Una nueva encuesta del sector automotriz revela una amplia insatisfacción con las pruebas de baterías de vehículos eléctricos, un problema que la IA podría resolver.
La IA puede acelerar la validación de baterías al probar distintos casos de uso más rápido que las pruebas físicas.
La IA bien diseñada superará la «brecha de confianza» a la que se enfrenta actualmente la tecnología.
El sector automotriz afronta una enorme presión en la lucha por alcanzar las emisiones netas cero. Los ingenieros deben superar la física increíblemente compleja –intratable– que subyace a la tecnología de las baterías para ofrecer vehículos eléctricos (VE) competitivos y sostenibles.
La validación y optimización rentables de las baterías de los VE se han vuelto fundamentales. Los líderes del sector nos dicen de forma constante que su conjunto actual de herramientas, incluida la simulación física, resulta insuficiente. Para comprender mejor estos desafíos, encargamos un estudio a Forrester Consulting titulado 2024: IA para la validación de baterías de VE con 165 responsables de toma de decisiones de alto nivel en ingeniería automotriz en América del Norte y Europa. Los resultados resultaron esclarecedores y, sinceramente, poco sorprendentes.
El estudio reveló una amplia insatisfacción con las herramientas de validación existentes. Más del 60 % de los encuestados afirmaron que sus métodos actuales, dominados por las pruebas físicas y las simulaciones, no pueden cumplir las rigurosas exigencias del desarrollo de baterías para VE. Estas deficiencias son especialmente notorias cuando el objetivo es acelerar la entrada de los VE en el mercado garantizando al mismo tiempo la seguridad, la fiabilidad y la sostenibilidad. Los ingenieros deben adoptar un nuevo enfoque que alivie estos cuellos de botella sin comprometer la confianza en el proceso.
En Monolith creemos que la IA y el aprendizaje automático (ML, por sus siglas en inglés) ofrecen la solución. Sin embargo, introducir la IA en flujos de trabajo industriales consolidados presenta sus desafíos, siendo la confianza primordial. Nuestras conversaciones con ingenieros revelan que el escepticismo a menudo surge de un malentendido fundamental sobre el funcionamiento de la IA. Muchos ingenieros expresan su preocupación por los sistemas de «caja negra» que ocultan el razonamiento detrás de sus resultados. ¿Cómo pueden confiar los ingenieros que dependen de pruebas físicas tangibles y simulaciones probadas en conclusiones de algoritmos que no pueden explicar por completo?
Esta brecha de confianza, aunque significativa, no es insuperable. La IA bien diseñada aumenta la transparencia en lugar de disminuirla. Los modelos de aprendizaje automático, en particular aquellos con capacidades de IA explicable, proporcionan una trazabilidad clara de sus entradas y decisiones. Los ingenieros pueden ver de inmediato los patrones de datos y los factores que fundamentan las recomendaciones de un algoritmo, lo que ahorra tiempo frente a reunir información a partir de lo que comentan los colegas. Lo más importante es que la IA refuerza la experiencia de ingeniería en lugar de reemplazarla, reduciendo el tiempo dedicado a tareas repetitivas y liberando talento para la resolución creativa de problemas.
La física intratable de la validación de baterías para VE sigue siendo el desafío central. A diferencia de la mayoría de los componentes automotrices, las baterías son difíciles de modelizar con precisión debido a las interacciones altamente no lineales y específicas de cada aplicación entre procesos químicos, térmicos y eléctricos. Los ingenieros deben probar meticulosamente las baterías en escenarios de uso específicos para validar su rendimiento, un proceso que requiere mucha mano de obra, consume mucho tiempo y resulta caro. El sector necesita claramente un nuevo enfoque de validación, que aporta el aprendizaje automático.
