La irrupción de la inteligencia artificial en la ingeniería mecánica no es una promesa futura: ya está redefiniendo cómo se modelan fluidos, se optimizan estructuras y se diagnostican fallos en tiempo real. Pero un documento surgido de la mesa redonda del 28º Congreso Internacional de Ingeniería Mecánica (COBEM 2025) en Brasil advierte que la adopción sin criterio pone en riesgo el rigor que define a la profesión. El texto, publicado en arXiv, no es una revisión exhaustiva sino una brújula para distinguir entre aprendizaje estadístico y cognición de ingeniería.
El núcleo del debate radica en la tensión entre la capacidad predictiva de los modelos de caja negra y la necesidad de consistencia física. Los autores abogan por el aprendizaje informado por física (PINNs) y modelos híbridos que incrusten leyes de conservación, restricciones termodinámicas y conocimiento de dominio directamente en la arquitectura o en la función de pérdida. No basta con que la red acierte: debe acertar por las razones correctas. Esto cobra vital importancia en aplicaciones de seguridad —aeronáutica, nuclear, automotriz— donde la certificación exige trazabilidad y cuantificación de incertidumbre, no solo métricas de precisión en test sets.
Otro frente crítico es el coste energético. Entrenar e inferir modelos masivos demanda infraestructura de cómputo que genera calor y consume electricidad a escala industrial. Para una disciplina que historicamente lidera la gestión térmica y la eficiencia energética, la paradoja es evidente: la IA que diseña sistemas más eficientes puede tener una huella de carbono inasumible. El informe señala la refrigeración de centros de datos y el diseño de hardware especializado como problemas de ingeniería mecánica en sí mismos, cerrando un bucle virtuoso entre aplicación y soporte físico.
En el plano humano, el documento rechaza la narrativa de reemplazo. La ingeniería asistida por agentes autónomos requiere nuevos marcos de responsabilidad profesional: quién responde cuando un diseño generado por IA falla en servicio? La formación universitaria debe pivotar hacia la colaboración humano-IA, enseñando a validar salidas, auditar sesgos y preservar el conocimiento tácito que no está en los datasets. La epistemología de la ingeniería cambia: el juicio experto deja de ser único generador de soluciones para convertirse en validador crítico de propuestas algorítmicas.
Los seis principios finales —consistencia física, validación rigurosa, tratamiento explícito de incertidumbre, sostenibilidad energética, supervisión humana y responsabilidad ética— no son una lista de deseos. Son requisitos mínimos para que la IA gane licencia de operar en una disciplina donde el error no se mide en métricas de benchmark, sino en vidas y activos reales. La ingeniería mecánica, con su tradición de modelos físicos y códigos de cálculo verificados, está en posición privilegiada para liderar esta transición. Pero solo si recuerda que la herramienta más potente sigue siendo el criterio del ingeniero.
