Del prompt a la arquitectura: diseñar con IA significa aprender a decidir
¿Cómo cambia la IA generativa el proceso de diseño arquitectónico? Analizamos un estudio sobre prompts, agentes de IA, modelos 3D y prototipado.
Un estudio con 36 estudiantes analiza cómo integrar modelos de lenguaje, generación de imágenes, conversión 2D-3D, modelado y fabricación en un proceso arquitectónico multiagente. Su principal enseñanza: ante la abundancia generativa, el valor del diseñador se desplaza hacia la selección, evaluación y toma de decisiones.
Del prompt a la arquitectura: diseñar con IA significa aprender a decidir
La inteligencia artificial generativa ha entrado en la arquitectura principalmente a través de las imágenes.
Es fácil comprender por qué. En pocos segundos, herramientas de generación visual pueden producir decenas de propuestas capaces de representar edificios, espacios, materiales y formas que antes requerían horas de trabajo.
Pero esa facilidad plantea una pregunta mucho más interesante:
¿qué ocurre después de generar la imagen?
¿Cómo pasamos de una representación visual sugerente a una geometría controlable? ¿Cómo incorporamos criterios ambientales, materiales o constructivos? ¿Cómo seleccionamos entre cientos de posibilidades? ¿Y qué papel conserva el arquitecto cuando diferentes sistemas de inteligencia artificial intervienen en distintas etapas del proceso?
Estas son algunas de las cuestiones que aborda Prompt Choreographies: Dialogues Between Humans and Generative AI in Architecture, un estudio publicado en marzo de 2026 en la revista científica Architecture por investigadores de la Slovak University of Technology in Bratislava y la Universidad de Granada.
El trabajo resulta especialmente interesante porque propone dejar de pensar en la IA como una herramienta aislada y comenzar a entenderla como parte de un ecosistema de diseño formado por personas, modelos de inteligencia artificial, herramientas digitales y sistemas de fabricación.
Y de ese experimento emerge una conclusión particularmente relevante:
En un entorno donde la IA puede generar posibilidades casi ilimitadas, una de las funciones fundamentales del diseñador pasa de producir alternativas a saber seleccionarlas, interpretarlas, transformarlas y hacerlas viables.
En 30 segundos
El estudio analiza un taller internacional en el que 36 estudiantes de cuatro universidades trabajaron en siete grupos utilizando un proceso que combinaba ChatGPT, MidJourney, Krea, Meshy, Rhino, Maya y fabricación mediante impresión 3D en arcilla.
Los investigadores denominan prompt choreography —coreografía de prompts— al diálogo iterativo mediante el cual personas y sistemas de IA van transformando una idea arquitectónica.
El proceso no consiste simplemente en escribir mejores prompts.
Los estudiantes investigan, generan alternativas, seleccionan resultados, vuelven a introducir información, transforman imágenes 2D en geometrías 3D, remodelan esas geometrías y finalmente fabrican prototipos físicos.
El estudio detecta un problema fundamental: la IA generativa produce una enorme cantidad de posibilidades, pero generar más no significa necesariamente diseñar mejor.
Los grupos que consiguieron mejores resultados fueron generalmente aquellos capaces de mantener una intención clara, establecer criterios de selección y hacer converger progresivamente las alternativas hacia una propuesta coherente.
Del generador de imágenes al proceso de diseño
Buena parte de la conversación actual sobre IA generativa y arquitectura se concentra en herramientas concretas.
Cómo generar una fachada.
Cómo obtener determinadas imágenes.
Cómo redactar prompts.
Cómo producir variantes.
Los autores del estudio proponen ampliar considerablemente esta perspectiva.
La inteligencia artificial puede intervenir en diferentes momentos del proceso arquitectónico: investigación inicial, definición conceptual, generación visual, exploración formal, transformación de imágenes en geometría tridimensional, desarrollo del modelo y preparación para fabricación.
El interés deja entonces de estar únicamente en qué herramienta utilizamos y pasa a estar en cómo conectamos las herramientas y cómo tomamos decisiones entre una etapa y la siguiente.
Esta diferencia es importante.