Vemos paralelismos importantes entre las primeras herramientas de simulación y la adopción actual de la IA. La dinámica de fluidos computacional (CFD, por sus siglas en inglés) encontró una resistencia similar cuando entró en los flujos de trabajo de ingeniería hace 30 años. El escepticismo se originó en el mismo problema: la falta de familiaridad. Hoy en día, estas herramientas se han vuelto indispensables. La IA está experimentando la misma transformación. La innovación exige ahora un cambio de mentalidad: reconocer que la IA no es una amenaza, sino la evolución natural de la metodología de ingeniería.
La IA ofrece beneficios profundos en el desarrollo de baterías para VE. Los algoritmos de autoaprendizaje aceleran la validación de productos, optimizan los diseños de baterías y seleccionan los materiales óptimos a partir de miles de variables que ningún ser humano podría analizar simultáneamente. Estos algoritmos simulan escenarios más rápido que los modelos tradicionales basados en la física, ofreciendo a los ingenieros nuevos conocimientos sobre posibles modos de fallo y mejoras de rendimiento. En lugar de probar las celdas de batería en todas las condiciones posibles, los ingenieros pueden usar la IA para predecir su comportamiento, reduciendo las pruebas físicas necesarias. Este enfoque ahorra tiempo, conserva recursos, reduce los desperdicios y disminuye los costes.
Los últimos años han sentado las bases cruciales para esta transformación. Los principales fabricantes de baterías han invertido fuertemente en capacidades de IA, reconociendo la ventaja competitiva que proporcionan los ciclos de desarrollo acelerados. Gigantes del sector como Samsung SDI y CATL han comenzado a integrar métodos de aprendizaje automático en sus procesos de desarrollo, reduciendo significativamente su tiempo de salida al mercado y manteniendo al mismo tiempo estrictos estándares de calidad. Su éxito ha desencadenado una oleada de adopción en todo el sector, con laboratorios de investigación e instalaciones de pruebas siguiendo su ejemplo.
Los laboratorios de pruebas, en particular, se han convertido en adoptantes tempranos de la tecnología de IA. Estas instalaciones enfrentan una presión creciente para acelerar el desarrollo de productos, manteniendo al mismo tiempo la precisión y la fiabilidad. La IA les ayuda a alcanzar ambos objetivos optimizando las secuencias de prueba e identificando posibles modos de fallo en una fase temprana del ciclo de desarrollo. El creciente volumen de investigaciones publicadas sobre aplicaciones de la IA en las pruebas de baterías demuestra el cambio de mentalidad del sector. Cada mes aparecen nuevos artículos y estudios de caso que muestran implementaciones exitosas y mejoras metodológicas.
Hemos presenciado esta transformación de primera mano a través de nuestro trabajo con socios del sector automotriz. Su creciente dependencia del aprendizaje automático para abordar desafíos hasta ahora insuperables produce resultados sistemáticamente impresionantes. Ya sea acortando los plazos de validación en meses o descubriendo ideas de diseño pasadas por alto, la IA aporta un valor tangible. La adopción a gran escala de estas herramientas por parte del sector ya no es una cuestión de si, sino de cuándo.
Sin embargo, la adopción exige más que desplegar tecnología. Generar confianza en la IA requiere colaboración entre desarrolladores e ingenieros. Debemos desmitificar el aprendizaje automático y ayudar a los ingenieros a incorporarlo con confianza en sus procesos de toma de decisiones. La IA potencia la experiencia humana, permitiendo a los ingenieros centrarse en la innovación en lugar de en la repetición.
El sector automotriz afronta un camino emocionante, pero desafiante. Aunque la transición hacia una movilidad sostenible requiere tiempo, la IA acelera el recorrido. Los ingenieros, con herramientas potentes para descifrar las complejidades de la física de las baterías de los VE, impulsan esta transición. El futuro de los vehículos eléctricos depende de su capacidad para innovar; la IA, cuando se confía en ella y se comprende, se convierte en su aliada más poderosa. Juntos podemos resolver lo intratable y construir un futuro automotriz más limpio y sostenible, y más rápido.
