio ubicados en bases de datos y repositorios como Google Académico y Scopus seleccionando los estudios e informes publicados en los últimos diez años. Se optó por la técnica de revisión literaria mediante un enfoque cualitativo exploratorio, fundamentado en una revisión sistemática de literatura siguiendo la herramienta PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses). Cómo parámetros de búsqueda se emplearon combinaciones de términos en español e inglés, por ejemplo, “Inteligencia Artificial”, “Artificial Intelligence”, “AI”, “IA generativa”, “Generative AI”, “Modelos de Lenguaje”, “Large Language Models”, “Diseño Industrial”, “Industrial Design”, “Product Design”, “Proceso de diseño de Productos”, “Product Development Process”, “PDDP”.

Resulta necesario delimitar los alcances por lo cual en este sentido la investigación está centrada en la aplicación de la IA (generativa) dentro de la cual, el desarrollo y las etapas creativas del diseño de productos permite explotar su potencial en la generación de ideas complementarias, la visualización de propuestas y el modelado. Asimismo, se tomó a consideración fuentes de tipo internacional donde el uso de herramientas de IA generativas en el diseño presenta un avance considerable dentro de esta área.

Se incluyeron publicaciones provenientes de revistas científicas y repositorios académicos especializados comprendidas entre el 2013 y 2025, enfocándonos en los trabajos más recientes (2020-2025) por su relevancia respecto al estado actual de la tecnología y las tendencias en IA. Dentro de nuestros criterios de inclusión se tomaron en consideración estudios que abordaron el uso de IA en el Diseño Industrial o el desarrollo de productos, también casos prácticos, aplicaciones o marco teóricos pertinentes y publicaciones en español e inglés. Por otra parte, aquellos documentos sin acceso al texto completo o que estuvieran enfocados exclusivamente en otras disciplinas sin conexión directa con el Diseño Industrial o material no académico como por ejemplo blogs, notas de prensa o contenido sin revisión fueron totalmente excluidos.

Como complemento a esta revisión documental, se realizó además una experimentación que consistió en la generación de modelos que permitieron la visualización en las etapas iniciales del proceso y desarrollo del producto particularmente en las propuestas aplicando el uso de herramientas de Inteligencia Artificial como los modelos de lenguaje, y modelos de texto a imagen con el objetivo de ilustrar.

Marco teórico

Para dar inicio, es importante exponer que un proceso de diseño de productos se compone de diferentes etapas o fases que comprenden desde la planeación hasta el inicio de producción. Para analizar la integración de la IA en la disciplina, se adoptó el modelo de proceso de diseño y desarrollo de productos propuesto por Ulrich et al. (2019), el cual se representa en la Figura 1. Se eligió este modelo debido a que su estructura por fases, que va desde la planeación hasta el inicio de producción, ofrece un marco de trabajo claro y lineal que permite segmentar y analizar la aplicación específica de la IA en cada una de sus etapas. A diferencia de otros modelos la propuesta de Ulrich et al. descompone el proceso en etapas secuenciales bien definidas (planeación, desarrollo de concepto, diseño a nivel sistema, etc.), lo que facilita la demostración de cómo una herramienta de IA puede asistir en cada tarea específica.

Figura 1. Proceso de diseño y desarrollo de productos.
Fuente: Ulrich et al. (2019).

Por lo tanto, este modelo no solo sirve como una guía metodológica, sino que también funciona para ilustrar cómo la IA se inserta de manera puntual y estratégica en cada fase del Diseño Industrial.

Integración de la IA en el proceso de diseño

Para identificar la aplicación adecuada de la Inteligencia Artificial (IA) en el diseño de productos, con el fin de potenciar cada una de sus etapas y optimizar los resultados del producto final, primero es necesario conocer el resultado esperado de cada una de las fases del PDDP. En la Figura 2, se hace una descripción de los resultados de cada una de las fases de acuerdo con la descripción de Ulrich et al. (2019, p.15).

Figura 2. Descripción del resultado esperado por cada fase del PDDP.
Fuente: elaboración propia con base en Ulrich et al. (2019).

En la actualidad, este proceso ha sido impactado y enriquecido por la integración de tecnologías emergentes, particularmente la Inteligencia Artificial (IA). La IA se ha posicionado como una herramienta clave para optimizar y potenciar cada una de estas etapas, transformando la manera en que los diseñadores abordan los desafíos creativos y técnicos.

De este modo, Sattele et al. (2023) mencionan que algunas de las aplicaciones de la IA en el campo del Diseño Industrial son:

La generación de ideas con algoritmos de IA o Inteligencia Artificial Generativa (IAG) que analizan grandes conjuntos de datos para identificar patrones, tendencias y preferencias del mercado, lo que facilita la generación de conceptos innovadores en la creación de productos (Nozaki et al., 2017). El diseño generativo que permite explorar automáticamente diversas variaciones del diseño, mejorando algunas características como forma, estructura y materiales, según los requisitos de rendimiento y las limitaciones de fabricación (Aso et al., 2022) y la personalización basada en el análisis de las preferencias de los usuarios, para ofrecer productos individualizados, permitiendo a las empresas destacarse en el mercado y brindar experiencias únicas (Oosthuizen et al., 2021). (p. 55)

IA generativa y modelos de lenguaje

En esta sección, iniciaremos mencionando los conceptos de IA generativa y modelos de lenguaje para entender cómo se relacionan. Es importante destacar que los modelos de lenguaje son una de las aplicaciones más conocidas de la Inteligencia Artificial Generativa.

Casar (2023) define a la Inteligencia Artificial Generativa (IAGen) como el “conjunto de métodos y aplicaciones capaces de generar contenidos (texto, imágenes, software o cualquier otra cosa) con características no distinguibles de las que produciría un ser humano”. (p. 476)

Dentro de este campo, los grandes modelos de lenguaje (LLM, por sus siglas en inglés) “son modelos computacionales que tienen la capacidad de comprender y generar lenguaje humano. Los LLM tienen la capacidad transformadora de predecir la probabilidad de secuencias de palabras o generar nuevo texto basado en una entrada dada” (Chang et al., 2024, p. 3). Por lo tanto, representan un subconjunto específico de la IA Generativa, enfocado exclusivamente en la creación de texto.»

En la revisión del estado del arte se encontraron varios ejemplos de IA Generativa (IAGen) desarrollados por diferentes empresas entre los años 2020 y 2023. Estos ejemplos fueron clasificados de acuerdo con la taxonomía propuesta por Gozalo-Brizuela y Garrido-Merchán (2023). Es importante aclarar que la IAGen es una categoría amplia que engloba diferentes tipos de modelos, como los modelos de lenguaje (LLM) y los modelos de texto a imagen (TTIs). Los ejemplos encontrados incluían aplicaciones tanto de generación de texto como de imágenes.

