En los últimos años la narrativa dominante alrededor de la inteligencia artificial se ha centrado —de forma casi exclusiva— en la capacidad de simular conversaciones, generar texto convincente y responder a prompts complejos. Esa visión, sin embargo, está mostrando sus límites de forma cada vez más clara. Como señaló un artículo reciente en El País, aunque hablamos de modelos que parecen “entender” y “razonar”, no hay evidencia de que realmente comprendan o interactúen con el mundo fuera de la secuencia de palabras que se les presenta —y este peligro de antropomorfización puede llevar a expectativas distorsionadas sobre lo que la IA puede y no puede hacer en la vida cotidiana.
Esto tiene implicaciones profundas para cualquier disciplina que no pueda reducirse a un mero juego de signos —y el diseño computacional es una de ellas. En el mundo real, los sistemas de IA que solo “imponen texto” no bastan para pensar con complejidad sobre formas, procesos, estructuras, comportamientos y consecuencias físicas. Para que la IA sea útil en contextos reales —como el diseño aplicado, la arquitectura o la planificación— necesita comprender, anticipar, planificar y modelar dinámicamente la realidad física y social.
Más allá de los LLM: hacia los World Models
Los grandes modelos de lenguaje (LLMs) como GPT o Claude han demostrado ser herramientas impresionantes a nivel de generación textual, pero su arquitectura fundamental los limita a predecir el próximo token en una secuencia de palabras. Eso les permite reproducir coherencia sintáctica y patrones estadísticos, pero no les da una comprensión profunda del mundo físico o causal. No tienen memoria persistente ni entendimiento causal del entorno: una vez que generan un texto, ese contexto no se integra de forma activa en lo que “saben” después.
Este problema no es menor: lo que llamamos “entender” en humanos involucra una representación interna del mundo que permite razonar sobre física, espacio, tiempo y consecuencias de acciones. Los LLMs simplemente no tienen esa representación persistente ni esa capacidad de planificación causal, por más datos con que se los alimente.
Es ahí donde investigadores como Yann LeCun han sido enfáticos: el enfoque de los LLMs es insuficiente si se busca una inteligencia que verdaderamente interactúe con la realidad. Según LeCun, estos modelos son, como él mismo lo ha descripto, “una salida lateral” en el camino hacia una inteligencia más profunda; modelos que predicen palabras son útiles, pero nunca alcanzarán un entendimiento real del mundo sin un modelo interno de cómo funciona ese mundo.
Lo que LeCun y otros proponen son los llamados “World Models”: arquitecturas que no se limitan a correlaciones estadísticas en textos, sino que aprenden reglas físicas, dinámicas espaciales, estados causales y estructuras funcionales del entorno. A diferencia de los LLMs, los world models mantienen representaciones internas que predicen cómo los estados del mundo evolucionan con acciones y eventos —no solo continuaciones de texto.
En la práctica, esto implica que un sistema de IA capaz de “razonar” sobre el mundo puede estimar no solo qué palabra viene después en una frase, sino qué ocurrirá si colocas una pared en cierto ángulo, si un espacio recibe sol directo o si una estructura se deforma bajo cargas reales. Esto cambia radicalmente el tipo de preguntas que podemos hacerle a una IA —y el tipo de respuestas operativas y útiles que puede darnos.
Fei-Fei Li y la razón espacial
Una de las voces influyentes en esta transición es Fei-Fei Li, cofundadora de World Labs, que ha defendido la idea de que la IA debe incorporar inteligencia espacial y física, no solo lingüística. En este sentido, Li describe a los LLMs como “artífices de palabras en la oscuridad”: excelentes en manipular texto, pero desconectados de las leyes que rigen el espacio tridimensional, la luz, el tiempo o la causalidad.
Según su enfoque, los world models deben ser multimodales, interactivos y capaces de simular entornos que obedecen leyes físicas reales. Esto significa que un modelo avanzado sería capaz de “recorrer” un espacio, visualizarlo en 3D, anticipar la consecuencia de una acción (como mover un objeto) o prever cómo interactuarán distintos componentes de un sistema.
Para campos como el diseño computacional, esto abre un horizonte completamente nuevo: una IA no solo como herramienta generadora de formas, sino como agente simulador de escenarios, capaz de evaluar cómo un proyecto responde a la gravedad, al viento, a la luz solar, al desgaste o a la interacción humana.
Arquitectura, diseño y el papel insustituible del arquitecto
Si los world models prometen IA más “consciente” del mundo real, surge una pregunta crítica: ¿qué lugar ocupa el arquitecto en este nuevo paisaje? La respuesta no es lo que algunos temen (ser reemplazados por máquinas), sino algo más matizado.
Los world models pueden ofrecer simulaciones físicas profundas, predicciones causalmente consistentes y planificación de acciones futuras, pero siguen siendo sistemas que aprenden patrones del mundo; no son agentes autónomos con intenciones, valores o juicios propios. La generación de obra arquitectónica sigue requiriendo intervención crítica, ética, cultural y contextual del ser humano.
