Los fabricantes del sector aeronáutico y de defensa son comprensiblemente conservadores cuando se trata de adoptar la IA generativa. Ya sean aviones, satélites, drones, buques de guerra o tanques del ejército, los equipos que producen son extremadamente costosos y están sujetos a estrictas especificaciones militares, gubernamentales y de seguridad de datos.

No obstante, GenAI está logrando importantes avances en este sector y, en última instancia, se utilizará para una variedad de avances en productividad e innovación.

Este es un resumen de las preguntas más comunes que los fabricantes industriales se hacen sobre hacia dónde orientar sus iniciativas de IA generativa, dónde centrar los esfuerzos futuros y qué precauciones y preparativos tomar.

P: ¿Cómo es relevante la IA generativa para el sector de aeronáutica y defensa?

R: Los casos de uso típicos de GenAI —como crear contenido de texto, audio o visual, o usar chatbots en tiempo real para responder preguntas— pueden no parecer aplicables de inmediato a un sector que produce equipos costosos, complejos, altamente personalizados y sensibles desde el punto de vista de la seguridad. Los aviones comerciales cuestan decenas de millones de dólares. Los satélites cuestan al menos $1 millón cada uno. Según un informe reciente del Servicio de Investigación del Congreso, los destructores navales pueden costar alrededor de $2.2 mil millones cada uno.

Y todas estas máquinas deben cumplir con estrictos requisitos de calidad y confiabilidad, sin mencionar las especificaciones militares y las regulaciones gubernamentales y las protecciones para datos patentados o confidenciales. El potencial de la IA generativa de producir alucinaciones o filtraciones de datos confidenciales podría parecer inaceptable para las empresas aeronáuticas y los contratistas de defensa.

Sin embargo, a medida que madure, GenAI ofrecerá muchos beneficios potenciales, desde ayudar en el diseño de equipos hasta mejorar el mantenimiento predictivo y el servicio posventa.

P: ¿Por dónde debería comenzar?

A: El área más popular para la IA generativa hoy en día parece ser el diseño de equipos. Ya el 41 % de las organizaciones de aeroespacial y defensa encuestadas recientemente por Capgemini afirma que está probando la IA generativa en el modelado 3D para acelerar el diseño, optimizar aerodinámicamente las piezas y reducir costos.

(Vale la pena señalar que existe una diferencia sutil entre el "diseño generativo", un método que ya se utiliza, y el "diseño de IA generativa", que va un paso más allá al utilizar redes neuronales profundas y datos de diseños anteriores.)

No busque más allá del Centro de Vuelo Espacial Goddard de la NASA, donde Ryan McClelland, ingeniero de investigación del centro, fue noticia en 2023 al usar IA generativa disponible comercialmente para diseñar piezas especializadas que él llama «estructuras evolucionadas». En una fracción del tiempo que le toma a un ser humano, esta IA puede diseñar piezas que pesan mucho menos que los componentes tradicionales. «Puede realizar el diseño, el análisis y la fabricación de una pieza prototipo, y tenerla en sus manos en tan solo una semana», afirma McClelland. La NASA planea usar estas estructuras evolucionadas en futuras misiones.

Los investigadores de Boeing también están explorando cómo los modelos de IA generativa podrían optimizar el diseño de las aeronaves, según Todd Citron, director de tecnología de Boeing. “[La IA] puede incorporar más complejidad en su cerebro electrónico de lo que puede hacerlo un humano; puede optimizar en un espacio más amplio,” explicó en una conferencia reciente. “Si observamos las estructuras optimizadas con machine learning, simplemente se ven inherentemente diferentes. Casi parecen una nave espacial extraterrestre, porque no tienen esa estructura regular que le facilita a un humano hacer un diseño.”

El 41 % de las organizaciones de aeroespacial y defensa encuestadas recientemente por Capgemini afirma que está probando la IA generativa en el modelado 3D para acelerar el diseño, optimizar piezas aerodinámicamente y reducir costos.

Mientras tanto, los fabricantes de aeronaves comerciales podrían utilizar la IA generativa para personalizar de manera más fácil y efectiva el diseño y la fabricación para operadores específicos, según Raman Ram, líder de la práctica de aeroespacial y defensa de EY America.