En la Tabla 1 se presentan algunos ejemplos de modelos de texto a imagen y modelos de lenguaje con base en la taxonomía presentada por los autores mencionados donde se expone de manera breve la aplicación de cada uno.

Tabla 1. Clasificación de herramientas y plataformas de IA generativa según tipo y aplicación seleccionados por su rápida adopción, relevancia en el diseño industrial.
Fuente: elaboración propia con base en Gozalo-Brizuela y Garrido-Merchán (2023).

Diseño Industrial Potenciado con IA: Ejemplos Aplicados por Fase

Dado que uno de los principales objetivos de este trabajo es explorar la integración de la Inteligencia Artificial en el proceso de diseño y desarrollo de productos, esta sección presenta ejemplos concretos de la aplicación de herramientas basadas en IA generativa y modelos de lenguaje. La estructura de la presentación sigue el modelo metodológico del PDDP de Ulrich et al. (2019), lo que permite contextualizar el uso de estas tecnologías en cada una de las etapas clave del proceso.

Los ejemplos fueron desarrollados por los autores a través de un enfoque experimental, enmarcado en una metodología cualitativa y exploratoria. Esta aproximación permitió evaluar de manera directa y crítica el potencial de diversas herramientas de IA (como ChatGPT, DALL·E y Vertex AI) en situaciones reales del diseño. Así, se busca no sólo ilustrar sus capacidades técnicas y creativas, sino también aportar conocimiento original sobre su implementación práctica en el contexto del Diseño Industrial contemporáneo.

Para ejemplificar el uso de la IA se eligió el gotero farmacéutico como tema de estudio porque es un problema de diseño real. El proyecto permite aplicar metodologías de diseño para mejorar la usabilidad, seguridad y la experiencia emocional de un producto de uso cotidiano, beneficiando a usuarios vulnerables como los niños y sus cuidadores.

Fase 0, Planeación

En esta etapa se formula el brief o declaración de la misión del proyecto de diseño de productos, el cual constituye un marco orientador para el desarrollo posterior. Esta declaración integra la descripción del producto, los objetivos de mercadeo, el análisis de la situación del mercado, las necesidades identificadas tanto a nivel comercial como estratégico, y la dimensión emocional asociada al usuario, como se ilustra en la Figura 3.

Figura 3. Estructura de un Brief.
Fuente: elaboración propia, con base en Ulrich et al. (2019).

A continuación, se presenta un borrador de un brief para un gotero farmacéutico. La siguiente instrucción (Prompt) en ChatGPT4 transforma la IA en una herramienta de análisis y refinamiento:

Analiza y expande los siguientes elementos del brief para el diseño de un gotero farmacéutico.

  • Descripción del producto: Gotero de plástico con una pipeta de goma para dosificar medicamentos líquidos.
  • Objetivo de mercado: Que sea fácil de usar para los padres.
  • Situación de mercado: Existen goteros genéricos en el mercado.
  • Necesidad de mercado/negocio: Crear un gotero que destaque en las farmacias.
  • Necesidad emocional: Que los padres se sientan seguros al dar la dosis correcta.

A continuación, se presenta el Brief elaborado con base en la solicitud anterior:

  • Descripción del producto: Gotero dosificador de uso farmacéutico, diseñado específicamente para la administración oral de medicamentos líquidos en niños de entre 6 meses y 5 años. El diseño se enfoca en la ergonomía, facilidad de uso, seguridad en la dosificación y una experiencia visual y táctil que genere confianza tanto en el menor como en el adulto que lo administra.
  • Objetivo de mercadeo: Introducir al mercado un gotero infantil innovador que se posicione como el estándar en administración segura, amigable y emocionalmente positiva de medicamentos pediátricos. Se busca captar la atención de empresas farmacéuticas que desean diferenciar sus productos en el segmento infantil, mejorando la experiencia del usuario final y la percepción de marca.
  • Situación de mercado: Actualmente, la mayoría de los goteros para medicamentos líquidos pediátricos son adaptaciones genéricas de soluciones para adultos, con deficiencias en ergonomía, precisión y aceptación por parte de los menores. La diferenciación por diseño es escasa. El mercado muestra una tendencia creciente hacia productos personalizados, seguros y emocionalmente empáticos, sobre todo en el sector infantil y de cuidado.
  • Necesidad de mercado/negocio: Existe la necesidad de un dispositivo de dosificación que sea:
    • Confiable en la medición de dosis pequeñas
    • Seguro para el contacto oral infantil
    • Atractivo y no intimidante para los menores
    • Compatible con frascos farmacéuticos estándar
    • Fácil de manipular por padres y cuidadores incluso en situaciones de estrés
  • Necesidad emocional: El producto debe generar emociones positivas en dos niveles:
    • En los niños: deseo de aceptación, disfrute, diversión, encantamiento y confianza (evitando rechazo o miedo al medicamento)
    • En los adultos: seguridad, confianza en la dosis administrada, facilidad de uso, sensación de control y reducción del estrés
  • Nota sobre la elaboración del brief: El brief de diseño fue desarrollado por los autores con base en la estructura metodológica propuesta por Ulrich, Eppinger y Yang (2019), adaptándolo al contexto particular del proyecto. Para la redacción y organización, se empleó la inteligencia artificial generativa (ChatGPT, 2025) como una herramienta de apoyo que permitió validar y enriquecer la coherencia de los elementos fundamentales del documento, tales como la descripción del producto, el objetivo de mercadeo, la situación del mercado, así como las necesidades funcionales y emocionales de los usuarios.

Fase 1, Desarrollo del concepto

En esta fase se especifica la forma, la función y las características del producto. A menudo se denomina etapa de conceptualización e ideación y durante esta, los diseñadores desarrollan las especificaciones del diseño, generan ideas, conceptos y desarrollan escenarios (Songwe y Andrisani, 2022). Con relación a la implementación de la IA en esta fase İrem y Özsoy (2024) mencionan como ejemplo el uso de una herramienta de IA citando que en “2022, los investigadores de Autodesk integraron el software 3DALL E en Autodesk Fusion 360 para probarlo con diseñadores. Los resultados mostraron que presentar el concepto de texto a imagen como un modelo 3D ayuda a explorar el proceso de diseño” (p. 261). En la Figura 4 se muestra un ejemplo del resultado de la utilización de la IA generativa DALL-E manejando la siguiente instrucción (Prompt): Se requiere generar una imagen del concepto para el diseño de un gotero que evoque las emociones de alegría y seguridad en niños de 6 meses a 5 años.

