Maor Farid, Fundador y CEO de Leo AI – Serie de Entrevistas

Dr. Maor Farid, fundador y CEO de Leo AI, es un ingeniero israelí-estadounidense, investigador de IA, activista social y empresario. Realizó investigaciones de IA y ingeniería mecánica en el MIT como becario postdoctoral Fulbright y se convirtió en el graduado de doctorado más joven en la historia del Technion – Instituto de Tecnología de Israel. Ha construido una comunidad de 60K+ ingenieros y apoya a jóvenes desfavorecidos a través de una iniciativa sin fines de lucro.

Leo AI es la primera IA para ingeniería mecánica – un gran modelo mecánico para el diseño de productos físicos, que permite a los equipos convertir ideas en modelos 3D listos para producción en segundos. La plataforma ayuda a las empresas a reducir el tiempo de ingeniería en un 70% y acelerar el tiempo de llegada al mercado en un 18%. Fundada en 2023, Leo AI ya es utilizada por ingenieros en empresas globales, incluyendo Toyota, HP, Mobileye (de Intel), Philips y Scania. Solo unos meses después de la ronda de semillas (liderada por Flint Capital), su ARR creció un 300% en el primer trimestre.

Construyó su formación en ingeniería mecánica, dinámica no lineal, investigación de IA, MIT y el Technion antes de fundar Leo AI. ¿Qué lo llevó a centrarse específicamente en construir IA para ingenieros mecánicos, y qué problema sintió que la industria aún no resolvía?

Sinceramente, la frustración.

Antes de Leo, trabajé como ingeniero mecánico en defensa, y me di cuenta de algo extraño: los ingenieros pasan una cantidad absurda de tiempo haciendo todo menos ingeniería. En serio. Pasamos tiempo revisando carpetas antiguas, buscando en catálogos de proveedores, buscando estándares, reutilizando diseños antiguos manualmente y preguntando a un ingeniero senior que recuerda por qué exactamente se tomó esa decisión en 2011. Lo que sea.

Los ingenieros de software tienen GitHub Copilot, y los escritores tienen ChatGPT. Mientras tanto, los ingenieros mecánicos aún estaban abriendo PDF desde unidades compartidas llamadas “FINAL_v7_REAL_FINAL.pdf”. La industria seguía hablando de “transformación digital”, pero la mayoría de los equipos de ingeniería aún operaban como si fuera 1998.

Eso se convirtió en la obsesión detrás de Leo: ¿podemos construir una IA que realmente entienda la ingeniería? No solo el lenguaje, sino la geometría, las restricciones, las tolerancias, la lógica de fabricación, la física. Algo que los ingenieros puedan confiar con trabajo real, no con demos de juguete.

Porque si se escribe mal un párrafo de marketing, nadie muere. Pero si se equivoca una pila de tolerancias en la industria aeroespacial o en dispositivos médicos, la gente absolutamente puede.

¿Por qué los sistemas de IA generales como ChatGPT y Gemini luchan con tareas de ingeniería mecánica que requieren física del mundo real, restricciones, tolerancias y fabricabilidad?

Porque nunca fueron construidos para esto, ya que los modelos de IA genéricos se entrenan principalmente en texto a escala de internet: Reddit, blogs, Wikipedia, redes sociales y foros aleatorios. Eso está bien si estás escribiendo correos electrónicos o resumiendo documentos, pero es un desastre si estás calculando la vida de fatiga en una brida soldada que se incorpora a un sistema de defensa.

La ingeniería mecánica no es autocompletar. Es resolución de problemas con restricciones bajo física. Un modelo genérico no puede razonar realmente sobre la fabricabilidad, la expansión térmica, el GD&T, el comportamiento de los materiales, los factores de seguridad o la acumulación de tolerancias. La mayoría de ellos ni siquiera pueden abrir un archivo CAD de forma nativa.

La parte peligrosa es que, a pesar de todo esto, suenan convincentes. Los ingenieros no son anti-IA. Son anti-BS. Ahora, cuando se trata de tareas de ingeniería, la mayoría de los sistemas de IA genéricos son generadores de BS extremadamente fluidos.

Es por eso que entrenamos a Leo AI de manera diferente, utilizando más de un millón de fuentes de ingeniería verificadas. Lo integramos directamente en los sistemas de ingeniería y hicimos que cada respuesta sea rastreable hasta los estándares, fórmulas y referencias que los ingenieros pueden verificar por sí mismos.