“Si la aeronave es para una aerolínea enfocada en el costo total de propiedad (TCO), es posible que quiera incluir elementos específicos que maximicen el TCO”, afirma. “Pero una aerolínea diferente puede querer optimizar las salidas de efectivo y dar menos importancia al TCO”.

P: ¿Qué pasa si ya utilizamos gemelos digitales para el diseño de productos?

R: La IA generativa podría reducir el tiempo y el costo de crear gemelos digitales utilizados para simular sistemas destinados al desarrollo de productos y al mantenimiento predictivo.

«La IA tradicional aún es muy manual, y un gemelo digital es un proceso extremadamente manual de crear», afirmó Rishi Ranjan, fundador y CEO del proveedor de software GridRaster, a Aviation International News. Con el tiempo, las empresas podrían usar modelos de lenguaje grandes para eliminar gran parte de ese trabajo manual de [codificación].

«Los grandes modelos de IA… pueden analizar datos de texto y datos de imágenes, y comenzar a ayudarle a crear automáticamente un gemelo digital para estos», afirma Ranjan. Él predice que, en última instancia, las empresas podrían crear gemelos digitales por una fracción de lo que cuesta hoy.

Más información sobre gemelos digitales

Para obtener más información sobre los gemelos digitales, vea “Cómo los gemelos impulsan el futuro de los negocios” y “Gemelos digitales en el trabajo: 8 ejemplos.”

P: ¿En qué otros ámbitos deberíamos anticipar aplicaciones de la IA generativa?

A: Hay otros cuatro casos de uso probables de la IA generativa en el sector aeroespacial/diseño:

Modernización de los procesos y sistemas de fabricación. Según Ram de EY, las operaciones de fabricación aeroespacial y de defensa se ven obstaculizadas por el código de software heredado que aún se utiliza en los sistemas integrados. «Este código heredado fue desarrollado por diferentes proveedores y se ha ido construyendo a lo largo de los años», lo que dificulta la integración. La IA generativa podría servir como traductor.

«Un motor interactivo basado en un modelo fundacional subyacente podría tomar el código existente de un módulo de prevención de colisiones, por ejemplo, y renovarlo en un lenguaje de programación moderno», afirma, lo cual facilita su integración.

GenAI también crea una oportunidad para que los fabricantes de la industria aeroespacial y de defensa conecten los procesos de producción que actualmente están aislados por línea de equipos o planta.

Al usar GenAI para conectar los diferentes entornos técnicos, podrían optimizar la planificación organizacional, gestionar excepciones y reaccionar más rápido ante situaciones que, de otro modo, provocarían una desaceleración o un problema de calidad. También podría ayudar a prever tales problemas.

Control de calidad. La IA generativa podría ayudar a los sistemas de control de calidad a detectar defectos, irregularidades o variaciones durante la fabricación. Se pueden entrenar algoritmos para analizar imágenes o datos e identificar problemas, lo que mejora la precisión y la confiabilidad en la detección de defectos, a la vez que reduce el tiempo necesario para la inspección manual. Una vez que se identifica un problema, la IA generativa podría dar a los técnicos instrucciones paso a paso sobre cómo solucionarlo.

Mantenimiento y reparación. Los fabricantes han utilizado durante mucho tiempo datos de sensores, analíticas e IA para prever cuándo se necesita mantenimiento o cuándo las piezas están a punto de fallar, de modo que puedan evitar averías que consumen mucho tiempo. La IA generativa puede mejorar este enfoque de mantenimiento mediante la creación automática de texto o imágenes que proporcionan instrucciones paso a paso, incluidas listas de las piezas de repuesto necesarias.

Según Capgemini, un sistema de este tipo permitiría al personal de mantenimiento dedicar más tiempo a realizar tareas en lugar de preparar instrucciones, lo que aumentaría la productividad y reduciría los costos.

Además, los talleres de mantenimiento y reparación aeroespacial actualmente no pueden estimar con precisión el tiempo de entrega de un motor, afirma Ram, lo que genera retrasos frustrantes para los operadores que necesitan volver a poner esa aeronave en servicio.

