Innovaciones y tendencias en el desarrollo de productos mediante diseño asistido por ordenador una revisión sistemática

Autores/as

DOI:

https://doi.org/10.63957/arksis.v1i2.0013

Palabras clave:

diseño generativo, Diseño asistido por ordenador , inteligencia artificial , desarrollo de productos, aprendizaje profundo, revisión sistemática

Resumen

El diseño asistido por ordenador (CAD) ha experimentado una transformación significativa en los últimos años debido a la incorporación de tecnologías como la inteligencia artificial, el aprendizaje profundo y el diseño generativo. En este contexto, el presente estudio tuvo como propósito analizar las principales innovaciones y tendencias que redefinen el desarrollo de productos mediante una revisión sistemática de la literatura científica. La investigación se desarrolló bajo los lineamientos de la declaración PRISMA 2020, utilizando la base de datos Scopus. A partir de una búsqueda inicial de 369 documentos, se aplicaron criterios de inclusión relacionados con el idioma, el área de conocimiento, el tipo de documento, las palabras clave, el acceso abierto y la revisión de la pertinencia temática de los estudios, obteniéndose finalmente diez artículos para el análisis, los resultados muestran una evolución del CAD desde su función tradicional de modelado geométrico hacia plataformas inteligentes capaces de generar, evaluar y optimizar alternativas de diseño mediante algoritmos avanzados. La evidencia recopilada indica que la integración de redes neuronales, aprendizaje automático, modelos predictivos y herramientas generativas no solo incrementa la eficiencia de los procesos de diseño, sino que también amplía las posibilidades creativas al facilitar la exploración de soluciones innovadoras en menor tiempo. Asimismo, se identificó una creciente aplicación de estas tecnologías en ámbitos como la arquitectura, la bioingeniería, la manufactura avanzada y el diseño industrial, lo que consolida un enfoque interdisciplinario en el que convergen la ingeniería, las ciencias de la computación y disciplinas orientadas al usuario, además se concluye que el futuro del desarrollo de productos se orienta hacia entornos colaborativos en os que la inteligencia artificial actúa como un apoyo para la toma de decisiones y la optimización del proceso creativo, sin sustituir el criterio del diseñador. Esta convergencia tecnológica impulsa modelos de diseño más adaptativos, sostenibles y personalizados, al tiempo que plantea nuevos desafíos relacionados con la formación de competencias digitales, la ética de la automatización y la redefinición del papel del profesional del diseño en escenarios cada vez más inteligentes.

Biografía del autor/a

  • Francisco Echeverria, Pontificia Universiada Catolica del Ecuador, Sede Ambato.

    Francisco Echeverría es ingeniero en Diseño Industrial y Máster Universitario en Ingeniería en Diseño Industrial por la UPM. Actualmente se desempeña como Director de la Escuela de Hábitat, Infraestructura y Creatividad de la Pontificia Universidad Católica del Ecuador Sede Ambato (PUCESA), donde desarrolla actividades de docencia, investigación y gestión académica. Sus líneas de investigación se centran en el diseño industrial, el diseño asistido por ordenador (CAD), el diseño generativo, la manufactura digital, la innovación tecnológica y el desarrollo de productos. Ha participado en proyectos de investigación y vinculación con el sector productivo, promoviendo la integración de tecnologías emergentes en los procesos de diseño e ingeniería. Cuenta con publicaciones científicas y pertenece a grupos de investigación orientados al fortalecimiento de la innovación y la transferencia de conocimiento.

  • Patricio G. Encalada. R, Carrera de electrónica, Universidad Técnica de Ambato, Ambato 180207, Ecuador.

    Patricio Encalada es investigador en el área de diseño industrial y tecnologías aplicadas al desarrollo de productos. Su trabajo académico se centra en el diseño asistido por ordenador (CAD), el diseño generativo y la aplicación de tecnologías digitales para la innovación en procesos de diseño. Ha participado en investigaciones orientadas al análisis de tendencias emergentes en inteligencia artificial, modelado computacional y desarrollo de productos, contribuyendo a la generación de conocimiento en el ámbito del diseño y la ingeniería.

