GPT-6 Astra och CAD: när AI börjar konstruera på riktigt

När GPT-6 Astra släpptes var nätet fullt av ord som "ny era" och "AGI". Jag var mer avvaktande. Efter några år av AI-hype har jag blivit ganska svårflörtad.

Sedan behövde vi ett takfäste till en konferenstelefon. Det blev mitt första riktiga Astra-moment. Plötsligt handlade AI om mått, geometri, infästningar, toleranser, 3D-utskrift och hur verkliga delar faktiskt ska passa ihop.

Ett ganska trivialt problem på kontoret

På vårt kontor använder vi en Logitech Group-konferenstelefon. Någon kom på den ganska smarta idén att hänga den i taket i stället för att dra den fram och tillbaka på konferensbordet.

Vi är flera som har 3D-skrivare, så nästa tanke var självklar: vi printar ett fäste.

Problemet var bara att jag inte hittade något färdigt takfäste som kändes vettigt. Och jag kan inte CAD:a på någon nivå som en konstruktör skulle bli särskilt imponerad av.

Så jag gav GPT-6 Astra uppdraget.

Kravbilden var ungefär:

✅ sitta dikt an mot taket
✅ gå att skriva ut på min Bambu Lab P2S
✅ vara enkel att montera
✅ göra högtalaren relativt enkel att ta ner igen
✅ hantera att högtalarens form är välvd
✅ se ut som en riktig produkt, inte som en snabb nödlösning

Sedan började det intressanta.

AI:n ritade inte bara en snygg bild

Det här är en viktig skillnad.

När vi pratar om AI och 3D tänker många nog först på en snygg rendering. Det var inte det som hände här.

Astra arbetade fram faktisk geometri och ett litet mekaniskt system: STEP för vidare CAD-arbete, STL för utskrift, 3MF-projekt för Bambu Studio, passprover och monteringsunderlag.

Den första versionen hade bland annat två takskenor, löstagbara vaggor och justerbara upplag. När jag började ställa jobbiga följdfrågor blev det ännu mer intressant.

"Ryms de här delarna verkligen på min skrivare?"

"Varför ska fästet väga flera hundra gram?"

"Blir inte den här varianten svårare att montera i taket?"

Då nöjde sig modellen inte med att försvara sitt första förslag. Den analyserade problemen och ritade om konstruktionen.

Revision 2 fick mindre delar, lägre materialåtgång, vippbara stöd för den välvda formen, höjdjustering och en mer genomarbetad låsning med fångad mutterhållare och printat handvred.

Det är iterationen som är mest spännande. AI:n går från idégenerator till partner i ett faktiskt konstruktionsarbete.

Astra verkar ha tagit ett tydligt steg inom spatialt resonemang

Mitt lilla kontorsprojekt är förstås inget vetenskapligt benchmark. Men det råkar passa väldigt väl med det som börjar synas i tester och användarrapporter efter lanseringen.

OpenAI redovisar 95,9 procent för GPT-6 Astra på BenchCAD, jämfört med 83,3 procent för GPT-5.6 Sol och 84,3 procent för Claude Fable 5.1. BenchCAD testar i praktiken om modellen kan återskapa och arbeta med 3D-geometri via CAD-kod.

I forumtrådar om 3D-modellering återkommer samma observation: modellen verkar inte bara skapa geometri, utan också förstå varför något ser fel ut och iterera vidare. Anekdotiskt, ja, men nära min egen upplevelse. :contentReference[oaicite:2]{index=2}

Det agentiska arbetssättet är nästan större än själva CAD-filen

Det är lätt att fastna vid frågan: "Kan AI verkligen CAD:a?" Men den större förändringen är arbetsflödet.

Min roll blev att beskriva problemet, sätta ramarna och utvärdera resultatet. Jag behövde inte själv kunna bygga den parametriska modellen eller paketera printfilerna.

Sedan arbetade vi oss framåt:

1️⃣ Problem och kravbild.
2️⃣ Research kring högtalarens mått och 3D-skrivaren.
3️⃣ Första konstruktionsförslaget.
4️⃣ Kontroll av byggyta och materialåtgång.
5️⃣ Kritik och omkonstruktion.
6️⃣ Passprover och printfiler.
7️⃣ Monteringsunderlag.
8️⃣ Visualisering av konstruktionen.

Och här kommer min favoritdel.

När CAD-arbetet var klart frågade jag om AI:n inte också kunde skapa en video som visade vad vi hade byggt.

Samma underlag användes då för att rendera den verkliga CAD-geometrin, animera en sprängskiss, zooma in på mutterlåset och höjdjusteringen, lägga på min logotyp, klippa sekvenserna med FFmpeg och sätta musik på filmen.