Figura 4. Concepto 1 de un gotero médico para niños de 6 meses a 5 años. Imagen generada por inteligencia artificial con DALL·E.
Fuente: OpenAI (2025).

Tras la primera iteración, el Concepto 1 representaba una propuesta genérica que integraba elementos a criterio de la IA. Aunque el Prompt inicial permitió obtener un concepto funcional, se identificó una deficiencia clave: el diseño aún carecía de un estilo estético, una paleta de colores y una selección de materiales específicos, decisiones que son inherentes al rol del diseñador.

Para abordar este desafío, era crucial pasar de una descripción funcional a una especificación estética y material detallada. El objetivo ya no era que la IA creara, sino que visualizara con precisión la visión del diseñador.

Ajustamos el Prompt para incluir criterios exactos, transformando a la IA en una herramienta de renderizado y visualización. El diseñador tomó control total de las decisiones creativas, guiando a la IA con instrucciones específicas sobre el estilo, los colores y los materiales deseados.

Este es el Prompt que se utilizó para generar el Concepto 2:
Analiza y renderiza un concepto de gotero farmacéutico que cumpla con las siguientes especificaciones de diseño. El objetivo es visualizar la propuesta de diseño de forma fotorrealista.

  • Componentes:
    • Un contenedor cilíndrico para líquido, con una capacidad de 10 ml.
    • Un émbolo de succión que se inserta en el contenedor.
    • Una tapa de seguridad que no requiere rosca y se cierra con un clic audible.
  • Criterios de Diseño (definidos por el diseñador):
    • Estilo estético: Minimalista, de aspecto amigable y moderno. Bordes y esquinas redondeadas.
      Paleta de colores:
      Contenedor: Blanco translúcido
      Émbolo: Gris claro
      Anillo de seguridad en la base del émbolo: Verde menta
  • Materiales:
    • Contenedor: Polipropileno (PP) de grado médico, libre de BPA.
    • Émbolo: Silicón de grado alimenticio.
  • Características adicionales:
    • Marcas de graduación de dosis en relieve y en un color que contraste con el fondo (ej. azul oscuro).
    • El émbolo debe tener una forma ergonómica que facilite el agarre con una sola mano.
    • Que evoque las emociones de alegría y seguridad en niños de 6 meses a 5 años.

Como resultado, se obtuvo el Concepto 2 que se muestra en la Figura 5, y que ya no es una propuesta genérica, sino una representación precisa de la visión del diseñador, validando que la IA funciona mejor como una herramienta que ejecuta y visualiza criterios definidos, en lugar de como un sustituto del intelecto creativo humano.

Figura 5. Diseño conceptual de un gotero médico para niños de 6 meses a 5 años. Imagen generada por inteligencia artificial con DALL·E.
Fuente: OpenAI (2025).

Con base en las necesidades emocionales identificadas, se requirió la generación de tres conceptos visuales para que el gotero representara la alegría, la seguridad y la confianza. La Figura 6 ilustra estos conceptos, integrando en cada uno la descripción de sus componentes. Para la generación de conceptos, se realizó un proceso de ingeniería de prompts detallado, donde la información previa suministrada a la IA fue fundamental para guiar sus respuestas. La capacidad de la IA para diferenciar y evocar conceptos tan específicos como alegría, seguridad y confianza no surge de manera autónoma, sino que es el resultado directo de una instrucción precisa y contextualizada.

Figura 6. Diseño conceptual de un gotero médico para niños de 6 meses a 5 años, evocando emociones de alegría, seguridad y confianza. Imagen generada por Inteligencia Artificial.
Fuente: Google (2025).

  • Análisis crítico de los conceptos generados por IA

Si bien la IA generó tres conceptos visuales para evocar alegría, seguridad y confianza, el análisis de los resultados revela tanto sus aciertos como sus limitaciones. Esta evaluación es crucial para entender el verdadero valor de la IA en la fase de ideación y para guiar el proceso de diseño futuro.

  •  Análisis crítico de los conceptos generados por IA

La IA demostró una notable capacidad para traducir emociones abstractas en formas y colores.

    • Concepto «Alegría»: El modelo capturó la emoción a través de formas orgánicas, colores vibrantes como amarillo y naranja, y una forma más lúdica y menos rígida. Esto demuestra que la IA puede asociar exitosamente códigos estéticos con emociones predefinidas.
    • Concepto «Seguridad»: Se emplearon líneas limpias, una estructura robusta y colores neutros como el gris o el azul para transmitir un sentimiento de solidez y fiabilidad. El diseño de la tapa, en particular, sugiere un mecanismo seguro.
    • Concepto «Confianza»: Este concepto se distinguió por una apariencia minimalista, un balance entre ergonomía y funcionalidad y el uso de materiales de acabado mate o suave. La IA interpretó la confianza como una combinación de simplicidad y tacto.
  • Limitaciones y críticas a los resultados
    A pesar de los aciertos, los conceptos generados por la IA presentan limitaciones que el diseñador debe identificar y resolver:
    • Superficialidad emocional: La IA tiende a recurrir a arquetipos visuales comunes (por ejemplo, el amarillo para la alegría) sin una comprensión profunda del matiz emocional. Los conceptos, si bien son distintos, esta observación puede entenderse como una hipótesis interpretativa, sin embargo aun así, se considera que carecen de la complejidad que un diseñador humano podría aportar al considerar la historia de la marca, el contexto cultural o la psicología del usuario.
    • Falta de criterio técnico: Los modelos generados no tienen en cuenta la viabilidad de fabricación, el costo de producción o la integración de los componentes con precisión. Por ejemplo, el diseño del émbolo en el concepto de «alegría» podría ser visualmente atractivo, pero poco práctico para la producción en masa o la esterilización requeridos en el ámbito médico.
    • Rol del diseñador como evaluador: El resultado de este ejercicio confirma que la IA es una herramienta para visualizar, no para decidir. La tarea del diseñador no es solo solicitar la generación de conceptos, sino también analizar críticamente si estos conceptos resuelven el problema de diseño de manera efectiva y si se alinean con las necesidades reales del producto y del usuario.