La ingeniería mecánica ha sido históricamente más lenta para adoptar la IA que el desarrollo de software. ¿Cuáles son las barreras más grandes que impiden que los ingenieros y los fabricantes adopten completamente flujos de trabajo impulsados por la IA?

Creo que la barrera más grande es la confianza cultural. No es técnica en absoluto. El software puede fallar y corregirse al día siguiente, pero los sistemas físicos no funcionan de esa manera. Si el código generado por la IA de tu aplicación se estrella, los usuarios se enfadan. Si el error de ingeniería generado por la IA termina dentro de un avión, un implante médico o un robot de fábrica, las consecuencias son muy diferentes.

Los ingenieros están entrenados desde el primer día para pensar en modos de falla. Crecemos escuchando historias sobre puentes que colapsan porque alguien hizo la suposición incorrecta. Así que cuando Silicon Valley se presenta y dice “solo vibra la ingeniería”, los ingenieros mecánicos lo rechazan de inmediato.

La segunda barrera es que las empresas manufactureras están sentadas sobre décadas de conocimiento tribal no documentado atrapado dentro de PLM, PDF, archivos CAD, sistemas ERP y cabezas de ingenieros jubilados. La IA genérica no puede acceder ni razonar sobre ese contexto.

Y tercero: no quiero sonar demasiado brutal, pero desde mi perspectiva, la mayoría de los productos de IA para la industria son básicamente teatro de automatización. Paneles de control elegantes sobre modelos superficiales con los que no puedes ingenierizar de verdad. Los ingenieros ven a través de eso muy rápidamente.

Leo AI se centra en lo que llama “Inteligencia Mecánica”. ¿Qué significa ese concepto para usted, y cómo difiere de la oleada más amplia de copilotos de IA que entran en el mercado empresarial?

“Inteligencia mecánica” significa IA que entiende el mundo físico, no solo el lenguaje.

Como mencioné, la mayoría de los copilotos de hoy son fundamentalmente sistemas de texto. Resumen, reescriben y generan contenido. Esto es útil, pero aún opera dentro de la abstracción digital. La inteligencia mecánica requiere razonamiento bajo física, geometría, restricciones, fabricabilidad, comportamiento de materiales, lógica de ensamblaje, costo, confiabilidad, rendimiento térmico y seguridad.

Así que, para nosotros, la inteligencia mecánica significa construir sistemas que puedan participar responsablemente en flujos de trabajo de ingeniería. Significa leer CAD de forma nativa, entender ensamblajes, resolver ecuaciones, validar contra estándares y conectar directamente a los sistemas PLM y ERP.

¿Cuán cerca estamos de sistemas de IA que puedan diseñar de forma independiente máquinas complejas como motores de avión, sistemas de robótica industrial o humanoides?

Está más cerca de lo que la mayoría de la gente piensa, aunque no exactamente como lo imagina Hollywood.

La gente imagina a un héroe hablando con una computadora y una máquina perfecta apareciendo instantáneamente. Lo que en realidad está sucediendo es que la IA está eliminando gradualmente las capas repetitivas en la ingeniería, y lo está haciendo muy rápido. Así que obtenemos una proyección bien diseñada vinculada a la documentación adecuada que los humanos pueden revisar y ajustar – y con la IA, esta proyección se realiza en minutos en lugar de meses.

¿Puede la IA generar grandes porciones de una arquitectura de avión en un futuro cercano? Absolutamente. Lo hemos intentado en simulaciones con Leo AI, y estamos bastante cerca. Pero ingeniería autónoma sin supervisión humana? No puedo prever que esto suceda pronto. La IA no reemplazará a los ingenieros, pero los ingenieros que usan la IA pueden reemplazar a aquellos que no.

La infraestructura de IA en sí está creando importantes desafíos de ingeniería en torno al consumo de energía y la gestión térmica. ¿Cómo ve la contribución de la ingeniería mecánica impulsada por la IA a áreas como sistemas de enfriamiento avanzados y diseño de centros de datos de próxima generación?

Una de las empresas con las que trabajamos, ZutaCore, construye sistemas de enfriamiento sin agua para centros de datos de IA, donde la gestión térmica se está convirtiendo en uno de los principales cuellos de botella para escalar la infraestructura de IA. Los ingenieros de ZutaCore enfrentaron un problema sorprendentemente costoso: cada nuevo despliegue requería rediseñar manualmente la configuración de tuberías para adaptarla al sistema, lo que consumía tiempo de ingeniería y aumentaba la complejidad de fabricación.