Pero, al usar datos históricos y IA generativa, los talleres de reparación podrían proporcionar estimaciones más precisas. Un chatbot, por ejemplo, podría indicarles a los técnicos qué esperar, de modo que el taller de reparación pueda proporcionar estimaciones precisas y mejorar la satisfacción del cliente. Por ejemplo, «podría indicarle que estas seis piezas generalmente deben reemplazarse en este intervalo específico para este tipo específico de motor, y que normalmente se tardan 73 días en obtener esas piezas», dice Ram.

Licitación y documentación de contratos. Los contratos gubernamentales requieren mucho tiempo y gastos para su preparación porque son muy detallados y personalizados. Los contratistas pueden usar la IA generativa para automatizar al menos partes del proceso, creando borradores iniciales basados en plantillas, documentos históricos o prompts específicos de funcionarios de Adquisiciones, según un informe del Instituto de IA de Deloitte.

La IA ayuda a extraer cláusulas y requisitos relevantes de licitaciones, contratos y otros documentos anteriores, que los trabajadores pueden personalizar para el contrato final. De manera similar, la IA generativa podría ayudar a redactar documentación técnica, lo que permitiría ahorrar tiempo y dinero, según Accenture.

Hacer que los datos satelitales sean más útiles con GenAI

Aunque está fuera del ámbito de la fabricación. La NASA, en colaboración con IBM y la Universidad Clark, desarrolló un modelo fundacional geoespacial que ayudará a las organizaciones a aprovechar más los datos satelitales disponibles.

Como antecedentes, las empresas usan datos de diversos satélites para muchos fines diferentes: rastrear patrones climáticos, por ejemplo, o documentar efectos ambientales como la pérdida de cobertura arbórea en la Amazonía.

Las empresas de analíticas satelitales de terceros, como LiveEO, ofrecen productos que ayudan a los negocios a cumplir con el Reglamento de la Unión Europea sobre la Deforestación, cuyo objetivo es prohibir las materias primas vinculadas con la deforestación y la degradación forestal.

Pero a menudo se necesita una cantidad significativa de tiempo y esfuerzo para convertir los datos satelitales sin procesar en algo que una empresa realmente pueda usar.

Lanzado el año pasado, el modelo se entrenó con datos de un año recopilados por un satélite de la NASA, y puede utilizarse para convertir datos satelitales en mapas personalizados de alta resolución de inundaciones, incendios y otras características del paisaje. El modelo representa un avance significativo porque permitirá a los Gobiernos, negocios e investigadores utilizar datos satelitales de forma más rápida, fácil y económica.

«Permite a los negocios ahorrar en los costos de desarrollar conjuntos de datos de entrenamiento para aplicaciones especiales», afirma Manil Maskey, científico investigador sénior y gerente de proyecto en la NASA. «La parte difícil ya está hecha para ellos. El modelo ya ha aprendido de los datos [fundacionales].»

Los usos previstos incluyen estimar los riesgos relacionados con el clima para los cultivos, los edificios y otras infraestructuras; monitorear los bosques para programas de compensación de carbono; y desarrollar modelos predictivos que ayuden a diseñar formas de adaptarse al cambio climático. La información puede fundamentar decisiones sobre seguros y gestión de riesgos.

«Todos se están sumando a estos modelos fundacionales porque están demostrando mucho valor», afirma Hamed Alemohammad, profesor de la Universidad Clark, quien participó en el proyecto. «Si hay un incendio forestal, las empresas pueden usar los datos satelitales para determinar qué sufrió daños, en lugar de enviar a alguien a validar eso», afirma. También podría utilizarse para determinar las condiciones climáticas, lo cual es importante para las industrias de la aviación, el transporte y el transporte marítimo, entre otras, afirma.

P: ¿Qué debo hacer ahora para prepararme para una iniciativa de GenAI?

R: Ponga en orden sus datos —y la gobernanza de datos—. La mayoría de los fabricantes aeronáuticos y de defensa «aún están en una etapa incipiente en términos de calidad y gobernanza de datos», explica Ram, de EY. «Aún carecemos de buenos sistemas de datos maestros y de una única fuente de verdad».

