GPT-6 Astra porta il CAD parametrico generato dall’intelligenza artificiale molto più vicino a un workflow ingegneristico reale

OpenAI ha presentato il 3 settembre 2026 GPT-6 Astra e tra i benchmark scelti per mostrare i progressi del nuovo modello compare un test particolarmente interessante per il mondo CAD, manifattura digitale e stampa 3D: BenchCAD. Con accesso agli strumenti, GPT-6 Astra raggiunge un punteggio di 95,9% nella prova Vision2Code, superando nettamente l’83,3% riportato per GPT-5.6 Sol e l’84,3% attribuito a Claude Fable 5.1 nella stessa tabella pubblicata da OpenAI. Il risultato merita attenzione perché BenchCAD non chiede semplicemente di produrre una mesh dall’aspetto plausibile partendo da un prompt. Il modello riceve più viste renderizzate di un componente meccanico e deve ricostruirlo scrivendo codice parametrico CadQuery realmente eseguibile. Quel codice viene poi eseguito, produce geometria CAD e il risultato viene confrontato numericamente con la parte di riferimento. Per il settore della stampa 3D è una differenza fondamentale: invece di generare soltanto una forma visivamente convincente, l’AI deve arrivare a una rappresentazione modificabile attraverso operazioni geometriche e parametri, molto più vicina al modo in cui lavora un progettista meccanico.

Il 95,9% non significa che Astra realizzi correttamente il 95,9% di qualsiasi progetto CAD
Il numero va interpretato con precisione. BenchCAD utilizza per Vision2Code una metrica basata sulla sovrapposizione volumetrica tra geometria generata e riferimento, combinata con la percentuale di programmi che vengono eseguiti correttamente. Il benchmark la descrive come IoU-score, derivato da voxel Intersection over Union moltiplicato per l’execution rate. Un risultato di 0,959 significa quindi elevatissima corrispondenza geometrica media nella configurazione testata, non che il modello abbia passato una certificazione industriale né che il 95,9% dei disegni prodotti possa essere direttamente mandato in produzione. Una parte può sovrapporsi quasi perfettamente al riferimento e contenere comunque un foro chiuso, una feature costruita in ordine errato o un parametro non conforme all’intenzione progettuale.

Lo stesso BenchCAD mostra perché una geometria quasi identica possa essere tecnicamente sbagliata
3Druck richiama un esempio particolarmente utile tratto dal lavoro BenchCAD. In un esercizio di modifica CAD, un modello doveva creare un foro passante centrale con raggio di 20 mm attraverso una flangia e una successiva estensione cilindrica. Alcuni modelli eseguivano correttamente il taglio ma lo facevano troppo presto nella sequenza parametrica; aggiungendo successivamente il cilindro, una parte del foro veniva richiusa. La geometria complessiva poteva comunque raggiungere una sovrapposizione del 96,1% rispetto al target, ma la modifica richiesta era funzionalmente errata. È un esempio perfetto della differenza tra “somiglia al pezzo” e “è stato progettato correttamente”. Nel CAD parametrico contano anche feature tree, relazione tra operazioni, dimensioni critiche, riferimenti e intenzione di progetto.

BenchCAD nasce proprio per evitare che l’AI venga valutata soltanto sull’aspetto del modello
Molte dimostrazioni text-to-3D vengono giudicate principalmente attraverso metriche visive o attraverso la somiglianza della mesh. Questo può funzionare per personaggi, oggetti decorativi e concept, ma è insufficiente per componenti meccanici. Un raccordo può sembrare corretto ma avere filetto o diametro errato; un ingranaggio può essere visivamente plausibile ma utilizzare modulo, numero di denti o angolo di pressione sbagliati. BenchCAD forza il modello a produrre un programma CadQuery e verifica poi la geometria eseguendo quel programma. In questo modo la valutazione passa dalla semplice generazione di immagini o triangoli alla programmatic CAD generation.

Il dataset comprende 17.900 componenti verificati attraverso esecuzione
BenchCAD contiene 17.900 programmi CadQuery verificati, distribuiti in 106 famiglie di componenti industriali. Il repertorio comprende elementi molto differenti: twist drill, bevel gear, coil spring, heat sink, pipe fitting, sprocket, spline hub, bellows, eyebolt, wing nut, handwheel e numerosi altri. Non siamo quindi davanti a un benchmark costruito soltanto con cubi, cilindri e fori elementari. Le parti utilizzano oltre quaranta differenti operazioni CadQuery e obbligano il modello a interpretare geometrie di rivoluzione, sweep, pattern, eliche, raccordi, sottrazioni e combinazioni di feature.