En conclusión, la aplicación de la IA en la fase 1 del PDDP permite visualizar el potencial que tiene como herramienta de apoyo en el proceso de diseño. Herramientas como Midjourney son capaces de transformar descripciones escritas en visuales 3D, renderizados o dibujos, lo que permite al diseñador explorar y validar un abanico más amplio de conceptos de manera rápida y eficiente (İrem y Özsoy, 2024, p. 263) sin embargo dentro de esta provocación se sugiere como una observación exploratoria, no como una evidencia definitiva.

Fase 2, Diseño en el nivel sistema

Antes de iniciar esta fase, es necesario entender el concepto de sistema de producto.
En palabras de Ramírez et al. (2019), un sistema de producto es una estructura compleja compuesta por múltiples elementos interconectados y organizados, cuya interacción permite alcanzar un propósito determinado. A la organización de los elementos que componen al producto tanto en conjuntos o subconjuntos se le denomina arquitectura del producto, la cual puede ser modular o integral.

La IA generativa asiste en la creación de la arquitectura modular de un producto, ayudando al diseñador a definir sus subsistemas y componentes funcionales como si fueran bloques de construcción. En el caso del gotero estos subsistemas comprenden sistema de suministro de fluido, mecanismo de control de flujo y los componentes de sellado, el émbolo y la estructura externa. En la Figura 7 se muestran ejemplos del diseño modular para la propuesta de diseño del gotero médico utilizando DALL-E.

  • Aplicación detallada de IA en la arquitectura modular del producto
    En esta etapa, se utilizaron dos herramientas de IA con roles complementarios para la definición de la arquitectura modular del gotero. Mientras que ChatGPT se empleó para la conceptualización inicial de los módulos, Autodesk Generative Design se usó para explorar configuraciones complejas y optimizadas.
  • Conceptualización inicial con ChatGPT
    Se recurrió a ChatGPT como una herramienta de lluvia de ideas avanzada, solicitando que analizara los requisitos del usuario y las necesidades del producto para proponer una estructura de bloques de construcción lógicos. Este enfoque permitió conceptualizar los subsistemas clave que conformarían el gotero.
    Por ejemplo, se utilizó un Prompt como el siguiente:

Basándote en las necesidades de seguridad y usabilidad del gotero farmacéutico para niños, propone una arquitectura modular. Identifica y describe al menos tres subsistemas principales que permitan una fácil producción, ensamblaje y reemplazo de piezas. Considera los bloques de construcción como el contenedor, el sistema de dosificación, la tapa de seguridad y el sistema de sujeción.

Como resultado se obtuvieron los tres subsistemas principales que se presentan a continuación:

1. Subsistema de Contención y Cierre
Este subsistema está compuesto por el contenedor o botella de líquido y el sistema de sujeción (el cuello de la botella con rosca o ranuras de ajuste). Su diseño se enfoca en ser robusto, a prueba de fugas y fácil de llenar en la línea de producción. Al ser un módulo independiente, permite que el mismo contenedor se pueda usar con diferentes tipos de tapas o sistemas de dosificación, lo que reduce los costos de manufactura y facilita el manejo de inventario para distintas líneas de producto.

2. Subsistema de Dosificación y Succión
Este subsistema integra el émbolo o bulbo de succión y la pipeta o tubo de medición. El diseño modular de este componente es crucial para la usabilidad. La pipeta puede fabricarse en diferentes longitudes o con diferentes graduaciones para adaptarse a distintas dosis o tipos de medicamentos, sin necesidad de rediseñar el contenedor principal o la tapa. Su ensamblaje es sencillo y se puede unir al siguiente subsistema con un simple ajuste de presión.

3. Subsistema de Tapa de Seguridad
Este subsistema consiste en la tapa de seguridad y el mecanismo de cierre. Este es el módulo más crítico en términos de seguridad infantil. Se diseña como una pieza independiente que se puede enroscar o encajar en el subsistema de contención. Su naturaleza modular permite que se pueda probar y certificar por separado para cumplir con las normativas de seguridad, y puede ser reemplazada con una tapa no segura (para uso adulto) si así se requiere, sin alterar el resto del gotero. Esto simplifica enormemente la producción y el proceso de reemplazo de piezas.

Este ejercicio permitió establecer la base de modularidad del producto antes de pasar a una herramienta de generación más técnica.

Exploración de configuraciones con Autodesk Generative Design
Posteriormente, se utilizó Autodesk Generative Design para explorar múltiples configuraciones de estos bloques de construcción. A diferencia de ChatGPT, esta es una herramienta basada en algoritmos avanzados que genera soluciones de diseño optimizadas a partir de los parámetros y restricciones definidos por el diseñador.

En este caso, se definieron los siguientes criterios para el software:

  • Puntos de conexión: Las interfaces donde los módulos deben encajar.
  • Propiedades de los materiales: Resistencia y flexibilidad del polipropileno y silicón.
  • Requisitos de carga: Las fuerzas que las partes deben soportar, como la presión al succionar el líquido.

Autodesk Generative Design procesó estos datos para generar una variedad de formas y geometrías complejas que cumplían con las especificaciones técnicas. Esto permitió al diseñador visualizar soluciones que hubieran sido difíciles de conceptualizar de forma manual, optimizando la estructura del producto para la función y el material seleccionados.

El uso combinado de estas IA demuestra un enfoque integral en el que la tecnología no solo ayuda en la lluvia de ideas inicial, sino que también asiste en la exploración de soluciones técnicas avanzadas. En la Figura 7 se muestran las imágenes que ejemplifican las propuestas modulares.

 

Figura 7. Propuestas de diseño modular de un gotero médico para niños de 6 meses a 5 años. Imagen generada por inteligencia artificial con DALL·E.
Fuente: OpenAI (2024).

  • Análisis crítico de los resultados de la arquitectura modular
    La aplicación de IA en la generación de arquitectura modular, si bien es útil, no está exenta de limitaciones. A pesar de su capacidad para explorar un vasto número de configuraciones, es fundamental que el diseñador realice una crítica profunda de los resultados obtenidos.

     

    La principal limitación observada en esta fase es la tendencia de las IA a generar un exceso de piezas o geometrías excesivamente complejas. Esto se debe a que la IA optimiza las soluciones basándose únicamente en los parámetros que recibe (como la resistencia del material o la reducción de peso), sin considerar las restricciones prácticas del mundo real, tales como:

    • Viabilidad de manufactura: El diseño puede ser matemáticamente perfecto, pero imposible o extremadamente costoso de producir con las tecnologías actuales.
    • Eficiencia de ensamblaje: Un gran número de piezas aumenta significativamente el tiempo y el costo de producción, y puede introducir puntos de falla.
    • Estética y usabilidad: Un diseño optimizado para la resistencia puede resultar en una forma poco atractiva o ergonómicamente inviable para el usuario final.