Una imagen generada por IA puede resultar visualmente extraordinaria y, sin embargo, no constituir todavía una solución arquitectónica.
Puede carecer de escala coherente, estructura, lógica material, editabilidad o comportamiento ambiental verificable.
Los autores plantean por ello que los resultados generativos deben considerarse material intermedio de diseño, susceptible de ser seleccionado, reconstruido y transformado.
¿Qué es una «coreografía de prompts»?
Probablemente sea el concepto más interesante del paper.
Los autores definen la prompt choreography como un diálogo deliberado entre agentes humanos y artificiales mediante prompts y resultados generados por IA.
Pero conviene no confundirlo con una sucesión de instrucciones cada vez más sofisticadas.
La coreografía consiste en un proceso recurrente de:
abstracción → interpretación → síntesis → refinamiento → decisión → nueva iteración.
El prompt cumple así una doble función.
Por un lado, da instrucciones a los sistemas de IA.
Por otro, obliga al diseñador a volver a abstraer aquello que la IA acaba de concretar.
Imaginemos que un generador produce veinte posibles estructuras.
El trabajo del diseñador no consiste necesariamente en pedir otras veinte.
Puede consistir en observarlas, identificar qué relaciones espaciales o materiales resultan interesantes, descartar elementos irrelevantes y convertir esas observaciones nuevamente en reglas, restricciones o instrucciones.
La conversación con la IA se convierte así en parte del razonamiento proyectual.
Un entorno de diseño formado por agentes
El paper denomina Agentic Design Environment al entorno utilizado durante el experimento.
Aquí aparece otra idea importante para entender hacia dónde puede evolucionar la IA aplicada a arquitectura.
El arquitecto deja de trabajar exclusivamente con herramientas pasivas y empieza a hacerlo dentro de un ecosistema en el que intervienen diferentes agentes.
Durante el taller participaron, entre otros:
- ChatGPT para investigación y desarrollo conceptual.
- MidJourney para generación visual.
- Krea para edición y refinamiento de imágenes.
- Meshy para transformar imágenes 2D en geometrías 3D.
- Rhino y Maya para recuperar control sobre esas geometrías.
- Sistemas de impresión 3D en arcilla para materializar y comprobar físicamente las propuestas.
El proceso completo fue estructurado en ocho fases:
1. Investigación y definición del problema
La IA ayuda a explorar el problema y formular hipótesis.
2. Generación 2D
Los sistemas generativos producen un conjunto amplio de posibilidades visuales.
3. Refinamiento 2D
Las alternativas se seleccionan, modifican, combinan y vuelven a generar.
4. Traducción 2D → 3D
Determinadas imágenes se convierten en primeras geometrías tridimensionales.
5. Remodelado
Las geometrías generadas dejan de aceptarse como resultados finales y pasan a ser reconstruidas y controladas mediante herramientas arquitectónicas.
6. Preparación para fabricación
Los modelos deben adaptarse a las restricciones físicas de la impresión.
7. Prototipado
La propuesta se materializa mediante impresión 3D en arcilla.
8. Iteración
Los resultados pueden volver a introducirse en etapas anteriores para continuar refinando el proyecto.
Este recorrido es quizá más importante que cualquiera de las herramientas utilizadas.
Las herramientas cambiarán rápidamente.
La lógica del proceso probablemente será mucho más duradera.
El gran problema: la sobreproducción generativa
Aquí aparece una de las aportaciones más interesantes del estudio.
Los procesos tradicionales de diseño tienden progresivamente a reducir posibilidades.
Partimos de numerosas ideas y restricciones y, mediante decisiones sucesivas, avanzamos hacia una propuesta.
La IA generativa altera esta dinámica porque puede producir continuamente nuevas alternativas.
Más imágenes.
Más textos.
Más geometrías.
Más interpretaciones.
Más posibilidades.
Los autores describen esta característica como una sobreproducción de configuraciones concretas.
Y esto conduce a una paradoja:
la capacidad de generar prácticamente sin límite puede dificultar precisamente la capacidad de decidir.
El diseñador corre el riesgo de permanecer indefinidamente explorando posibilidades.
Siempre puede existir otra imagen.
Otro prompt.
Otra variante.
Otra geometría.