Circa metà delle famiglie è collegata a veri standard ingegneristici
Sono 52 famiglie su 106, derivate da tabelle riconducibili a 47 standard ISO, DIN, EN, ASME o IEC. Questo è probabilmente uno degli elementi che rende BenchCAD interessante rispetto a molti dataset generativi. Un componente standardizzato non può essere soltanto “simile” a un bullone o a un pignone: dimensioni e relazioni geometriche devono rispettare una specifica. La restante metà del dataset rappresenta comunque famiglie coerenti con comuni pratiche ingegneristiche. BenchCAD cerca quindi di misurare la capacità dell’AI di recuperare una struttura parametrica compatibile con oggetti reali invece di limitarsi a geometrie sintetiche create per il benchmark.

L’input consiste in quattro viste del componente
Nel task Vision2Code il modello riceve quattro render della parte – tipicamente frontale, laterale, superiore e isometrico – e deve ricostruire da queste informazioni il programma CadQuery. Il problema combina diverse capacità: riconoscere il tipo di componente, correlare le differenti proiezioni, ragionare in tre dimensioni, recuperare valori dimensionali e trasformare la struttura mentale risultante in codice corretto. Un essere umano esperto svolge un processo analogo quando ricostruisce una parte a partire da fotografie o tavole tecniche, anche se in una vera situazione industriale disporrebbe spesso di quote, sezioni e tolleranze che nel benchmark possono non essere presenti in forma equivalente.

CadQuery è particolarmente interessante perché il risultato rimane parametrico
CadQuery è una libreria Python per costruire modelli solidi utilizzando OpenCascade. Un programma può definire, per esempio, diametro di un cilindro, altezza, spessore di una flangia, pattern dei fori e fillet come variabili esplicite. Modificando quei numeri si rigenera automaticamente la parte. Questo è completamente diverso da ricevere dall’AI un file STL formato da centinaia di migliaia di triangoli. Lo STL può essere stampabile ma è difficile da modificare in maniera ingegneristicamente pulita; un programma parametrico, invece, può essere corretto, revisionato, inserito in version control e utilizzato per produrre STEP o altri formati CAD.

Per la stampa 3D questo può ridurre la distanza tra idea e parte modificabile
Un possibile workflow diventa: fotografie o viste di riferimento → ricostruzione AI → programma CadQuery → verifica umana → modifica delle dimensioni → esportazione STEP → eventuale DfAM → slicing. Oggi molte soluzioni AI generative producono direttamente mesh, ottime per modelli decorativi ma meno interessanti quando il pezzo deve essere adattato a un albero da 12 mm invece che 10 mm o quando bisogna modificare lo spessore di una parete mantenendo tutte le relazioni. La generazione programmatica rende queste modifiche molto più naturali.

Non bisogna però confondere BenchCAD con reverse engineering metrologico
Quattro render non contengono automaticamente tutta l’informazione necessaria per ricostruire una parte reale. In reverse engineering professionale si utilizzano scanner 3D, CMM, calibri, tomografia, superfici NURBS e riferimenti dimensionali. Se una fotografia non mostra una cavità interna, l’AI non può misurarla; può soltanto inferirla. BenchCAD possiede un riferimento deterministico perché le viste derivano da modelli CAD noti. Nel mondo reale, invece, un componente fotografato può presentare usura, deformazioni, tolleranze e feature invisibili. GPT-6 Astra può quindi diventare uno strumento molto utile per accelerare la ricostruzione, ma non sostituisce automaticamente la metrologia.

Il risultato di Astra è stato ottenuto utilizzando strumenti
Questo è uno dei caveat più importanti. Il 95,9% non descrive il comportamento di GPT-6 Astra che osserva quattro immagini, scrive una sola risposta e termina. La configurazione è agentic, con tool use: il modello dispone di un sandbox Python nel quale può generare il codice, eseguirlo, renderizzare il risultato, misurarlo e iterare prima di consegnare la risposta finale. In pratica si avvicina molto di più al modo in cui lavorerebbe un ingegnere assistito da software: produce una prima ipotesi, guarda cosa è uscito, corregge e ripete.