En este sentido, el resultado de la IA debe ser visto como un punto de partida o una «noción» de la solución ideal. El diseñador, con su criterio y experiencia, es quien finalmente traduce y refina estas propuestas, realizando ajustes en caso de ser necesario. Su rol es evaluar las propuestas de la IA, simplificar las geometrías complejas, reducir el número de piezas y asegurar que el diseño final no solo sea funcional, sino también práctico, rentable y estéticamente coherente con el producto final.

Fase 3, diseño de detalle

En la fase de detalle los diseñadores determinan las características específicas del producto en cuanto a dimensiones, tolerancias, materiales, ensamblajes y el proceso de manufactura entre otros y en esta etapa, el uso de la Inteligencia Artificial no ha sido la excepción.

En 2016, la empresa Autodesk dio a conocer su sistema de diseño generativo, durante la demostración se formulan tres preguntas: ¿cuál es el diseño de una silla que soporte 125kg?, ¿cuál es el diseño de una silla cuyo peso sea 7.5kg?, ¿cuál es el diseño de una silla cuyo costo sea 30 dólares o menos? Según Rodríguez (2021, p.57). En este contexto, actualmente existen diversas alternativas de IA generativas y modelos de lenguaje capaces de generar especificaciones para el desarrollo de productos. Por ejemplo, Autodesk Fusion 360 utiliza algoritmos generativos para crear diseños optimizados basados en parámetros establecidos como materiales, resistencia o procedimientos de fabricación. En la etapa de diseño de detalle, los modelos de lenguaje como ChatGPT pueden servir como herramientas complementarias para la redacción de especificaciones técnicas, la documentación de procesos y el análisis de problemas específicos, asimismo, herramientas como DALL-E contribuyen al proceso de diseño mediante la generación de visualizaciones estéticas que ayudan a refinar los detalles, aunque no producen planos técnicos en CAD. Vertex AI es otra alternativa de Inteligencia Artificial que facilita la generación de listas de materiales y la determinación de las dimensiones de un concepto de diseño. Katti et al. (2022) señalan que la plataforma de aprendizaje Vertex AI de Google Cloud reúne varias herramientas para facilitar el trabajo de los expertos en datos y en aprendizaje automático.

Para ejemplificar cómo se aplica la IA en esta fase, se empleó Vertex AI para crear listas de materiales y calcular la altura estimada de un producto farmacéutico a partir de una imagen renderizada del concepto de diseño, como se muestra en la Figura 8.

Figura 8. Concepto renderizado del diseño de un gotero médico para niños de 6 meses a 5 años, utilizado para la generación de una lista de partes y dimensiones de cada pieza en Vertex AI.
Fuente: elaboración propia.

    El procedimiento inició con una solicitud al modelo de IA para generar una lista de partes visibles en la imagen del gotero. A partir de este análisis, Vertex AI identificó los siguientes elementos principales:

    Prompt: Realizar una lista de partes de la imagen del diseño de un gotero médico infantil que a continuación se presenta (haciendo referencia a la Figura 8).
    Como respuesta, Vertex AI identificó los siguientes elementos:

    • Anillo de agarre: La parte superior circular de color verde que sirve para sujetar el gotero.
    • Cuerpo superior: La parte roja con forma de bulbo que contiene el líquido.
    • Tubo: El tubo transparente que se extiende desde el cuerpo superior y permite que el líquido se dispense.
    • Punta del gotero: El extremo inferior del tubo, diseñado para dispensar el líquido en gotas.
    • Líquido: El líquido que se encuentra dentro del tubo.

    El procedimiento se centró en un análisis de visión por computadora, utilizando un modelo de Vertex AI para identificar las partes visibles del gotero. A través del Prompt Realizar una lista de partes de la imagen del diseño de un gotero médico infantil que a continuación se presenta (haciendo referencia a la Figura 8), la IA identificó los siguientes elementos principales:

    • Anillo de agarre: La parte superior circular de color verde que sirve para sujetar el gotero.
    • Cuerpo superior: La parte roja con forma de bulbo que contiene el líquido.
    • Tubo: El tubo transparente que se extiende desde el cuerpo superior y permite que el líquido se dispense.
    • Punta del gotero: El extremo inferior del tubo, diseñado para dispensar el líquido en gotas.
    • Líquido: El líquido que se encuentra dentro del tubo.

    Posteriormente, se utilizó un segundo Prompt para obtener una estimación de las dimensiones de cada parte del gotero, considerando una altura total de 8 cm:

    En este experimento, se alimentó a Vertex AI con requerimientos técnicos y antropométricos específicos para que el modelo pudiera realizar estimaciones dimensionales precisas. El cálculo de las dimensiones de cada parte del gotero no se basó únicamente en la altura total, sino que se integraron los siguientes parámetros en el Prompt:

    • Capacidad volumétrica: Un requerimiento de 15 ml (o 15 cm³) para el contenedor del gotero.
    • Datos antropométricos: Se especificaron parámetros de usabilidad para un rango de edad de 1 a 5 años, como un diámetro del émbolo que se ajuste a la presión de los dedos de un cuidador adulto y una longitud de la pipeta que permite una dosificación precisa para la boca de un niño.
    • Restricciones de manufactura: Se incluyeron parámetros como el grosor mínimo de la pared para el proceso de moldeo por inyección y tolerancias para el encaje entre las piezas.

    De este modo, Vertex AI no solo calculó las dimensiones, sino que ajustó las estimaciones en función de estos requerimientos funcionales y técnicos, lo que valida que la IA puede ser una herramienta de apoyo en la fase de ingeniería de un producto, trabajando con parámetros específicos.

    • Anillo de agarre:
      • Diámetro exterior: Aproximadamente 2.5 cm. (aproximadamente 30% de la altura total)
      • Grosor del anillo: Aproximadamente 0.6 cm.
    • Cuerpo superior (bulbo rojo):
      • Altura total: Aproximadamente 3.5 cm. (aproximadamente 44% de la altura total)
      • Diámetro máximo (en la parte más ancha): Aproximadamente 3 cm.
    • Tubo:
      • Longitud total: Aproximadamente 4 cm. (aproximadamente 50% de la altura total)
      • Diámetro exterior: Aproximadamente 0.9 cm.
      • Diámetro interior (lumen): Aproximadamente 0.5 cm.
    • Punta del gotero:
      • Longitud: Aproximadamente 0.7 cm.
      • Diámetro de la abertura: Aproximadamente 0.15 cm (lo suficientemente pequeño para formar gotas).