Por eso, una competencia fundamental en el diseño asistido por IA podría no ser aprender a generar más, sino aprender a detener la generación en el momento adecuado.
Cuatro comportamientos frente a la IA
El análisis de los siete grupos permitió identificar cuatro patrones recurrentes de interacción humano–IA.
1. Deriva conceptual
La IA genera numerosas direcciones plausibles, pero el equipo no consigue estabilizar suficientemente pronto una intención común.
Cada nueva generación puede provocar un nuevo cambio de dirección.
La calidad visual de las imágenes empieza entonces a sustituir al criterio arquitectónico.
Es probablemente uno de los riesgos más importantes de la IA generativa aplicada al diseño.
2. Traducción
Los resultados generados por IA se consideran materia prima.
Una imagen o una geometría generada puede proporcionar una idea interesante, pero posteriormente debe ser reconstruida, modificada y convertida en geometría controlable.
Aquí la autoría humana aparece especialmente en la transición entre lo generado y lo construible.
3. División de agencias
Los equipos distribuyen el trabajo.
Una parte puede continuar explorando imágenes mientras otra desarrolla modelos 3D, geometrías o prototipos.
El proceso deja de ser una cadena estrictamente lineal y diferentes líneas de trabajo evolucionan simultáneamente.
4. Ensamblaje curatorial
La IA produce alternativas, pero los diseñadores mantienen una intención estable.
Seleccionan, combinan y refinan resultados utilizando criterios definidos.
Este comportamiento fue especialmente visible en uno de los equipos con mejores resultados.
La diferencia es significativa: la IA explora; el diseñador conserva y dirige la intención.
Los mejores resultados no procedieron simplemente de utilizar más IA
Los investigadores evaluaron los siete grupos mediante doce criterios y una escala de 0 a 5.
Entre otros aspectos analizaron la claridad del concepto ambiental, continuidad geométrica, materialidad, integración de personas, utilización de sensores y computación, calidad de los resultados, claridad de la intención y viabilidad de los prototipos.
Los grupos 4, 5 y 7 obtuvieron las puntuaciones globales más elevadas: aproximadamente 4,63, 4,61 y 4,47 sobre 5, respectivamente.
El grupo 3 obtuvo el resultado global más bajo, aproximadamente 3,17.
La comparación es interesante porque los autores no interpretan estas diferencias simplemente como consecuencia de la capacidad generativa de las herramientas.
Los equipos con mejores resultados tendieron a presentar:
- una intención más claramente articulada;
- mayor capacidad para reducir alternativas;
- mejor convergencia;
- mecanismos ambientales más legibles;
- y una traducción más consistente desde la generación hacia el prototipo.
Esto conduce a una conclusión importante:
más generación no equivale a mejor arquitectura.
De una imagen convincente a algo que pueda existir
Otro aspecto especialmente valioso del experimento es que el proceso no terminó con imágenes.
Los estudiantes tuvieron que transformar determinados resultados en geometrías tridimensionales y posteriormente imprimir prototipos en arcilla.
Este paso introdujo restricciones físicas.
Una forma visualmente espectacular puede presentar problemas cuando debe adquirir espesores, continuidad, estabilidad o geometría imprimible.
La fabricación funciona entonces como una especie de prueba de realidad.
El propio paper es prudente al respecto: los prototipos no demuestran que las propuestas sean estructural o ambientalmente viables a escala real.
Lo que permiten es algo más limitado, pero igualmente valioso: hacer visibles incoherencias que la imagen podía ocultar.
Este punto resulta fundamental para la aplicación profesional de la IA.
Una representación plausible no constituye evidencia de viabilidad.
¿Desaparece entonces la autoría del arquitecto?
El estudio propone más bien una transformación de la autoría.
El diseñador puede adoptar dos papeles.
Como agente situado, interactúa directamente con los sistemas: dibuja, escribe prompts, selecciona alternativas, modifica modelos y experimenta.
Como meta-agente, diseña el propio proceso: establece reglas, restricciones y criterios de evaluación y decide qué resultados deben mantenerse o descartarse.
Esta segunda función puede adquirir una importancia creciente.