Il benchmark stesso mostra che l’uso degli strumenti può contare più del passaggio a una generazione di modello successiva
BenchCAD riporta esempi molto eloquenti. Claude Opus 5 passa da circa 0,366 senza strumenti a 0,821 con sandbox, mentre Grok 4.6 passa da circa 0,364 a 0,806. Significa che la possibilità di renderizzare e misurare ciò che è stato appena progettato può praticamente raddoppiare l’efficacia sul task. Questo è rilevante per il futuro dei CAD agent: probabilmente non funzioneranno come chatbot che emettono un modello perfetto al primo colpo, ma come agenti che costruiscono, ispezionano, correggono e rieseguono automaticamente.

Per GPT-6 Astra non è stato pubblicato un risultato BenchCAD comparabile senza strumenti
Il leaderboard BenchCAD evidenzia esplicitamente che Astra compare soltanto come punto agentic. Non esiste quindi, al momento della verifica, un valore pubblico che permetta di dire quanto il modello otterrebbe nel medesimo test senza sandbox. Il migliore risultato no-tools visualizzato da BenchCAD rimane quello di GPT-5.6 Sol a circa 0,706. Confrontare il 95,9% di Astra con un modello testato senza tool sarebbe quindi metodologicamente scorretto. I valori principali riportati da OpenAI per il confronto sono configurazioni agentic comparabili.

Anche il 95,9% è stato calcolato su un subset da 1.000 file
BenchCAD precisa un’altra informazione importante: i valori “with tools” pubblicati dai vendor vengono ottenuti su un subset di 1.000 file del task Vision2Code e utilizzano voxel IoU. Il benchmark completo contiene 17.900 parti, ma questo non significa che OpenAI abbia pubblicato un test Astra su tutte le 17.900. È una distinzione importante, perché in molti articoli il numero totale del dataset e il punteggio del modello vengono accostati in modo tale da suggerire implicitamente che ogni modello sia stato valutato sull’intero archivio. Il benchmark completo definisce l’universo dei dati; il punteggio Astra pubblicato riguarda la configurazione specificata dagli autori del leaderboard.

Il valore nasce da una valutazione pubblicata da OpenAI, non da un test indipendente commissionato da BenchCAD
3Druck sottolinea correttamente questo aspetto. OpenAI ha eseguito e pubblicato la valutazione nella documentazione di lancio di GPT-6 Astra. Il sito BenchCAD ora incorpora quel valore nel proprio grafico e lo identifica esplicitamente come vendor-reported. Non c’è nulla di insolito: anche altri laboratori pubblicano benchmark dei propri nuovi modelli. Ma “risultato presente nel leaderboard” e “benchmark indipendente eseguito dagli autori con accesso autonomo al modello” non sono esattamente la stessa cosa. Per una valutazione rigorosa occorre mantenere questa distinzione.

Il miglioramento rispetto a GPT-5.6 Sol è comunque molto grande
Passare da 83,3 a 95,9 significa guadagnare 12,6 punti assoluti sulla metrica pubblicata. In termini di errore residuo, il cambiamento appare ancora più evidente: il gap da 100 scende da 16,7 a 4,1 punti. Questo non significa automaticamente quattro volte meno errori funzionali, perché la metrica non si traduce direttamente in failure rate, ma mostra che la sovrapposizione geometrica si sta rapidamente avvicinando al limite superiore del test. BenchCAD descrive Astra come il nuovo record agentic nel confronto pubblico mostrato.

Claude Fable 5.1 aveva raggiunto 84,3% soltanto due giorni prima
Il leaderboard evidenzia un ritmo di avanzamento molto rapido nel 2026. Secondo BenchCAD, il record agentic è cambiato tre volte nell’arco di pochi mesi. Questo è significativo perché programmatic CAD è fino a poco tempo fa rimasto molto più debole rispetto alla generazione di testo o codice software tradizionale. La combinazione vision + spatial reasoning + executable code sembra ora diventare uno degli ambiti nei quali i laboratori di frontiera vogliono mostrare capacità professionali concrete.

OpenAI presenta BenchCAD all’interno dei benchmark “Professional”
La scelta è interessante. Il benchmark non viene trattato come una curiosità grafica o una semplice prova multimodale, ma accostato da OpenAI ad AutomationBench, BrowseComp, design tasks e data science tasks. La società sta quindi utilizzando il CAD come esempio di lavoro professionale complesso che richiede percezione, ragionamento e capacità di interagire con strumenti. È un segnale importante per il settore perché colloca il computer-aided design tra i workflow sui quali i modelli generalisti vengono ormai addestrati e valutati esplicitamente.