    A partir de los datos y las propuestas de diseño generadas por Vertex AI de Google (2025), definimos las proporciones del producto. Se decidió que, para una altura total de 8 cm, el cuerpo superior mediría la mitad, es decir, 4 cm.

    Con este proceso, se buscó evaluar la precisión y utilidad de Vertex AI en la interpretación visual y en la extracción de información cuantificable para el diseño de detalle.

    Fase 4, pruebas y refinamiento

    Según Songwe y Andrisani (2022), esta etapa, conocida también “como fase de pruebas, evaluación y desarrollo, permite a los diseñadores desarrollar prototipos de alta fidelidad, refinar el producto con base en la retroalimentación, documentar y analizar pruebas de usuario, además de involucrar a los fabricantes” (p. 86).

    Específicamente para ilustrar la integración de la IA en esta fase del PDDP se considera la utilización de algoritmos evolutivos para optimizar los diseños, en este caso, resulta de utilidad simular la cantidad de componentes para el diseño de un gotero farmacéutico, así como su resistencia y materiales que le aportará al diseñador información valiosa para la toma de decisiones. En ese sentido, Rodríguez (2022) refiere que “como una propuesta de proyección del Diseño Industrial aplicando técnicas de IA, se sugiere trabajar el desarrollo de productos por medio del uso de algoritmos evolutivos para la optimización de simulaciones” (p, 88). En la Figura 9, se muestra un modelo donde se representa la combinación del modelado paramétrico (utilizando CAD) y algoritmos evolutivos para perfeccionar los modelos (simulador de Autodesk Inventor). Como resultado se generaron 2 conceptos donde se priorizaron la facilidad de ensamblaje y seguridad y la resistencia.

    Figura 9. Proyección del Diseño Industrial.
    Fuente: Rodríguez (2022).

    • Concepto de embalaje 1

    En esta primera iteración de un algoritmo evolutivo, la IA podría haber priorizado la facilidad de ensamble y la reducción de componentes. Esto podría llevar a diseños donde las piezas se integran más o donde las uniones son extremadamente sencillas como se muestra en la Figura 10.

    Figura 10. Posible solución evolutiva para el ensamblaje de un gotero farmacéutico. Imagen generada por Inteligencia Artificial.
    Fuente: elaboración propia a través de inteligencia artificial con Vertex AI.

    • Concepto de embalaje 2

    Para este segundo concepto, el algoritmo evolutivo podría haber priorizado la seguridad y la resistencia. En lugar de un ensamble sencillo, la «solución» evolutiva se vuelve más compleja para cumplir con criterios de protección infantil y evidencia de manipulación como se muestra en la Figura 11.

    Figura 11. Posible solución evolutiva para el ensamblaje de un gotero farmacéutico. Imagen generada por Inteligencia Artificial.
    Fuente: Mendoza Moreno, G. (2025). [Descripción de la imagen] [Imagen generada por inteligencia artificial con Vertex AI]. https://cloud.google.com/vertex-ai 

    En este proyecto, interpretamos la optimización de la IA no como una delegación, sino como una colaboración avanzada donde la tecnología asiste al diseñador a encontrar la solución más eficiente a un problema. Al combinar estos enfoques, se pueden lograr productos mejor diseñados, con un rendimiento superior y costos reducidos. La IA mejora la fabricación mediante la automatización de las decisiones de diseño y la optimización de los procesos, pero bajo el control y el criterio final del diseñador.

    Fase 5, inicio de producción

    Ulrich et al. (2019) señalan que, en esta fase, el producto se fabrica utilizando el sistema de producción previsto y, en algunos casos, se distribuye a clientes preferentes para su evaluación, con el fin de detectar posibles fallos, esto garantiza la viabilidad técnica, de manufactura y una experiencia de usuario adecuada.

    Con el objetivo de ejemplificar el uso de Inteligencia Artificial en esta fase del desarrollo, se recurrió a Vertex AI para generar un plan de producción estructurado, partiendo de la identificación y caracterización de los componentes del producto descritos en la fase 3.

    • Procedimiento:

    Usuario: Solicitar la creación de un plan de producción detallado basado en los componentes y sus dimensiones.
    Respuesta: Vertex AI generó el plan de producción para cada módulo del producto, y se organizó la información presentada en la Tabla 3.

    Tabla 3. Plan de producción (fabricación de componentes).
    Fuente: Mendoza (2025).

    Este ejemplo, es una muestra de cómo la Inteligencia Artificial puede ser una herramienta clave en el inicio de la producción, ayudando a generar planes detallados de manera rápida y precisa. Usar herramientas como Vertex AI no solo hace más ágil el proceso de transición del diseño a la manufactura, sino que también facilita la toma de decisiones, reduciendo riesgos y asegurando una mayor calidad desde las primeras etapas de fabricación.

    Discusión y reflexiones finales

    A partir de la experimentación realizada, se comprende el uso de las herramientas como DALLE, la cual genera un acompañamiento que permite optimizar procesos en el Diseño Industrial. Lejos de automatizar el intelecto humano, la IA demostró ser un aliado estratégico capaz de potenciar la creatividad y el pensamiento crítico en cada fase del PDDP.

    Se ha observado cómo la IA puede generar contenido, procesar información y optimizar decisiones, impactando de manera significativa el desarrollo de un producto desde el brief hasta la validación de su ensamblaje. Por ejemplo, se comprobó que el valor de la IA reside en su capacidad para tomar una idea inicial del diseñador (como el borrador de un brief) y refinarla con un análisis detallado, o para transformar la visión estética del diseñador en conceptos visuales concretos.

    La principal contribución de la IA, como destacan Rane et al. (2023), es su habilidad para potenciar la creatividad humana y el proceso de mejora dentro del prompt. Si bien nuestro estudio no se centró en el análisis de grandes volúmenes de datos sobre tendencias o preferencias, el uso estratégico de la IA en nuestro caso de estudio es una manifestación de esta capacidad. Mediante algoritmos de aprendizaje automático, la IA puede examinar extensos volúmenes de datos para identificar patrones y ofrecer sugerencias informadas, una función que, en nuestro proceso, fue emulada a escala reducida a través de los prompts detallados que guiaron las iteraciones de diseño.

    Este enfoque colaborativo sugiere un cambio en las competencias requeridas para los futuros diseñadores, quienes no solo necesitarán dominar los principios de diseño, sino también aprender a comunicarse eficazmente con la IA a través de prompts. Esta habilidad es tan fundamental que ha emergido como una disciplina clave: la ingeniería de prompts.

