iDesignGPT förbättrar konceptuell design via agentbaserade arbetsflöden med stora språkmodeller

Varför smartare designverktyg spelar roll

Från elbilar till räddningsdroner börjar varje komplext produktkoncept som en skiss på en whiteboard. De tidigaste designvalen bestämmer ofta huvuddelen av en produkts kostnad, säkerhet och prestanda, ändå förlitar sig detta skede fortfarande mycket på expertintuition, långa möten och spridda dokument. Denna artikel presenterar iDesignGPT, ett nytt AI-baserat ramverk som syftar till att göra stora språkmodeller—samma familj verktyg som ligger bakom moderna chattbotar—till disciplinerade samarbetspartner för ingenjörer, och hjälpa både experter och nybörjare att utforska idéer, samla information och bedöma tidiga koncept mer systematiskt.

Problemet med tidig ingenjörsdesign

Konceptuell design är ingenjörskonstens ”oskarpa framkant”: team måste bestämma vad ett system ska göra, hur det kan fungera och om det överhuvudtaget är genomförbart, samtidigt som informationen ofta är ofullständig. Studier visar att upp till 80 % av livscykelkostnaden fastläggs i detta skede, och misstag kan bli enormt kostsamma att åtgärda senare. Traditionella metoder—såsom strukturerade kravdiagram och problemlösningshandböcker—utvecklades för snävare industriella miljöer och kräver ofta djup specialistutbildning. Samtidigt hjälper datorstödd design och simuleringsverktyg mest när en detaljerad layout redan finns, vilket lämnar ett stödgap för det allra tidigaste, mest kreativa stadiet. När produkter blir mer tvärvetenskapliga och företag vill involvera mer allmänna designers blir dessa begränsningar svårare att bortse från.

Vad dagens AI gör rätt—och fel

Nyligen visade stora språkmodeller (LLM) som GPT-4o och DeepSeek imponerande resonemangsförmågor och kan redan hjälpa till med uppgifter som att utarbeta rapporter eller skapa idéer. De kan också göras till ”agenter” som planerar steg, anropar verktyg och konsulterar externa databaser. Men direkt ur lådan har de svårt med ingenjörsdesign: de saknar domänspecifik kunskap, kan misstolka användarens avsikt och är benägna att ”hallucinera”—säkra men felaktiga påståenden. Befintliga AI-hjälpmedel för design fokuserar ofta på ett enstaka steg, som idégenerering, och är känsliga för hur väl användaren formulerar prompts. Det gör dem svåra att lita på för höginsatsbeslut eller för att stödja nybörjare som inte lätt upptäcker subtila tekniska fel.

En strukturerad AI-partner för designers

iDesignGPT tar itu med dessa problem genom att väva in LLM-agenter i en komplett, metoddriven designprocess. Byggt på en öppen plattform organiserar det AI-assistenter i kluster med olika roller—analytiker, informationsansvariga, innovatörer och utvärderare—kopplade till fyra faser: definiera problemet, samla information, generera koncept och utvärdera alternativ. I ”Copilot”-läge arbetar en konversationell agent med användaren för att klargöra mål och förfina krav genom naturlig dialog, och tar emot text och bilder. I ”Agent”-läge använder specialiserade agenter automatiskt etablerade designtekniker, såsom behovsanalysramverk och kvalitetsfunktionsmatriser, för att omvandla kundönskemål till viktade ingenjörsmål. En kunskapsbas hämtar in patent, vetenskapliga artiklar och prisbelönta produktexempel, medan skyddsräcken och korsgranskande agenter hjälper till att minska hallucinationer och hålla processen transparent.

Att pröva systemet

För att se om detta ramverk fungerar i praktiken testade författarna iDesignGPT på en högprofilerad utmaning: att designa ett kompakt räddningsflygplan som kan flyga autonomt i nödsituationer. Systemet utvidgade först och omorganiserade den ursprungliga listan med krav, tog bort snäva testfall och härledde bredare behov som säkerhet och autonomi. Det sökte därefter i patent, forskningsartiklar och designprisdatabaser, och använde flera kreativa metoder—biomimik, brainstorming, strukturerad rekombination och analys av uppfinningsprinciper—för att bygga modulära lösningsalternativ. Slutligen poängsatte och valde det en kombinerad design. Kvantitativa mått visade att processen vidgade det utforskade designutrymmet och ökade mångfalden och nytänkandet i tidiga idéer, för att sedan skifta mot förfining. När det resulterande konceptet jämfördes med 22 vinnande mänskliga bidrag från samma tävling placerade dess kundnöjdhetspoäng det ungefär i övre fjärdedelen.

Hur det jämförs med andra AI-arbetsflöden

Teamet jämförde också iDesignGPT med standarduppsättningar av LLM—enkla prompts, chain-of-thought-prompting och en resonemangsinriktad modell—på sex offentliga ingenjörsutmaningar från myndigheter som NASA och USA:s energidepartement. Med objektiva mått förankrade i ingenjörspraxis bedömde de lösningar utifrån nyhet, originalitet (hur olik befintliga patent de var), rationalitet, teknisk mognad och modularitet. iDesignGPT producerade konsekvent mer originella och modulära koncept samtidigt som den bibehöll stark rationalitet, även om dess idéer var något mindre redo för omedelbar implementering än de från de mest konservativa modellerna. Expertrecensenter bekräftade i stort dessa mönster. I användarstudier med 48 deltagare, från studenter till yrkesverksamma ingenjörer, minskade AI-stöd generellt den mentala belastningen jämfört med enbart mänsklig design, och iDesignGPT gav särskilt nybörjardesigners tydligare processvägledning, upptäckte förbisedda behov och stödde beslutsfattande utan att kräva avancerade promptskrivarkunskaper.

Vad detta betyder för framtidens designers

För allmänheten är huvudslutsatsen att verktyg som iDesignGPT inte handlar om att ersätta ingenjörer, utan om att göra de tidiga, röriga designfaserna mer tillgängliga, transparenta och utforskande. Genom att paketera rigorösa desigmetoder i flermedagent-AI-arbetsflöden hjälper ramverket användare att formulera vad de verkligen behöver, utforska ett bredare spektrum av möjligheter och jämföra alternativ med uttryckliga kriterier. Även om det fortfarande har begränsningar—särskilt i snävt begränsade problem och utanför det konceptuella skedet—ger det en inblick i designmiljöer där studenter, generalister och experter kan samskapa komplexa system med en AI som uppträder mindre som en pratsam assistent och mer som en metodisk, vältränad medarbetare.

Citering: Liu, S., Shen, Y., Zhang, Y. et al. iDesignGPT enhances conceptual design via large language model agentic workflows. Nat Commun 17, 1997 (2026). https://doi.org/10.1038/s41467-026-68672-1

Nyckelord: teknisk design, AI-designverktyg, stora språkmodeller, konceptgenerering, människa–AI-samarbete