La IA generativa está acelerando y transformando profundamente el desarrollo de software. Sin embargo, en aplicaciones de automoción críticas para la seguridad, crear código, modelos, pruebas y documentación más rápido puede generar cuellos de botella en la verificación, validación y trazabilidad.
La IA generativa genera código, modelos, pruebas y documentación mucho más rápido de lo que los equipos pueden revisarlos y validarlos con procesos manuales. Sin flujos de trabajo que lo respalde, se corre el riesgo de crear arquitecturas frágiles, trazabilidad insuficiente, comportamientos impredecibles y un esfuerzo de validación que supera las ganancias de productividad. En sistemas críticos para la seguridad, estos problemas afectan directamente la certificación y la mantenibilidad a largo plazo.
Los equipos de automoción deben determinar cómo desplegar IA generativa preservando el control técnico, la comprensión del sistema y el cumplimiento normativo.
Este artículo técnico describe cómo el diseño basado en modelos proporciona una base estructurada para aplicar la IA generativa en el desarrollo de sistemas y software para automoción. Combinar la IA generativa con los flujos de trabajo de diseño basado en modelos permite a los equipos de ingeniería acelerar el diseño y la implementación, sin poner en riesgo la trazabilidad, la verificación y la validación en nivel de sistema a lo largo del ciclo de vida.
La IA generativa puede aumentar significativamente la productividad ya que puede generar artefactos rápidamente, asistir con herramientas y aplicar un amplio conocimiento contextual a las tareas de ingeniería. No obstante, en el desarrollo de automoción crítico para la seguridad, sus limitaciones introducen riesgos si no se gestionan dentro de un flujo de trabajo estructurado.
Se está produciendo una transición desde herramientas de IA generativa independientes hacia IA agente, donde los agentes de IA ejecutan tareas basadas en objetivos definidos por ingenieros. Estos agentes pueden interactuar con MATLAB® y Simulink®, transformando la IA generativa de asistente a participante activo en los flujos de trabajo de desarrollo.
Los archivos de skills y Model Context Protocol (MCP) son elementos clave para las aplicaciones de IA agente impulsadas por macromodelos de lenguaje (LLM). MCP permite que un LLM interactúe con herramientas de ingeniería, como MATLAB, Simulink y Polyspace®, transformando el razonamiento probabilístico en una ejecución determinística fundamentada, aprovechando la comprensión de principios físicos. Los archivos de skills son instrucciones documentadas que indican al LLM cómo realizar tareas específicas de la mejor forma y qué se debe evitar.
La cuestión clave no es si la IA generativa es útil, claramente lo es, sino cómo aplicarla para que el rigor, la confianza y la responsabilidad técnica crezcan al mismo ritmo que la velocidad. Sin flujos de trabajo adecuados de verificación, validación y trazabilidad, crear código, modelos, pruebas y documentación más rápido puede poner en riesgo integración, la certificación y el mantenimiento a largo plazo.
El diseño basado en modelos ha sido durante mucho tiempo un pilar fundamental de la ingeniería de automoción. Representar sistemas como modelos ejecutables ayuda a reducir la complejidad, automatizar la implementación con trazabilidad y validar el comportamiento del sistema de manera temprana, antes de que los problemas se propaguen a fases posteriores.
En la era de la IA generativa, el diseño basado en modelos no solo sigue siendo relevante, sino que también está optimizado por la IA generativa. Cuando la IA generativa opera dentro de los flujos de trabajo establecidos de diseño basado en modelos, los grupos de ingeniería mantienen el control de las decisiones del sistema y la intención del diseño. Los modelos ejecutables, la simulación basada en la física, la generación automática de código determinístico y las herramientas de verificación crean un entorno estructurado en el que los cambios asistidos por IA pueden ser revisados, probados y vinculados a evidencias.
El diseño basado en modelos combina MATLAB y Simulink con IA generativa a lo largo de todo el ciclo de desarrollo.
En este contexto, la verificación visual y sistemática impulsada por simulación se convierte en una ventaja clave. Los modelos ejecutables y los resultados de simulación permiten a los grupos de ingeniería observar el comportamiento del sistema, comprender la causa y efecto entre distintos dominios, y supervisar el desarrollo asistido por IA con claridad en lugar de depender únicamente del código generado o de los registros.
Aceleración del diseño con IA generativa
El diseño suele ser la primera fase en la que los grupos de ingeniería experimentan los beneficios de usa IA generativa. En las primeras etapas de desarrollo, se dedica más tiempo a tareas repetitivas de implementación que a decisiones de sistema de mayor nivel. La IA generativa ayuda a reducir esta carga, mientras que los grupos de ingeniería siguen siendo responsables de los resultados. Con agentes de IA conectados a Simulink, la IA generativa se centra en la automatización y ejecución mientras ingenieros definen objetivos, restricciones y tradeoffs.