Nos pidieron una solución creativa inspirada en la naturaleza, y Leo ayudó a generar un concepto de tubería simple y ajustable que eliminó la necesidad de rediseñar el sistema para cada proyecto. En lugar de fabricar cada vez de forma personalizada, el equipo podía usar partes estandarizadas de venta. Eso redujo los costos en aproximadamente $400 por unidad y eliminó una fase completa de ingeniería repetitiva del flujo de trabajo.

Así que, como podemos ver, la IA está lista para resolver algunos de los problemas que creó su propia infraestructura.

Los errores de ingeniería pueden tener consecuencias graves en el mundo real. ¿Cómo equilibra los beneficios de velocidad y automatización de la IA con la necesidad de confiabilidad, validación y seguridad en entornos de ingeniería?

Nunca se elimina al ingeniero de la responsabilidad. Eso es el principio fundamental. No creemos en la “ingeniería de caja negra”: cada recomendación que da Leo es rastreable, explicable y verificable. Los ingenieros pueden inspeccionar la fuente, las fórmulas, los estándares y las suposiciones.

En la práctica, los mejores sistemas de IA en ingeniería no reemplazan la rigidez. Están comprimiendo el trabajo tedioso alrededor de la rigidez. La narrativa peligrosa en este momento es “velocidad a cualquier precio”. Esa mentalidad funciona hasta que dejas el mundo digital y comienzas a construir sistemas físicos. El mundo físico es implacable.

Ha dicho que la IA no reemplazará a los ingenieros, pero los ingenieros que usan la IA pueden reemplazar a aquellos que no. ¿Qué nuevas habilidades cree que necesitará la próxima generación de ingenieros mecánicos para seguir siendo competitivos?

La habilidad más importante será en realidad un juicio de ingeniería más profundo.

Irónicamente, a medida que la IA automatiza más del trabajo de ejecución, los ingenieros humanos se vuelven más responsables de definir restricciones, validar salidas, entender compensaciones y capturar modos de falla.

Los jóvenes ingenieros que confían ciegamente en la IA se volverán peligrosos muy rápidamente. Los mejores ingenieros serán aquellos que sepan cómo orquestar sistemas de IA mientras mantienen una comprensión profunda de los principios básicos.

Creo que también veremos un gran cambio hacia el pensamiento de sistemas. Los ingenieros mecánicos trabajarán cada vez más, simultáneamente, en software, electrónica, fabricación, simulación y IA. El ingeniero mecánico aislado puede desaparecer, pero el ingeniero multidisciplinario se volverá extremadamente valioso.

Estamos viendo un aumento en el impulso alrededor de la robótica, la IA encarnada y los sistemas de IA físicos. ¿Cree que el próximo gran avance en la IA provendrá de sistemas que interactúan con el mundo físico en lugar de copilotos digitales puros?

Sí. Creo que definitivamente nos estamos moviendo en esa dirección, pero aún no estamos allí.

La primera ola de la IA fue sobre el lenguaje y la información. La siguiente será sobre la interacción con la realidad. Una vez que la IA sale de la pantalla y entra en el mundo físico, el nivel de dificultad cambia dramáticamente porque la realidad introduce fricción, incertidumbre, variabilidad de materiales y consecuencias de seguridad reales. Las empresas que ganen la próxima década de la IA no solo generarán mejores modelos, sino que construirán sistemas que puedan razonar sobre y interactuar con el mundo físico de manera confiable.

¿Qué partes del proceso de diseño y innovación cree que siempre requerirán creatividad y juicio humanos únicos?

La responsabilidad. Esa es la única respuesta. Como dije, el mundo físico es implacable con los errores de ingeniería, y incluso a un nivel muy alto de razonamiento de la IA, nunca podrá reemplazar el proceso de toma de decisiones humano.

La IA puede optimizar, generar, investigar enormes espacios de diseño más rápido de lo que los humanos podrían — pero los humanos aún deben decidir qué debe existir en el mundo, qué compensaciones son aceptables, qué riesgos son éticos y qué restricciones importan más.

Sinceramente, algunas de las mejores ideas de ingeniería provienen de la intuición construida a lo largo de años de fracaso, experiencia y reconocimiento de patrones humanos extraños que es muy difícil formalizar. Así que sí, no creo que la IA reemplace jamás la responsabilidad humana detrás de las decisiones de ingeniería. Eso es lo que la hace realmente imposible de reemplazar.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Leo AI.