GM busca bajar el desarrollo de autos a dos años

GM intenta convertir la IA en una fábrica de autos más rápida

General Motors le dijo a CNBC el miércoles que quiere recortar el tiempo de desarrollo de vehículos a unos dos años, frente a un ciclo tradicional de cuatro a cinco años. La compañía dice que la inteligencia artificial, la simulación y el software serán parte de ese cambio. También está impulsando un asistente propio de IA para OnStar, una nueva generación de EVs y manejo eyes-off en autopista en 2028. Para un directivo, la historia no es solo el producto final. Es si una compañía industrial con más de 100 años puede usar software para acortar el tiempo que tarda en diseñar, probar y lanzar vehículos sin perder control de costo, calidad o riesgo.

Fuente: CNBC

Un ciclo de dos años es una meta operativa, no un eslogan

GM dijo que ahora apunta a un tiempo de desarrollo de vehículos de unos dos años, desde el concepto hasta la producción. Eso se compara con un ciclo tradicional de cuatro a cinco años, según la propia compañía. Si llega a cumplirlo, el cambio impactaría mucho más que la agenda de ingeniería. Cambiaría cómo asigna capital, cuándo compromete a sus proveedores, cómo ordena el trabajo en planta y en qué momento decide renovar un modelo. Es decir, no es solo una pregunta tecnológica. Es una pregunta de modelo operativo.

El momento importa porque la empresa responde a un mercado que se está moviendo más rápido fuera de Estados Unidos y sigue siendo difícil dentro del país. CNBC informó que las automotrices chinas están creciendo fuera de EE. UU. con tiempos de desarrollo rápidos, y la consultora AlixPartners cree que China está lanzando vehículos al mercado dos veces más rápido que los fabricantes tradicionales, con 40% a 50% menos inversión y una ventaja de costo de 30%. GM no dio un plazo para llegar a su meta de dos años, así que el número debe leerse como dirección estratégica, no como una fecha comprometida.

Fuente: CNBC

La ventaja real está en la simulación y el trabajo concurrente

GM dio un ejemplo concreto de cómo podría funcionar el nuevo enfoque. La empresa dijo que probó virtualmente más de 300.000 diseños de baterías usando su química de batería lithium manganese rich antes de construir un solo prototipo físico. Ese es el tipo de dato que importa para un CFO y un COO. Sugiere menos iteraciones físicas, menos desperdicio, menos retrabajo y decisiones más rápidas sobre qué diseños merecen pruebas reales.

GM dice que su nuevo enfoque operativo para el desarrollo de vehículos se apoya en enterprise AI y virtualización para ganar velocidad. La compañía lo describió como un modelo de ingeniería concurrente que permite innovar más rápido, mejorar de forma continua y escalar nuevas tecnologías en toda la gama. Eso importa porque muchas empresas todavía trabajan producto, ingeniería y operaciones como si fueran traspasos separados. GM está intentando comprimir esos traspasos en un solo flujo. Si funciona, puede pasar de la idea al lanzamiento con menos pausas. Si falla, el costo de una mala decisión digital puede aparecer después, cuando ya se comprometió más capital.

Fuente: CNBC

El vehículo se está convirtiendo en una plataforma de software

GM también dijo que su próxima generación de EVs y vehículos de combustión tendrá 40 veces más capacidad de cómputo y hasta 50% más velocidad de conectividad celular que los sistemas anteriores. Ese salto no es solo una mejora de comodidad. Es lo que hace más viables las actualizaciones over-the-air, el diagnóstico a bordo, las funciones de IA y las capacidades de conducción automatizada. En la práctica, el auto se está rediseñando como una plataforma de cómputo conectada que puede mejorar después de la venta y no solo en la fábrica.

La empresa también reiteró que planea lanzar un asistente de IA dentro del vehículo a través de OnStar. Según CNBC, el asistente llegaría en los próximos meses al Cadillac Lyriq EV 2027 mediante una actualización over-the-air, antes de expandirse a otros modelos. Hoy GM usa Gemini de Google para su asistente en el vehículo, pero dice que la versión desarrollada por la propia compañía estará más integrada con el auto y se ofrecerá por suscripción. Eso abre una fuente de ingreso recurrente, pero también eleva la exigencia en confiabilidad, gobierno de datos y soporte al cliente. Cuando el software forma parte de la propuesta de valor, las caídas y las malas respuestas dejan de ser un problema técnico para convertirse en un problema comercial.

Fuente: CNBC

La autonomía sigue siendo una ruta larga, incluso con mejores herramientas

GM confirmó que quiere conducción eyes-off en autopista en 2028, empezando por el Cadillac Escalade IQ EV y luego extendiéndola a otros modelos de mayor volumen. Es un compromiso importante, pero también recuerda que los plazos de autonomía avanzan mucho más lento que los de software. Han pasado cinco años desde que Mary Barra dijo que esperaba ofrecer vehículos autónomos personales en esta década, y eso muestra cuánto pueden tardar estos programas incluso dentro de una empresa con escala y capital para seguir invirtiendo.

Sterling Anderson dijo que los sistemas de GM podrán ver más cosas mediante varios tipos de sensores que un sistema basado solo en cámaras, y sostuvo que la velocidad tiene valor real. Su punto no era solo lanzar antes. Era construir un sistema más performante. Esa diferencia importa para cualquier directivo. Desarrollar más rápido solo sirve si el producto final gana confianza, pasa el escrutinio regulatorio y sostiene un precio premium. En autonomía, la distancia entre una promesa creíble y un producto escalable sigue siendo el lugar donde se rompen muchos planes.

Fuente: CNBC

Qué hacer ahora

La lección para otras empresas no es que todas deban fabricar autos. Es que la IA crea valor cuando acorta un ciclo operativo real, no cuando se suma encima de un proceso que sigue moviéndose al ritmo de antes. Las compañías que primero capturen valor serán las que rediseñen flujos de trabajo, reglas y derechos de decisión alrededor de las nuevas herramientas.

• Mapea un ciclo central que afecte tu P&L y mide cuánto tarda hoy de la idea al lanzamiento o de la solicitud a la entrega.
• Identifica dónde la simulación, los gemelos digitales o las pruebas virtuales pueden sustituir iteraciones físicas sin elevar el riesgo de calidad.
• Revisa qué conjuntos de datos son lo bastante ricos para usar IA en producto, operaciones o servicio al cliente, y quién los controla.
• Define dónde una liberación de software más rápida generaría ingresos y dónde podría crear riesgo operativo o regulatorio.
• Instala una revisión trimestral de los programas de IA que pida reducción de ciclo, no solo adopción de modelos.