En diseño computacional, la IA —ya sea basada en LLMs o en world models— no puede sustituir el juicio proyectual del arquitecto. Los modelos pueden generar opciones, evaluar escenarios o anticipar consecuencias, pero la elección de significado, propósito y dirección estética o social recae en la disciplina humana. La simulación física o causal puede informar decisiones, no suplantar la responsabilidad de formularlas.
Esto es especialmente importante porque, como advierte el artículo de El País sobre los límites de la IA, la tecnología no tiene intenciones propias, ni conciencia, ni comprensión real de sus outputs; carece de agencia y contexto social más allá de lo que sus arquitecturas —y datos de entrenamiento— le permiten.
¿Qué significa esto para el diseño computacional?
Si trasladamos esta transición al campo del proyecto, el cambio es profundo. Veamos algunos ejemplos concretos.
1. Simulación estructural integrada en el proceso generativo
Un LLM puede sugerir tipologías estructurales o describir principios de triangulación. Un world model, en cambio, podría:
- Generar una retícula espacial.
- Simular cargas distribuidas.
- Detectar zonas de concentración de tensiones.
- Reconfigurar automáticamente la densidad de barras.
- Volver a simular hasta alcanzar equilibrio óptimo.
En este escenario, el sistema no produce solo geometría, sino geometría validada causalmente por comportamiento físico. La diferencia es sustancial: el modelo no “describe” estabilidad; la evalúa dinámicamente.
2. Diseño climático performativo en tiempo real
Imaginemos un edificio cuya envolvente se está definiendo mediante un sistema paramétrico. Un LLM puede recomendar estrategias bioclimáticas generales (doble piel, protección solar, ventilación cruzada). Un world model podría:
- Integrar posición solar anual.
- Simular radiación incidente hora por hora.
- Calcular acumulación térmica en materiales.
- Ajustar porosidad y orientación de celosías.
- Predecir consumo energético anual estimado.
Aquí la IA no responde con discurso ambiental, sino con comportamiento térmico proyectado. La fachada deja de ser una forma “inspirada en la sostenibilidad” para convertirse en un sistema regulado por flujos energéticos simulados.
3. Planificación urbana como sistema dinámico
En escala urbana, un world model podría simular:
- Flujos peatonales según densidad programática.
- Distribución de sombras en tramas densas.
- Efecto isla de calor según morfología.
- Evolución del uso del suelo bajo distintos escenarios regulatorios.
No se trata solo de modelar forma urbana, sino de anticipar consecuencias sociales y ambientales derivadas de decisiones formales. El diseño deja de ser una composición estática y se convierte en una hipótesis dinámica.
4. Fabricación adaptativa y control material
En fabricación aditiva, un world model podría:
- Analizar anisotropía del material impreso.
- Ajustar patrones de infill según tensiones reales.
- Predecir deformaciones durante el enfriamiento.
- Recalibrar trayectorias de impresión.
Esto conecta directamente con trabajos que exploran voxelizado conformal, estructuras bioinspiradas o patrones auxéticos. La inteligencia no estaría solo en el patrón, sino en su capacidad de anticipar comportamiento físico antes de materializarse.
El riesgo del espejismo conversacional
Existe el peligro de confundir fluidez lingüística con comprensión real. En arquitectura, este riesgo adopta una forma específica: creer que una herramienta que argumenta bien también proyecta bien.
Un modelo puede producir un discurso sofisticado sobre sostenibilidad, inclusión o eficiencia estructural. Pero el edificio seguirá colapsando si las cargas no están equilibradas. La conversación no sustituye la física.
Por eso, la transición hacia world models no es un capricho tecnológico; es una necesidad disciplinar. El diseño computacional necesita modelos que operen en el dominio de:
- la termodinámica,
- la mecánica estructural,
- la dinámica urbana,
- la evolución temporal de sistemas complejos.
Hacia un nuevo paradigma computacional
La transición de LLMs a world models representa más que una evolución técnica: es un cambio de paradigma en cómo concebimos la inteligencia artificial aplicada al mundo real. Donde antes la IA podía ofrecer un texto bien redactado, ahora puede ofrecer predicciones que interactúan con leyes físicas, simulaciones de entornos y modelos de causalidad.
Para el diseño computacional, esto significa:
- dejar de ver a los modelos como “generadores de superficies” y empezar a tratar a la IA como simulador de comportamientos;
- integrar modelos que puedan anticipar cómo un proyecto se desempeña en condiciones reales;
- usar IA para planificar, no solo para producir outputs estéticos o lingüísticos;
- entender que el valor de la IA está en expandir nuestra capacidad de imaginar escenarios, no en reemplazar nuestra capacidad de contextualizar juicios.
Así como las primeras herramientas asistidas por computadora transformaron el diseño desde la representación gráfica hacia la modelización paramétrica, los world models prometen trasladar la IA del texto y la síntesis sintáctica al pensamiento espacial y causal. Pero esa promesa solo se materializa si sabemos situar a los modelos dentro de procesos críticos: evaluación, interpretación, decisión y responsabilidad humana.
En un mundo que exige soluciones reales —no solo relatos convincentes— la inteligencia artificial debe ser una extensión del pensamiento riguroso, no un sustituto de la reflexión proyectual.