Referencias

[1] P. Zheng et al., “Smart manufacturing systems for Industry 4.0: Conceptual framework, scenarios, and future perspectives,” Frontiers of Mechanical Engineering, vol. 13, no. 2, pp. 137–150, Jun. 2018, doi: 10.1007/s11465-018-0499-5.

[2] S. Yoo, S. Lee, S. Kim, K. H. Hwang, J. H. Park, and N. Kang, “Integrating deep learning into CAD/CAE system: generative design and evaluation of 3D conceptual wheel,” Structural and Multidisciplinary Optimization, vol. 64, no. 4, pp. 2725–2747, Oct. 2021, doi: 10.1007/S00158-021-02953-9/FIGURES/30.

[3] M. Yang, P. Jiang, T. Zang, and Y. Liu, “Data-driven intelligent computational design for products: method, techniques, and applications,” J. Comput. Des. Eng., vol. 10, no. 4, pp. 1561–1578, Jul. 2023, doi: 10.1093/JCDE/QWAD070.

[4] M. Yang, P. Jiang, T. Zang, and Y. Liu, “Data-dri v en intelligent computational design for products: method, techniques, and applications,” J. Comput. Des. Eng., p. 10, 2023, doi: 10.1093/jcde/qwad070.

[5] J. Heil and D. Ifenthaler, “Online Assessment in Higher Education: A Systematic Review,” Online Learning, vol. 27, no. 1, pp. 187–218, Mar. 2023, doi: 10.24059/OLJ.V27I1.3398.

[6] F. J. García-Peñalvo, “Avoiding the Dark Side of Digital Transformation in Teaching. An Institutional Reference Framework for eLearning in Higher Education,” Sustainability 2021, Vol. 13, Page 2023, vol. 13, no. 4, p. 2023, Feb. 2021, doi: 10.3390/SU13042023.

[7] J. Sebastian and R. Mendoza, “Diseño Generativo Realimentado (DGR) como soporte en los procesos de creación de productos,” Nov. 28, 2023, Universidad Nacional de Colombia. Accessed: Jul. 13, 2026. [Online]. Available: https://repositorio.unal.edu.co/handle/unal/85019

[8] S. Cuesta Ginés, “Comparativa de técnicas de diseño: optimizaciones geométricas frente al modelado CAD clásico en aplicaciones industriales,” Jul. 02, 2025, Universitat Politècnica de Catalunya. Accessed: Jul. 13, 2026. [Online]. Available: https://hdl.handle.net/2117/439533

[9] I. López-Forniés and L. Asión-Suñer, “Potenciando la Creatividad en Diseño Industrial a través de la Inteligencia Artificial: Estudio sobre la cocreación hombre-máquina,” Mar. 2023, doi: 10.26754/CINAIC.2023.0103.

[10] C. Ramonell and R. Chacón, “Open-source terrestrial laser scanner for the virtualization of geometrical entities in AEC classrooms,” Computer Applications in Engineering Education, vol. 30, no. 4, pp. 1009–1021, Jul. 2022, doi: 10.1002/cae.22499.

[11] J. De Miguel Rodríguez, M. E. Villafañe, L. Piškorec, and F. Sancho Caparrini, “Generation of geometric interpolations of building types with deep variational autoencoders,” Design Science, vol. 6, Dec. 2020, doi: 10.1017/dsj.2020.31.

[12] J. D. Cunningham, T. W. Simpson, and C. S. Tucker, “An investigation of surrogate models for efficient performance-based decoding of 3d point clouds,” Journal of Mechanical Design, vol. 141, no. 12, Dec. 2019, doi: 10.1115/1.4044597.