Pueden utilizar agentes de IA para generar borradores de modelos arquitectónicos a partir de requisitos documentados, desarrollar sistemas utilizando librerías verificadas y aplicar patrones de modelado consistentes. En este contexto, la IA generativa es igualmente valiosa para trabajar con diseños existentes. Los modelos de Simulink de gran tamaño pueden reorganizarse para mejorar la estructura y la mantenibilidad, transformando tareas tradicionalmente lentas y repetitivas en procesos mucho más ágiles.
La IA automatiza varias tareas de diseño a menudo arduas, como conectar requisitos al modelo correspondiente.
Del diseño asistido por IA al software de producción
A medida que el desarrollo avanza hacia la producción, las restricciones derivadas de los procesos y estándares de automoción se vuelven innegociables. Aunque la IA generativa puede ayudar en el desarrollo de algoritmos, el código de producción debe ser determinístico, trazable, certificable y estar listo para tiempo real.
Surge una separación de responsabilidades práctica: la IA generativa impulsa la aceleración creativa; el diseño basado en modelos garantiza el cumplimiento riguroso en la producción. Una vez validado el diseño, se aplican los flujos de trabajo establecidos para la generación de código, verificación y cumplimiento normativo.
Con Embedded Coder®, los equipos pueden generar automáticamente código optimizado en C y C++ para su despliegue en hardware de producción y luego aplicar flujos de trabajo de verificación probados para establecer confianza en el despliegue. Los agentes de IA pueden optimizar esta fase automatizando tareas de integración, creando interfaces de prueba y coordinando flujos de trabajo de despliegue. Es importante destacar que la IA generativa no reemplaza las cadenas de herramientas existentes, sino que ayuda a conectarlas.
Independientemente de cómo se cree el código, a mano, con IA o a partir de modelos, debe ser sometido a comprobaciones. Las herramientas de Polyspace permiten analizar la robustez, detectar vulnerabilidades de seguridad, verificar el cumplimiento de normas de codificación y demostrar la ausencia de errores en tiempo de ejecución. Este paso garantiza que el desarrollo asistido por IA cumpla con las normas de codificación para software de automoción.
Validación en flujos de trabajo de ingeniería impulsados por IA generativa
A medida que aumenta el uso de componentes creados o modificados por IA generativa, la validación se vuelve aún más crítica. Los sistemas de automoción son complejos y multidominio. Muchos defectos no se manifiestan en funciones o componentes individuales, sino durante la integración, cuando las funcionalidades del software interactúan entre sí, con sensores, actuadores y las condiciones operativas del mundo real.
Este desafío se amplifica con la IA generativa. Cuando partes de una funcionalidad de software se generan o modifican automáticamente, los revisores deben evaluar no solo el cambio, sino también sus efectos en el comportamiento del sistema, interfaces, pruebas y supuestos de integración.
La etapa de validación es precisamente donde la simulación es críticamente necesaria, ya que permite que los grupos de ingeniería simulen y prueben el software junto con las condiciones eléctricas, mecánicas y ambientales mucho antes de que los prototipos físicos estén disponibles. La simulación, por lo tanto, es el mecanismo que expone los problemas de integración de manera temprana y respalda la validación "shift-left".
MathWorks está acelerando la incorporación de funcionalidades de IA generativa mientras mantiene la estabilidad y la calidad necesarias en la ingeniería de automoción. Dos lanzamientos de versiones principales al año proporcionan una base confiable, mientras que ciclos de iteración más rápidos permiten que nuevas funcionalidades de IA generativa se entreguen rápidamente. Las funcionalidades actuales de IA generativa incluyen MATLAB Agentic Toolkit, Simulink Agentic Toolkit y Polyspace Agentic Toolkit, así como Simulink Copilot.
La IA generativa está cambiando la forma en que se desarrollan los sistemas y el software de automoción. El éxito depende de equilibrar la innovación con el rigor.
Los equipos que apliquen IA generativa sin verificación y trazabilidad asumirán el riesgo de más correcciones durante la integración, certificación y mantenimiento, así como un consumo elevado de tokens. Los equipos que aplican IA generativa en flujos de trabajo de diseño basado en modelos pueden aumentar su velocidad de desarrollo con confianza porque cada cambio es trazable y está respaldado por comportamiento observable y evidencia validada.
Combinar IA generativa con diseño basado en modelos permite acelerar el desarrollo preservando el comportamiento observable, la evidencia de verificación, la trazabilidad y la implementación determinística necesarias de la ingeniería crítica para la seguridad. MathWorks se compromete a colaborar con el sector de automoción para crear entornos de ingeniería impulsados por IA generativa que cumplen con las expectativas de calidad y las necesidades de seguridad, y aseguran la mantenibilidad a largo plazo.