    La importancia de una buena ingeniería de prompts

    La ingeniería de prompts (“Prompt Engineering”) se refiere al proceso de diseñar y formular indicaciones o preguntas (prompts) para guiar a los modelos de IA, especialmente a los modelos de lenguaje, a generar respuestas útiles, informativas o creativas (González, 2024). Una de las técnicas utilizadas es el juego de roles, que consiste en asignar un contexto o identidad específica al modelo, permitiendo que actúe de manera más precisa o acorde a una situación particular. Además de esta técnica, la ingeniería de prompts puede implicar la optimización de la estructura y el contenido de las solicitudes para asegurar que las respuestas sean claras, relevantes y estén alineadas con los objetivos del usuario.

    Otro aspecto relevante es la adaptabilidad de la ingeniería de prompts, ya que un mismo modelo de IA puede generar respuestas muy distintas según cómo se le plantee una pregunta. Esto permite que los profesionales del área puedan desarrollar interacciones más eficientes y personalizadas para diversas aplicaciones, desde la creación de contenido hasta la asistencia en la toma de decisiones. Por lo tanto, la habilidad de generar prompts efectivos se ha vuelto una habilidad clave para obtener resultados significativos en la era de la IA.

    En última instancia, la IA no es una solución mágica, sino un catalizador que acelera el proceso creativo, permitiendo a los diseñadores concentrarse en lo que mejor saben hacer: pensar de forma crítica y crear soluciones significativas para problemas del mundo real.

    Sin embargo, la integración de la IA en el Diseño Industrial no está exenta de desafíos. Dicha implementación requiere una comprensión profunda tanto de las capacidades como de las limitaciones de estas tecnologías. Además, el papel del diseñador como mediador creativo sigue siendo indispensable, ya que las decisiones estéticas, éticas y funcionales continúan dependiendo de la sensibilidad y el juicio humano.

    Con base en lo anterior, Fang (2023) sugiere que:

    A medida que la IA generativa continúa avanzando, plantea un desafío significativo a las habilidades fundamentales de los diseñadores industriales, lo que exige la integración de parámetros basados en conocimientos expertos. Aunque se aconseja precaución al emplear la IA en todos los aspectos del proceso de diseño, sigue siendo necesario contar con una base sólida en historia del diseño, estilos y experiencia práctica, especialmente en áreas como ergonomía, fabricación y análisis de costos (p. 132).

    Finalmente, se puede afirmar que “los modelos de IA generativa no reemplazarán a los humanos, si no mejorarán nuestro contenido” (Gozalo-Brizuela y Garrido-Merchán, 2023, p.2). Otro aspecto para considerar es que, a pesar del creciente uso de las Inteligencias Artificiales Generativas y los Modelos de Lenguaje en el PDDP “se ha escrito poco sobre el uso de generadores de texto a imagen o texto a 3D en el proceso de diseño industrial, aunque este debate ya está en marcha en el mundo más dinámico de las redes sociales”. (Bartlett y Camba, 2023, p. 55)

    Conclusiones

    La integración de la inteligencia artificial (IA) en el Diseño Industrial ha generado una transformación profunda en la manera en que los diseñadores abordan la creación de productos. Como se señala en este estudio, la IA, tanto en sus versiones generativas como en los modelos de lenguaje, se está consolidando como una herramienta fundamental para aumentar la eficiencia, potenciar la creatividad y mejorar la personalización en cada una de las etapas del PDDP.

    En las fases iniciales del proceso, tales como la planeación y el desarrollo del concepto, la Inteligencia Artificial facilita un análisis rápido de ideas. Herramientas de IA generativa como DALL-E y Midjourney facilitan el proceso de diseño mediante el mejoramiento del prompt a base de algunas descripciones escritas, mientras que por otro lado existen algunos algoritmos sofisticados que permiten examinar grandes cantidades de información para detectar tendencias y gustos del mercado, sin embargo en este caso, se busca optimizar el proceso.

    En las fases de pruebas y refinamiento, la IA desempeña un papel fundamental en la optimización del diseño. La utilización de algoritmos evolutivos a través de las simulaciones permite resolver problemas antes de la producción, lo que contribuye a reducir costos y minimizar errores.

    Integración de los desafíos éticos y la labor del diseñador

    A pesar de los beneficios expuestos, todavía persisten retos e inquietudes en la integración de la IA en el diseño. Más allá de la resistencia de ciertos expertos, resaltan las cuestiones de índole ética, como la autoría de las obras generadas por IA, el sesgo inherente en los datos de entrenamiento y la responsabilidad por los productos diseñados con su asistencia. Es fundamental que la comunidad de diseño establezca marcos éticos y normativos claros que orienten su aplicación.

    No obstante, el estudio efectuado expone que estas herramientas son aliados para la mejora del proceso convergiendo con el diseñador para explotar el potencial que poseen, se reafirma el valor que tiene el diseñador. La IA no sustituye al juicio humano, sino que lo fortalece al liberar al diseñador de labores monótonas y brindar nuevas herramientas para la creatividad y la toma de decisiones. Tal como se observó al utilizar DALL·E en la fase 1 del PDDP, la calidad del resultado depende directamente de la precisión y la intención del diseñador, quien actúa como mediador y curador del proceso creativo. Por lo tanto, el diseñador no solo mantiene su rol, sino que lo eleva, al convertirse en la garantía de la ética, la usabilidad y la dirección estratégica del proyecto.

    Finalmente, con relación a las futuras oportunidades, se prevé una integración cada vez mayor de estas tecnologías conforme se superen obstáculos tecnológicos y sobre todo culturales. El secreto radicará en una integración balanceada en la que la colaboración entre la Inteligencia Artificial y los diseñadores facilite el máximo aprovechamiento de las habilidades de ambos actores. Esta perspectiva no solo potenciará el proceso de creación, sino que también replanteará el diseño industrial como una disciplina que cambia continuamente hacia la innovación y la sostenibilidad.