Astra non è però un nuovo software CAD
Non contiene un kernel geometrico che sostituisce automaticamente SolidWorks, CATIA, Fusion, Creo o NX. Nel benchmark produce codice CadQuery utilizzando strumenti esterni per eseguirlo e valutarlo. La geometria viene costruita da OpenCascade attraverso CadQuery. Questo significa che la capacità più interessante del modello è orchestrare il CAD tramite codice e ragionamento, non inventare un nuovo formato geometrico proprietario. Per gli utenti è probabilmente un vantaggio: il risultato può essere ispezionato e modificato attraverso strumenti già conosciuti.

Nemmeno CadQuery è equivalente a tutti i workflow CAD industriali
È estremamente potente per componenti parametrici meccanici, ma un assieme aeronautico CATIA con Product Manufacturing Information, GD&T, superfici Class-A, configurazioni, constraints complessi e gestione PLM rappresenta un problema molto più ampio. BenchCAD misura una parte importante del lavoro CAD ma non l’intera ingegneria di prodotto. Un punteggio elevato non dimostra capacità equivalente su routing elettrico, CFD, analisi FEM, tolleranze geometriche o gestione di assembly da migliaia di componenti.

Il benchmark non valuta direttamente la stampabilità 3D
Una parte CAD geometricamente corretta può avere overhang impossibili, pareti troppo sottili o cavità che intrappolano polvere. BenchCAD verifica la ricostruzione del modello, non la capacità di orientarlo per LPBF, aggiungere supporti, calcolare compensazioni, scegliere materiali o validare il processo. Per questo il titolo “GPT-6 Astra per il 3D printing” va letto come collegamento potenziale: il CAD generato può diventare input di un workflow additive, ma il benchmark non misura direttamente DfAM o slicing.

Il passaggio più interessante sarebbe collegare Astra a un vero workflow DfAM
Un agente potrebbe ricevere una parte, ricostruirla in CadQuery, chiedere quale processo verrà utilizzato e modificare automaticamente spessori, raccordi, fori o orientamento secondo regole definite dall’azienda. Potrebbe poi esportare STEP, interagire con un software di simulazione, leggere i risultati e correggere la geometria. Questa sequenza è molto più interessante della semplice generazione text-to-STL perché trasforma l’AI da creatore di forma a partecipante dell’iterazione progettuale.

Per i service bureau potrebbe accelerare la preparazione di preventivi e redesign
Un cliente invia spesso file non ideali: STL con problemi, disegni 2D, fotografie, vecchi componenti o indicazioni incomplete. Un agente CAD potrebbe trasformare rapidamente questi input in modelli parametrici preliminari, identificare dimensioni mancanti e chiedere all’operatore solo i dati realmente necessari. Non eliminerebbe il progettista, ma potrebbe spostare molto lavoro ripetitivo verso l’automazione. Per un service di stampa 3D, dove una parte significativa del tempo viene spesa prima ancora che la macchina inizi a stampare, il beneficio può essere rilevante.

La modifica automatica di un CAD esistente è forse ancora più importante della generazione da zero
BenchCAD comprende anche un task Code Edit nel quale il modello riceve un programma parametrico già esistente e una richiesta di modifica. Può trattarsi di un cambiamento semplice, come aumentare il raggio di un cilindro da 4,5 a 5,85 mm, oppure di variazioni che interessano più feature correlate. In ambiente produttivo questa situazione è estremamente comune: molte richieste non riguardano la progettazione di un nuovo oggetto ma l’adattamento di una famiglia già esistente.

Il CAD generato come codice introduce anche una naturale tracciabilità delle modifiche
Un file binario CAD tradizionale può essere gestito da PDM, ma confrontare precisamente due versioni non è sempre semplice. Un programma Python/CadQuery può essere memorizzato in Git, sottoposto a diff e revisionato attraverso normali strumenti software. Una modifica AI può quindi essere mostrata come variazione di poche righe: diametro da 8 a 10 mm, altezza da 30 a 35, pattern da quattro a sei fori. Questo può diventare particolarmente utile quando l’AI viene utilizzata in ambiti regolamentati, perché rende più evidente che cosa è stato modificato.

Naturalmente il codice può essere pulito o terribilmente fragile
Due programmi possono generare esattamente la stessa geometria ma avere qualità ingegneristica molto diversa. Uno può usare variabili con nomi chiari e relazioni parametriche robuste; l’altro può contenere numeri hard-coded, operazioni ridondanti e riferimenti che si rompono appena cambia una dimensione. Il punteggio geometrico di BenchCAD non misura completamente questa qualità. Per un uso professionale sarà quindi necessario valutare non solo il risultato finale, ma anche leggibilità, robustezza parametrica e capacità di mantenere l’intento progettuale durante successive revisioni.