Till slut blev det en längre film om hela vägen från idé till CAD, prototypunderlag och färdig marknadsföringsvideo. Cirkeln är rätt kul: AI:n hjälper till att konstruera produkten och bygger sedan filmen som visar processen. 😅

Vill du se hur det faktiskt såg ut i praktiken? Se LinkedIn-inlägget med videon där jag visar hela arbetsflödet från idé till CAD och färdig visualisering.

En konstruktör fick göra reality check

Här behöver vi också vara nyktra.

Jag skulle inte montera en oprövad 3D-printad konstruktion i taket över människor bara för att en AI säger att den ser bra ut.

Därför skickade jag CAD-underlaget till en riktig konstruktör och bad honom titta på principen.

Utlåtandet var ungefär: "Det ser definitivt ut som en helt sund konstruktion. Det här hade tagit mig flera timmar att cadda."

Det betyder inte att konstruktionen är verifierad. Den ska fortfarande skrivas ut, provmonteras, belastas och sannolikt justeras. Men det säger något om nivån på första utkastet.

Det påminner om utvecklingen inom programmering. AI ersätter inte erfarenhet, ansvar eller ingenjörsmässigt omdöme, men tröskeln sjunker kraftigt för att ta fram ett första seriöst förslag.

För ett mindre företag kan det gälla:

fixturer och hjälpmedel
adaptrar och hållare
kapslingar
enklare skydd
kundunika varianter
prototyper
monteringshjälpmedel

Saker som ofta behövs, men som inte alltid prioriteras eftersom konstruktörstid är dyr och kalendern redan är full.

Men frontier-modellerna börjar också bli riktigt dyra

Här finns en baksida som jag tror kommer bli allt viktigare.

De bästa modellerna är fantastiska. Men de är inte gratis arbetshästar.

GPT-6 Astra kostar i API:t 10 dollar per miljon indatatoken och 50 dollar per miljon utdatatoken. OpenAI tar just nu 4 respektive 20 dollar för GPT-5.6 Sol i Work och Codex. Astra ligger alltså ungefär 2,5 gånger högre i rå tokenkostnad. :contentReference[oaicite:4]{index=4}

Claude Fable 5.1 ligger på exakt samma listpris som Astra: 10 dollar in och 50 dollar ut per miljon token. Anthropic har samtidigt sänkt kostnaden för cacheläsningar kraftigt och uppskattar att det kan minska kostnaden för mycket agentiska arbetsflöden med upp till cirka 45 procent. :contentReference[oaicite:5]{index=5}

Ett extremt exempel är experimentet där Astra spelade igenom Portal autonomt: cirka 24 timmar, 3 336 verktygsanrop och 571 dollar i tokenkostnad. Imponerande? Absolut. Vardagskostnad? Knappast. :contentReference[oaicite:7]{index=7}

Det här gör modellval till en affärsfråga.

Använd inte en Formel 1-bil för att köpa mjölk. Företag behöver sannolikt en modellmix: frontier-modeller för svåra och värdefulla uppgifter, billigare modeller för rutinjobb där de redan är mer än tillräckligt bra.

Vad betyder detta för ditt företag?

Jag tror inte att konstruktörer behöver börja packa ihop sina skrivbord för att en AI kan rita ett takfäste.

Tvärtom tror jag att konstruktörens omdöme blir ännu viktigare när mängden förslag exploderar.

Men något håller på att förändras.

Fler människor kan nu gå från "jag har en idé" till "här är en faktisk modell vi kan granska" utan att först passera veckor av väntetid eller köpa extern CAD-tid.

Det demokratiserar konstruktion ungefär som AI-kodning demokratiserat små appar och automationer. Fler experiment, fler prototyper och fler idéer får chansen att testas.

Och för svensk tillverkningsindustri tycker jag att det är betydligt mer intressant än ännu ett rekord på ett abstrakt AI-benchmark.

Key Takeaway

Mitt Astra-moment handlade inte om att modellen gav ett smart svar. Det handlade om att den kunde följa ett verkligt problem hela vägen från kravbild och research till CAD, revisioner, printfiler och till sist en video som visualiserar resultatet.

Det är fortfarande människan som sätter målet, granskar och tar ansvar. Men verktyget har flyttat fram gränsen för vad en enskild person kan prova på egen hand. Och den gränsen flyttas snabbt.

Vill du veta mer?

Jag hjälper företag att förstå och testa generativ AI i praktiken, från enkla vardagsvinster till mer avancerade arbetsflöden inom automation, analys och industri. Är du nyfiken på vad den här typen av AI skulle kunna göra i er verksamhet är du varmt välkommen att kontakta mig via AIOlle.