    Referencias

    Aso, N., Yanami, H. y Ogawa, M. (2022). Automatic Parametric Modeling Technique for Structural Design Standardization. IEEE Access, 10, 81031–81041. https://doi.org/10.1109/ACCESS.2022.3196001

    Bartlett, K. y Camba, J. (2023). Generative Artificial Intelligence in Product Design Education: Navigating Concerns of Originality and Ethics. International Journal of Interactive Multimedia and Artificial Intelligence, 8(5), 55-64. https://dx.doi.org/10.9781/ijimai.2024.02.006

    Casar, J. (2023). Inteligencia artificial generativa. Anales de la Real Academia de Doctores de España, 8(3), 475-489. https://www.rade.es/imageslib/PUBLICACIONES/ARTICULOS/V8N3%20-%2001%20-%20ED%20-%20CASAR.pdf

    Chang, Y., Wang, X., Wang, J., Wu, Y., Yang, L., Zhu, K.,Chen, H., Yi, X., Wang, C., Wang, Y., Ye, W. Zhang, Y., Chang, Y., Yu, P. S., Yang, Q. y Xie, X. (2024). A Survey on Evaluation of Large Language Models. ACM Transactions on Intelligent Systems and Technology, 15(3), Artículo 39. https://doi.org/10.1145/3641289

    Fang, Y.-M. (2023). The role of generative AI in industrial design: enhancing the design process and education [Presentación de trabajo]. International Conference on Innovation, Communication and Engineering (ICICE 2023), Bangkok, Tailandia. https://doi.org/10.1049/icp.2024.0303

    Google. (2025). Generación de dimensiones en Vertex AI [Modelo de inteligencia artificial]. https://cloud.google.com/vertex-ai

    González, R. (2024). El Arte y la Ciencia del “Prompt Engineering” en la Inteligencia Artificial. UDLAP. https://ia.udlap.mx/el-arte-y-la-ciencia-del-prompt-engineering-en-la-inteligencia-artificial/

    Gozalo-Brizuela, R. y Garrido-Merchán, E. (2023). ChatGPT is not all you need. A State of the Art Review of large Generative AI models. ArXiv. https://doi.org/10.48550/arXiv.2301.04655

    Industrial Designers Society of America. (s.f.). What Is Industrial Design? Industrial Designers Society of America. https://www.idsa.org/about-idsa/advocacy/what-industrial-design/

    İrem, E. y Özsoy, H. (2024). Investigating The Effects of Using Artificial Intelligence in The Conceptual Design Phase of the Industrial Design Process. Journal of Science, 12(2), 255-276. https://dergipark.org.tr/en/pub/gujsb/issue/85729/1431688

    Katti, J., Agarwal, J., Bharata, S., Shinde, S., Mane, S. y Biradar, V. (2022). University Admission Prediction Using Google Vertex AI [Presentación de trabajo]. 2022 First International Conference on Artificial Intelligence Trends and Pattern Recognition (ICAITPR), Hyderabad, India. https://doi.org/10.1109/ICAITPR51569.2022.9844176

    López-Forniés, I. y Asión-Suñer, L. (2023). Potenciando la Creatividad en Diseño Industrial a través de la Inteligencia artificial: Estudio sobre la cocreación hombre-máquina [Presentación de trabajo]. VII Congreso Internacional sobre Aprendizaje, Innovación y Cooperación, Madrid, España. http://dx.doi.org/10.26754/CINAIC.2023.0103

    Nozaki, N., Konno, E., Sato, M., Sakairi, M., Shibuya, T., Kanazawa, Y. y Georgescu, S. (2017). Application of artificial intelligence technology in product design. Fujitsu Science Technology Journal, 53(4), 43–51. https://www.fujitsu.com/global/documents/about/resources/publications/fstj/archives/vol53-4/paper10.pdf

    OpenAI. (2025). ChatGPT (versión GPT-4) [Modelo de inteligencia artificial]. https://chat.openai.com/

    Oosthuizen, K., Botha, E., Robertson, J., Y Montecchi, M. (2021). Artificial intelligence in retail: The AI-enabled value chain. Australasian Marketing Journal, 29(3), 264–273. https://doi.org/10.1016/j.ausmj.2020.07.007

    Porcelli, A. M. (2020). La inteligencia artificial y la robótica: sus dilemas sociales, éticos y jurídicos. Derecho Global. Estudios sobre Derecho y Justicia, 6(16), 49-105. https://doi.org/10.32870/dgedj.v6i16.286 

    Ramírez, R., Pinheiro, V., Zorrilla, L., Ceballos, J. y Benasso, T. (2019). El Desarrollo de productos en la empresa: La materialidad del producto. Instituto Nacional de Tecnología Industrial. https://www.inti.gob.ar/assets/uploads/files/diseno-industrial/2021/unidad%204.pdf

    Rane, N., Choudhary, S. y Rane, J. (2023). Enhanced product design and development using Artificial Intelligence (AI), Virtual Reality (VR), Augmented Reality (AR), 4D/5D/6D Printing, Internet of Things (IoT), and blockchain: A review. SSRN. http://dx.doi.org/10.2139/ssrn.4644059

    Rodríguez, L. (2021). Diseño industrial y cambios tecnológicos. Invitación a un debate. Diseño y Sociedad (50-51), 54-59. https://disenoysociedadojs.xoc.uam.mx/index.php/disenoysociedad/article/view/474/468

    Rodríguez Mondragón, S. (2022). Diseño industrial e inteligencia artificial (DIIA). En De los métodos y las maneras (pp. 81-92). Universidad Autónoma Metropolitana. https://zaloamati.azc.uam.mx/items/fb538a22-817e-4b98-b335-3b8f6af90a08

    Rouhianen, L. (2018). Introducción a la Inteligencia Artificial. En Inteligencia Artificial 101 cosas que debes saber hoy sobre nuestro futuro (p. 17). Planeta.

    Sattele, V., Reyes, M. y Fonseca, Á. (2023). La Inteligencia Artificial Generativa en el Proceso Creativo y en el Desarrollo de Conceptos de Diseño. Umática. Revista sobre Creación y Análisis de la Imagen, 6(6), 53-73. https://doi.org/10.24310/umatica.2023.v5i6.17153

    Songwe, N., y Andrisani, C. (2022). Industrial Design (ID) Process. En An Industrial Design Guide (vol. 1, pp. 84-95). Creative Design Books.

    Ulrich, K., Eppinger, S. y Yang, M. (2019). Product Development Process and Organization (p.15-17). En Product Design and Development (7ma ed.). McGraw Hill.

    Vasiliu, R. E. (2024). Impact of Artificial Intelligence (AI) on industrial design for architect design purposes [Presentación de trabajo]. 8th World Multidisciplinary Civil Engineering – Architecture – Urban Planning Symposium (WMCAUS 2023), Praga, República Checa. https://doi.org/10.1051/matecconf/202439619001

    Zhang, F. (2022). Design and Implementation of Industrial Design and Transformation System Based on Artificial Intelligence Technology. Mathematical Problems in Engineering, 2022, Artículo 9342691. https://doi.org/10.1155/2022/9342691

    Versiones del manuscrito y arbitrajes