Lo stesso vale per le tolleranze
Una ricostruzione geometricamente quasi perfetta può essere inutile se un foro destinato a un cuscinetto non include la corretta tolleranza, se il gioco tra due componenti è sbagliato o se un filetto non segue la classe richiesta. BenchCAD include famiglie basate su standard, ma il risultato del benchmark non equivale a una tavola tecnica completa con GD&T. Prima della produzione rimane indispensabile l’approvazione dell’ingegnere.

Per la stampa 3D di componenti non critici, invece, la soglia di utilità può essere molto più bassa
Un supporto per sensore, un jig, un adattatore, un cover o un componente per laboratorio possono non richiedere una catena di qualificazione aeronautica. In questi casi la possibilità di ottenere rapidamente un CAD parametrico quasi corretto e rifinirlo manualmente può già avere valore enorme. È probabilmente qui che vedremo l’adozione più veloce: non l’AI che progetta autonomamente una pala di turbina, ma l’AI che elimina mezz’ora di modellazione ripetitiva centinaia di volte alla settimana.

Astra può anche utilizzare il proprio ambiente per verificare il risultato
È forse la lezione più importante del benchmark. Un sistema di AI non deve essere considerato soltanto come generatore. Se dispone di Python, CAD kernel e rendering può anche controllare ciò che ha creato. Può misurare bounding box, diametri, volumi, distanze e confrontare viste. Questo ciclo generate → execute → inspect → correct riduce drasticamente il numero di errori rispetto alla generazione one-shot e rappresenta una possibile architettura generale per gli agenti ingegneristici.

Non equivale ancora a una verifica indipendente
Il modello che controlla il proprio lavoro può ripetere lo stesso errore concettuale durante la verifica. Nei workflow critici sarà utile separare generazione e controllo: un agente genera il CAD, un secondo sistema esegue verifiche deterministicamente, quindi un operatore umano approva. Regole geometriche, tolerance checker e DfAM engine possono offrire controlli meno soggetti allo stesso bias del generatore.

OpenAI afferma inoltre che il risultato è stato ottenuto con un costo API inferiore rispetto ai modelli confrontati
Nella configurazione mostrata, OpenAI stima il costo API di Astra su BenchCAD circa 43% inferiore a GPT-5.6 Sol e 86% inferiore a Claude Fable 5.1. È un dato potenzialmente importante perché un CAD agent può effettuare numerose iterazioni, render, misure e correzioni per ogni parte. Un modello leggermente migliore ma dieci volte più costoso potrebbe risultare poco interessante per migliaia di job al giorno. Anche questi valori, però, riguardano le configurazioni specifiche del benchmark e non devono essere trasformati direttamente in costo per componente CAD commerciale.

GPT-6 Astra è un modello reale e ufficialmente annunciato da OpenAI
In questo caso la verifica è netta: il nome non è una denominazione inventata da 3Druck. OpenAI ha annunciato formalmente GPT-6 Astra il 3 settembre 2026, lo identifica come il proprio modello più capace per i workflow end-to-end complessi e ne documenta sia l’accesso ChatGPT sia l’API gpt-6-astra. Al momento del lancio l’accesso è partito da un gruppo limitato di organizzazioni con espansione progressiva; la disponibilità non deve quindi essere interpretata come simultaneamente identica per ogni account dal primo giorno.

L’API dispone di un context window superiore al milione di token
La documentazione tecnica indica 1.050.000 token di context window e fino a 128.000 token di output. Per un workflow CAD questo può diventare utile quando l’agente deve gestire non soltanto il singolo script ma standard, specifiche, librerie di componenti, revision history e documentazione aziendale. Non significa che sia utile inserire indiscriminatamente un milione di token in ogni richiesta: oltre determinate soglie anche il prezzo cambia e un sistema produttivo deve comunque organizzare bene il contesto.

La disponibilità di reasoning effort elevato può essere utile proprio nei problemi geometrici
L’API supporta differenti livelli di reasoning effort fino a configurazioni elevate. BenchCAD è un caso in cui più ragionamento e possibilità di iterazione hanno evidentemente valore: il modello deve integrare più viste, ricostruire una rappresentazione 3D, dedurre feature e verificare codice. Per una semplice modifica parametrica, invece, utilizzare sempre la configurazione massima potrebbe essere economicamente inefficiente. Un futuro CAD agent potrebbe classificare il problema e dedicare capacità elevata soltanto ai job geometricamente più difficili.