[13] J. Alcaide-Marzal, J. A. Diego-Mas, and G. Acosta-Zazueta, “A 3D shape generative method for aesthetic product design,” Des. Stud., vol. 66, pp. 144–176, Jan. 2020, doi: 10.1016/j.destud.2019.11.003.

[14] A. Raina, L. Puentes, J. Cagan, and C. McComb, “Goal-Directed Design Agents: Integrating Visual Imitation with One-Step Lookahead Optimization for Generative Design,” Journal of Mechanical Design, vol. 143, no. 12, Dec. 2021, doi: 10.1115/1.4051013.

[15] S. Ghosh et al., “Inverse Aerodynamic Design of Gas Turbine Blades Using Probabilistic Machine Learning,” Journal of Mechanical Design, vol. 144, no. 2, Feb. 2022, doi: 10.1115/1.4052301.

[16] A. Raina, J. Cagan, and C. McComb, “Design Strategy Network: A Deep Hierarchical Framework to Represent Generative Design Strategies in Complex Action Spaces,” Journal of Mechanical Design, vol. 144, no. 2, Feb. 2022, doi: 10.1115/1.4052566.

[17] V. V. Danilov et al., “Perfect prosthetic heart valve: generative design with machine learning, modeling, and optimization,” Front. Bioeng. Biotechnol., vol. 11, 2023, doi: 10.3389/fbioe.2023.1238130.

[18] O. Bagasi, N. O. Nawari, and A. Alsaffar, “BIM and AI in Early Design Stage: Advancing Architect–Client Communication,” Buildings, vol. 15, no. 12, Jun. 2025, doi: 10.3390/buildings15121977.

[19] N. Yu, M. Ferdous Alam, A. John Hart, and F. Ahmed, “GenCAD-Three-Dimensional: Computer-Aided Design Program Generation Using Multimodal Latent Space Alignment and Synthetic Dataset Balancing,” Journal of Mechanical Design, vol. 148, no. 3, Mar. 2026, doi: 10.1115/1.4069276.

Descargas

Publicado

2026-07-31

Número

Vol. 1 Núm. 2 (2026): Transiciones Multidisciplinarias en la Educación y la Ingeniería Contemporánea

Sección

Artículo de revisión

Categorías

Licencia

Derechos de autor 2026 Revista de Ingeniería, Industria y Construcción

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Revista Multidisciplinaria de Ingeniería e Industria © 2025 by PUCE sede Ambato está licenciada bajo CC BY 4.0

Los artículos publicados en ARKSIS se distribuyen bajo los términos de la Licencia Creative Commons Atribución 4.0 Internacional (CC BY 4.0), en específico los términos de la licencia oficial otorga permisos para:

A. Libertades que Usted Recibe (Derechos del Licenciatario):

  • Compartir: Copiar, redistribuir el material en cualquier medio o formato.
  • Adaptar: Remezclar, transformar y crear a partir del material para cualquier propósito, incluido el comercial.

B. Condición Única y Obligatoria:

  • Atribución (BY): Debe dar el crédito al autor de la manera especificada por el licenciante (la revista).

Así, en específico esta licencia permite crear obras derivadas (traducciones, resúmenes ampliados, nuevos análisis basados en los datos), para lo que es importante destacar:

  • Integridad Académica: Cualquier modificación debe ser claramente identificada como tal.
  • Atribución de la Fuente Original: La obra derivada debe citar el trabajo original de la forma especifica.
  • No Endoso Implícito: El hecho de permitir adaptaciones no significa que los autores o la revista avalen la obra derivada o su uso.

Cómo citar

[1]
F. Echeverria and P. Encalada, “Innovaciones y tendencias en el desarrollo de productos mediante diseño asistido por ordenador una revisión sistemática”, ARKSIS-Journal, vol. 1, no. 2, pp. 75–90, Jul. 2026, doi: 10.63957/arksis.v1i2.0013.