Atlas Motion ha salido del sigilo con una serie A de 11,5 millones de dólares y una afirmación llamativa: que su IA convierte un ciclo de diseño de motor de unos dos meses en unos 20 minutos.
Lidera Greycroft. La empresa se constituyó en febrero y dice que envió su primer motor en menos de 60 días.
Puntos clave
- Serie A de 11,5 millones. Participan Also Capital, Enea Capital, Mana Ventures y Sunflower Capital, más los ángeles Jai Malik (CEO de AMCA) y Scott Sanders (CGO de Forterra).
- CEO y cofundador: Christian Mochen. El equipo viene de Tesla, Mitre, Shield AI y Mach Industries.
- La plataforma Vector hace tres cosas: ingiere especificaciones y requisitos, lanza simulaciones automáticamente con herramientas de ingeniería estándar y genera el paquete de fabricación.
- Cifras que da la empresa: diseño en 20 minutos (de 5 a 10 minutos hasta el diseño terminado más ajustes), rampa de producción en 6 semanas contra los 6 meses del sector, y 99% de confianza en que la simulación coincide con el hardware real.
- Producción actual: 10.000 motores al mes, con proyección de 40.000 al mes en diciembre. Ingeniería en Long Beach, producción en masa en Filipinas.
- Clientes: solo sector defensa, sin nombres públicos. Las cifras no se pueden verificar de forma independiente.
Qué está automatizando exactamente
Conviene separar las dos partes de la afirmación, porque no valen lo mismo.
La primera es el diseño paramétrico. Un motor eléctrico es un problema de optimización con restricciones conocidas: par, revoluciones, peso, envolvente térmica, coste de materiales. Recorrer ese espacio de diseño es exactamente lo que una máquina hace mejor que un ingeniero con hojas de cálculo. Los 20 minutos son creíbles ahí.
La segunda es la simulación automática. Lanzar análisis de elementos finitos y electromagnéticos sin que un humano configure cada caso es donde se ahorran las semanas de verdad. El 99% de coincidencia con hardware real es la afirmación que habría que ver validada por un tercero.
Lo que no está automatizado es la validación física. Los motores siguen fabricándose y probándose. Lo que cambia es cuántas iteraciones caben antes de tocar metal.
El patrón que se repite
Esto es la misma película que estamos viendo en otros sectores con restricciones duras: Mirendil levantó 100 millones con Google Cloud para IA que se automejora y Jeff Dean montó una startup para acelerar el bucle de descubrimiento científico.
El denominador común: cuando el ciclo de iteración es el cuello de botella y existe una función de evaluación fiable (una simulación, un experimento, un test), la IA comprime el ciclo. Donde no hay función de evaluación, no pasa nada.
Por qué importa
Si diriges una empresa con producto físico, la lectura es directa. La ventaja no está en que la IA diseñe mejor que tus ingenieros. Está en que puede probar 400 variantes mientras tú pruebas 3.
La pregunta para tu empresa es cuál es tu equivalente de la simulación: qué proceso tuyo tiene un criterio de éxito claro y automatizable. En una marca de producto, eso puede ser el forecast de compras contra el histórico de ventas. En una empresa de servicios, la asignación de recursos contra márgenes reales.
Sin ese criterio, lo que consigues es generar más opciones y no saber cuál es buena, que es empeorar el problema. Con él, comprimes el ciclo de la misma forma que Atlas dice comprimir el suyo.
Y el aviso de siempre: los números de una serie A los da la empresa que la ha levantado. 10.000 motores al mes es una cifra comprobable; 20 minutos de diseño no lo es.
Relacionado