Si producir alternativas resulta cada vez más barato, definir qué constituye una buena alternativa adquiere más valor.
La capacidad profesional se desplaza parcialmente desde la producción hacia la formulación del problema, la definición de restricciones, la evaluación y la toma de decisiones.
Lo que el estudio no demuestra
También debemos leer el paper críticamente.
El experimento se realizó durante un único taller con 36 estudiantes distribuidos en siete grupos.
No existió un grupo de control que realizara los mismos ejercicios sin IA.
Tampoco se realizaron mediciones antes y después del taller para determinar cómo afectó la utilización de estas herramientas al aprendizaje.
Las evaluaciones fueron realizadas por seis tutores mediante criterios cualitativos. Aunque los criterios estaban previamente definidos y permitieron comparar los proyectos, no constituyen métricas estandarizadas.
Y la denominada viabilidad de las propuestas se refiere fundamentalmente a la plausibilidad observada en los modelos y prototipos, no a una validación estructural, energética o ambiental mediante simulaciones y pruebas a escala real.
Por tanto, no podemos concluir a partir de este estudio que trabajar mediante coreografías de prompts produzca objetivamente mejores arquitectos o mejores edificios.
Los propios autores reconocen estas limitaciones.
Lo que sí ofrece el trabajo es un marco metodológico interesante y reproducible que merece continuar investigándose.
La lectura de Arquitectura.Tech
La aportación más interesante de este paper quizá no sea el concepto de prompt choreography en sí mismo.
Es el cambio de pregunta que provoca.
Durante la primera etapa de adopción de IA generativa preguntábamos:
¿Qué puede generar la IA?
La siguiente pregunta probablemente sea:
¿Cómo incorporamos aquello que genera dentro de procesos profesionales capaces de producir decisiones fiables?
Eso supone pasar de herramientas aisladas a flujos de trabajo.
De prompts individuales a procesos iterativos.
De imágenes a datos y geometrías.
De generación a evaluación.
De posibilidades a decisiones.
Y de la fascinación por el resultado visual a la comprobación de su coherencia física, ambiental y constructiva.
Del paper al proyecto: un experimento para Arquitectura.Tech
Este trabajo ofrece una oportunidad especialmente interesante para nuestra propia investigación aplicada.
Podríamos construir un pequeño Agentic Design Workflow de Arquitectura.Tech.
En lugar de reproducir exactamente las herramientas utilizadas por los investigadores, definiríamos primero las funciones necesarias:
problema → investigación → requisitos → generación → evaluación → selección → geometría → análisis → prototipo → retroalimentación.
Después asignaríamos a cada etapa herramientas humanas, algorítmicas o de IA.
Y añadiríamos algo especialmente importante: datos y métricas verificables.
Por ejemplo, podríamos seleccionar un pequeño problema arquitectónico relacionado con el clima mediterráneo y establecer previamente criterios cuantificables de radiación solar, ventilación, consumo de material, comportamiento térmico o fabricación.
La IA generativa podría explorar.
Los modelos analíticos podrían evaluar.
Y la persona podría establecer objetivos, restricciones y decidir.
De esta manera podríamos comprobar hasta qué punto una «coreografía de prompts» puede evolucionar hacia algo todavía más interesante:
una coreografía entre personas, inteligencia artificial, datos, simulación y fabricación.
Ese territorio —más allá de la generación de imágenes— es precisamente donde la Inteligencia Artificial y la Ciencia de Datos pueden empezar a transformar profundamente la arquitectura.
Ficha del paper
Título original: Prompt Choreographies: Dialogues Between Humans and Generative AI in Architecture
Autores: Martin Uhrík, José Carlos López Cervantes, Cintya Eva Sánchez Morales, Roman Hajtmanek, Jakub Demčák y Alexander Kupko.
Revista: Architecture
Año: 2026
Volumen y artículo: 6, 46
Publicado: 11 de marzo de 2026
DOI: 10.3390/architecture6010046
Palabras clave del paper: generative AI; prompt choreographies; environmental interfaces; multi-agentic design process; architectural education.
Tipo de estudio: investigación basada en diseño mediante taller internacional con 36 estudiantes distribuidos en siete grupos.