A esto se suma el hecho de que estas empresas tienen una gran cantidad de datos propietarios que proteger, al igual que sus proveedores. Esto genera mucho escepticismo sobre la colaboración y el intercambio de datos, lo que da como resultado una falta de transparencia.

«Ni siquiera tenemos visibilidad de la lista de materiales más allá del primer nivel», dice Ram. «Si observa a los fabricantes principales, dos tercios de sus costos están determinados por su base de suministro, y una parte considerable de esta está compuesta por proveedores con propiedad intelectual propia. Los fabricantes principales no tienen visibilidad de eso, y simplemente se transmite en cascada a lo largo de los niveles».

Si usted no cuenta con suficientes datos técnicos, o si los que tiene son de mala calidad o están desorganizados, la IA generativa no puede hacer mucho. Si sus proveedores de componentes y subsistemas no comparten sus datos, el diseño general de su aeronave o su gemelo digital estará incompleto.

Un tema estrechamente relacionado es la seguridad de los datos, que es extremadamente importante en estas industrias. Los contratistas de defensa deben cumplir ciertos requisitos regulatorios de seguridad incluso para poder presentar ofertas en contratos gubernamentales. Dados los informes de usuarios de ChatGPT que filtran inadvertidamente datos de propiedad exclusiva, esta es una preocupación válida.

En general, los requisitos regulatorios están llevando a más empresas hacia la confianza cero, que requiere tecnología que conecte diferentes fuentes de datos y gestione los derechos de acceso.

Por otro lado, las empresas a veces desean compartir datos para mejorar los modelos de toda la industria. Sin embargo, la mayoría no cuenta con la gobernanza necesaria para lograrlo. Las empresas aeronáuticas y sus proveedores, por ejemplo, tienen un interés común en desarrollar nuevos materiales compuestos ligeros pero duraderos que todos puedan utilizar. Pero esos datos podrían estar intercalados con datos propietarios sobre su ingrediente secreto. Sin una buena gobernanza de los modelos, las empresas no pueden compartir datos para su uso en grandes modelos de lenguaje mientras protegen su propiedad intelectual.

Al obtener modelos de proveedores externos, las empresas también necesitan una forma de permitir que dichos terceros actualicen continuamente sus grandes modelos de lenguaje (LLM). Las empresas que usan modelos de terceros necesitarán encontrar la manera de compartir dicha información de forma segura.

P: ¿Hay otras cosas que puedan ralentizar la adopción de GenAI?

R: Los requisitos estrictos de auditoría y compliance requerirán cierta planificación y supervisión. Los contratos gubernamentales exigen un cierto nivel de trazabilidad de los datos y/o auditorías de ciertos procesos.

En un sistema de inspección de calidad, por ejemplo, la IA generativa podría ayudar a detectar un problema, como un componente que exceda una tolerancia especificada, e incluso recomendar posibles soluciones. Pero si se requiere trazabilidad o una auditoría, las empresas deben asegurarse de que un empleado humano calificado dé su aprobación.

Incluso en procesos no auditados, una persona debe supervisar la IA generativa para aportar contexto. Si un chatbot proporciona instrucciones a un técnico que realiza una reparación, por ejemplo, puede incluir acciones que no son posibles. «Dado que un modelo de IA generativa carece de información estratégica sobre el proceso que corrige la causa raíz y sobre las personas que son los operadores, podría pasar por alto posibles limitaciones, como movimientos inviables o espacios inaccesibles», afirma un informe reciente de BCG. «Como resultado, siempre se requiere una evaluación de calidad para garantizar que la remediación recomendada sea práctica.»

P: ¿Cuál es el panorama de la GenAI en esta industria?

A: La complejidad y la naturaleza cautelosa del sector aeroespacial y defensa harán que este sector adopte la IA generativa más lentamente que otras industrias. Mientras tanto, tienen desafíos de datos e integración que deben superar.

Sin embargo, la escasez actual de trabajadores del conocimiento y el enfoque intenso en la calidad podrían acelerar la adopción de GenAI. Para quienes emprendan iniciativas de GenAI, esto podría traducirse en un diseño de equipos más rápido y mejor, una fabricación más eficiente, y un mantenimiento más rápido y económico, todo lo cual podría mejorar los resultados finales.