La inteligencia artificial generativa (IAG) está abriendo un nuevo capítulo en el diseño asistido en diversos sectores industriales (moda, arquitectura, diseño de interiores, joyería, videojuegos, packaging, etc.), donde la colaboración entre el humano y el digital tiene el potencial de acelerar los procesos desde la creación hasta la fabricación. En este artículo, presentamos un caso práctico prometedor aplicando IAG al sector del calzado.
Retos de la IAG en el diseño asistido en entornos industriales
En los entornos industriales, el objetivo de la IAG no es simplemente crear diseños atractivos, sino integrarse de manera fiable en cadenas de valor complejas, reguladas y sometidas a plazos exigentes. Aunque los modelos actuales logran resultados visualmente impresionantes, con frecuencia generan propuestas imposibles de fabricar y presentan un control limitado, lo que entra en conflicto con los requisitos de replicabilidad y trazabilidad que caracterizan al sector industrial.
Además, muchas herramientas generativas siguen funcionando de forma aislada, lo que dificulta la automatización y obliga a hacer ajustes manuales. Esto rompe la continuidad entre la idea y el producto final, ralentizando el proceso completo.
Por otro lado, la calidad de los modelos depende críticamente de los datos de entrenamiento, que suelen ser altamente sensibles, costosos de recopilar y a menudo escasos o sesgados. A esto se suman cuestiones éticas y legales: ¿se respetan los derechos de autor?, ¿se están reproduciendo sesgos de género, cuerpo o cultura presentes en los datos históricos?
Todo ello hace que la adopción de la IAG requiera no solo algoritmos potentes, sino también gobernanza, curación de datos y una estrategia clara de automatización sin desdibujar el papel fundamental del diseñador humano.
¿Por qué usar la IAG en el diseño asistido?
La IAG ofrece un potencial enorme para acelerar la exploración creativa, reducir tiempos de iteración y democratizar el acceso a herramientas avanzadas de diseño. Un mismo diseñador puede pasar de bocetar unas pocas propuestas a explorar decenas de variaciones de forma, color o textura a partir de unas pocas descripciones textuales, visuales, o cualquier otra modalidad que sea natural para el humano. En lugar de sustituir la creatividad, la IA funciona como un motor de divergencia: abre ramas de posibilidades que después el ojo experto filtra, refina y convierte en producto.
En términos operativos, esto significa acortar la distancia entre la idea y el prototipo integrando desde el diseño restricciones que permiten reducir iteraciones entre perfiles creativos y técnicos.
Gracias a técnicas como el Transfer Learning, es posible partir de modelos pre-entrenados de propósito general y adaptarlos a dominios específicos con datasets etiquetados propios, reduciendo la necesidad de datos masivos, protegiendo mejor la propiedad intelectual y la singularidad de cada empresa. Además, contribuye en facilitar la exploración de nichos de mercado e imaginar productos más inclusivos.
¿Qué son los modelos multimodales, y por qué resultan interesantes?
Los modelos multimodales son sistemas de IA capaces de comprender y relacionar distintos : texto, imágenes, audio, vídeo, geometría, etc. En los primeros desarrollos de la IA generativa, los modelos eran en su mayoría unimodales, es decir, convertían de una modalidad a otra, como en los sistemas de prompt texto-a-texto o la generación de imagen a partir de texto. Los modelos multimodales actuales van un paso más allá: pueden combinar múltiples modalidades de entrada y producir resultados en cualquier modalidad de salida, lo que amplía significativamente su rango de aplicación y creatividad.
Los modelos multimodales abordan uno de los grandes desafíos del diseño en el sector industrial: conectar el lenguaje del diseñador (“quiero una sandalia ligera, con tiras cruzadas y talón abierto”) con restricciones de todo tipo, como estructurales, estilísticas y estéticas, por ejemplo.
Esto abre la puerta a flujos de trabajo mucho más automatizables: desde la descripción de alto nivel en modalidades que los diseñadores suelen manejar, y de ahí al modelado técnico, reduciendo posibles incoherencias entre fases. En términos humanos, significa que la IA se comporta menos como un oráculo impredecible y más como un asistente con el que se puede colaborar.
Caso práctico: el proyecto AIGEN4FASHION
El proyecto AIGEN4FASHION nace precisamente para explorar este potencial en la industria del calzado, construyendo un proceso de diseño inteligente basado en IAG que produce bocetos a partir de descripciones conceptuales y hormas digitales. La solución actúa como un asistente que permite generar y explorar eficientemente variaciones de diseño, todo esto conectado a un entorno CAD donde el diseñador puede validar y retocar las propuestas.
Este proyecto FEDER es una colaboración entre INESCOP, Centro Tecnológico del Calzado e ITI, centro tecnológico especializado en TIC, financiada por el Instituto Valenciano de Competitividad Empresarial (IVACE+i) y en la que colaboran Pikolinos Intercontinental, Indaca Hormas, Unisa Europa, Mila y Pedro García y Dian.
El diseñador solicita al modelo de IAG que cree un boceto indicando las características mínimas que este debe cumplir (“puntera”, “hueco medio”) y ajustando el nivel de creatividad del sistema para permitir variaciones que se alejan de lo estrictamente especificado. Además, proporciona la horma, que actúa como guía geométrica sobre la cual se proyectan las líneas estructurales del diseño. La Figura 1 muestra un ejemplo de horma utilizada como entrada para el modelo.
Figura 1: Información geométrica de horma
En el proyecto se han explorado dos modelos multimodales: uno alimentado con imágenes de la horma (Figura 1, izquierda) y otro basado directamente en su malla tridimensional (Figura 1, derecha). La salida esperada por el entorno CAD es una imagen de la horma con las líneas de diseño superpuestas, como se ilustra en la Figura 2. La tecnología subyacente se basa en modelos de difusión, actualmente los más eficaces para la generación de imágenes realistas.
Los modelos parten de modelos existentes pre-entrenados que se especializan con un conjunto de datos de bocetos de calzado, etiquetados con las categorías, estilos y características deseados. En este proyecto, se han etiquetado características estándares, pero uno de los puntos fuertes de la aproximación radica en que una empresa interesada pueda personalizar sus diseños recolectando y etiquetando bocetos propios que reflejan su estilo e identidad de forma que responden mejor a la diversidad real de sus clientes y necesidades del mercado.
Figura 2: Ejemplo de boceto generado y su vista tridimensional
El resultado es un sistema capaz de proponer múltiples bocetos ya alineados con una horma concreta, reduciendo tiempos de diseño, minimizando reinterpretaciones técnicas y facilitando que perfiles creativos trabajen directamente sobre soportes digitalmente integrables.
En esa conversación entre algoritmos y humano se dibuja un futuro en el que la industria no solo es más eficiente, sino también más imaginativa e inclusiva.