Il vero risultato di BenchCAD è quindi meno “l’AI sa disegnare” e più “l’AI sta imparando a operare su rappresentazioni ingegneristiche eseguibili”
Questa distinzione è importante. Generare una bella immagine di un ingranaggio è un problema visivo. Generare una mesh simile all’ingranaggio introduce geometria. Generare codice parametrico che costruisce quell’ingranaggio e rimane modificabile introduce invece una rappresentazione strutturata del progetto. È questo passaggio che rende il risultato di Astra rilevante per manifattura e stampa 3D.

Rimane ancora molta distanza tra il benchmark e una progettazione autonoma completa
BenchCAD non chiede di scegliere il materiale, calcolare un coefficiente di sicurezza, applicare una norma di progettazione, eseguire fatigue analysis, decidere la tolleranza di un accoppiamento o certificare una parte per uso medicale o aeronautico. Non verifica nemmeno che un componente ricostruito da viste possieda esattamente l’intento funzionale originale. Il 95,9% è quindi un risultato molto forte su un compito specifico, non la prova che il ruolo del progettista CAD sia stato automatizzato.

Ma la velocità del progresso suggerisce che la prima fase del lavoro CAD possa cambiare rapidamente
La modellazione di feature standard, la ricostruzione di componenti, le variazioni dimensionali e la generazione di famiglie parametriche sono attività nelle quali un agente può offrire valore ben prima di raggiungere l’autonomia completa. Un progettista potrebbe iniziare non da una pagina vuota ma da un modello generato in pochi minuti, concentrandosi sulla verifica, sulle scelte funzionali e sulle eccezioni. È la stessa trasformazione che il coding assistito dall’AI ha iniziato a produrre nello sviluppo software.

Per chi opera nella stampa 3D, il collegamento più promettente è tra CAD agentico e DfAM automatico
La generazione text-to-3D destinata ai maker continuerà a crescere, ma il valore industriale più grande potrebbe emergere altrove: un’AI che riceve una parte, la ricostruisce in geometria parametrica, ne modifica automaticamente feature problematiche per la tecnologia scelta, prepara varianti lightweight, controlla wall thickness e clearance e restituisce un STEP modificabile. BenchCAD misura soltanto il primo pezzo di questa catena, ma il 95,9% di Astra indica che proprio quel pezzo sta maturando molto rapidamente.

La cautela principale resta quindi non trasformare un ottimo benchmark in una promessa di produzione autonoma
Il valore Astra è stato ottenuto con tool use, su un subset da 1.000 file, con metrica voxel IoU combinata con execution rate e attraverso una valutazione pubblicata dal produttore. Non misura tolleranze, DfAM, sicurezza strutturale o certificazione. Eppure il salto rispetto alla generazione precedente è abbastanza ampio da non poter essere liquidato come semplice miglioramento cosmetico. Quando un modello generalista riesce a osservare quattro viste di componenti industriali e ricostruire con questa precisione programmi CAD eseguibili, il CAD parametrico sta chiaramente entrando nell’area dei workflow che possono essere profondamente modificati dagli agenti AI.

Per la stampa 3D significa che il collo di bottiglia potrebbe spostarsi
Per anni uno dei vantaggi della produzione additiva è stato poter fabbricare quasi qualsiasi geometria direttamente dal file digitale. Ma il file doveva comunque essere creato da qualcuno. Se agenti come GPT-6 Astra riducono drasticamente il tempo necessario per passare da riferimento, idea o modifica richiesta a un CAD parametrico utilizzabile, la fase di progettazione può avvicinarsi alla velocità del manufacturing digitale. A quel punto diventeranno ancora più importanti verifica, DfAM, qualificazione del materiale e controllo del processo. L’AI non elimina l’ingegneria: può però togliere una parte crescente del lavoro necessario per arrivare al punto in cui l’ingegneria vera deve prendere le decisioni.

GPT-6 Astra su BenchCAD

OpenAI pubblica Astra come nuovo massimo nel confronto mostrato; BenchCAD incorpora il risultato nel proprio leaderboard come vendor-reported agentic score.

BenchCAD – cosa misura realmente

BenchCAD specifica inoltre che il dataset completo e il sottoinsieme utilizzato dai vendor per i risultati agentic non devono essere confusi.

Cosa dimostra e cosa non dimostra il 95,9%

GPT-6 Astra – dati utili per un futuro CAD agent