- Está entrando una enorme cantidad de capital y talento de primer nivel al sector de la robótica, pero el despliegue real en campo sigue siendo mínimo fuera de entornos limitados como la automatización industrial
- Se están dando cambios estructurales al mismo tiempo, como la baja en costos de componentes, mejoras en la economía de las baterías, avances en arquitecturas de modelos y mejores entornos de simulación
- Frente a unas mil millones de horas de video en internet, los datos de manipulación robótica suman apenas unas 300 mil horas a nivel mundial, por lo que sigue habiendo una restricción de datos de base
- A medida que bajan los costos de actuadores, baterías, cómputo y sistemas, y suben los costos laborales, se ha alcanzado un cruce económico en el que aumenta el valor marginal de la automatización
- Tres cuellos de botella —captura de datos, laboratorios de IA para robótica y proveedores de soluciones verticales— serán claves para la acumulación de valor hacia adelante
Situación actual: el cruce entre el hype y el cambio estructural
- Aunque está entrando muchísimo capital al sector y siguen apareciendo demos impresionantes, el despliegue real en almacenes, granjas, fábricas, hospitales y obras de construcción todavía no difiere mucho de los entornos laborales tradicionales
- El hype está respaldado por cambios estructurales: caída del costo de componentes, mejor economía de baterías, arquitecturas de modelos más potentes, mejores entornos de simulación y entrenamiento, así como un flywheel de talento impulsado por la entrada de capital y ambiciones cercanas a la AGI
- La pregunta clave no es si la robótica tiene potencial, sino si ya está en un punto de inflexión para la adopción comercial y de consumo, y cómo validar el impulso actual
Cuatro eras en la historia de la robótica
I. 1950–2000: entrada industrial y etapa de construcción de bases
- Fue una era definida por la mecatrónica programable; en 1961, el primer robot industrial de General Motors, Unimate, fue introducido para movimientos mecánicos limitados
- El Stanford Arm amplió las capacidades multieje y siguió siendo un foco principal de investigación hasta los años 90
- La aparición del PLC de Modicon en 1968 y del microprocesador Intel 4004 en 1971 permitió que la inteligencia de máquina se expandiera de forma económicamente viable a lo largo de la automatización industrial
- En los años 80, la IBM PC llevó la computación al mainstream de la ingeniería, integrando a los robots como parte de un entorno de producción digital, y no como instalaciones mecánicas aisladas
II. 2000–2010: era de la robótica abierta y de los componentes móviles
- En 2007, el primer commit de ROS (Robot Operating System) y la plataforma de investigación PR2 ofrecieron por primera vez a la comunidad una capa de software compartida y un entorno de desarrollo común
- Ese mismo año, el lanzamiento del iPhone de Apple inició una compresión de costos de largo plazo en toda la cadena de suministro de sensores, baterías, cámaras, cómputo embebido y electrónica de bajo consumo, que luego heredó la robótica
- Universal Robots (fundada en 2005), Roomba de iRobot (2002) y Kiva Systems (2003) estuvieron entre los beneficiarios directos
- La adquisición de Kiva por Amazon en 2012 fue la primera señal realmente contundente de que la robótica podía generar valor comercial estratégico más allá del entusiasmo de investigación
III. 2010–2020: robots colaborativos y edge compute
- Convergieron tres factores: (1) la consolidación de la confiabilidad comercial de los robots colaborativos — el KUKA LBR iiwa fue el primer robot sensible de producción en serie certificado para colaboración humano-robot, mientras Universal Robots siguió empujando accesibilidad y facilidad de despliegue
- (2) con el lanzamiento de Nvidia Jetson en 2014, el cómputo GPU en el edge se volvió práctico, acercando la IA en tiempo real y la visión por computadora a sistemas desplegables (tras CUDA en 2006 y luego con la arquitectura transformer)
- (3) un cambio profundo en el stack de IA — avances como Trust Region Policy Optimization, Model-Agnostic Meta-Learning y Non-Local Neural Networks comenzaron a reemplazar pipelines manuales por percepción y control end-to-end basados en datos
- Como resultado, la robótica pasó de reglas hardcodeadas en entornos estructurados a aprendizaje basado en percepción mediante reinforcement learning, simulación e imitación, adquiriendo habilidades motoras a partir de datos en lugar de programación explícita
IV. 2020–actualidad: Physical AI
- El paper de transformer de Google de 2017 llevó a RT-1 (2022), que planteó el control robótico como un problema transformer entrenado con datasets reales, grandes y diversos
- RT-2 (2023) se expandió a un modelo de vision-language-action (VLA) entrenado tanto con datos web como con datos robóticos
- NVIDIA anunció Project GR00T (2024) y presentó GR00T N1 (2025), un modelo fundacional abierto para robots humanoides
- Han surgido nuevos laboratorios de modelos para robótica, como Physical Intelligence, Skild AI y Field AI
- Con conexiones inalámbricas más rápidas vía 5G, teleoperación más confiable, mejores pipelines de datos y mayores capacidades de hardware en campo, están creciendo la operación remota, el software de flotas y los loops de recolección de datos
Cambio en las condiciones económicas
Baja en costos de componentes y sistemas
- Los componentes principales de un sistema robótico son actuadores, sensores, baterías, semiconductores/chips y estructuras mecánicas; los humanoides sirven como un proxy razonable porque incluyen la mayoría de ellos
- Morgan Stanley descompone el BOM de Optimus de Tesla por secciones para ilustrar la contribución de cada componente al sistema total
Actuadores
- Representan la mayor proporción del costo en muchos sistemas robóticos, y China domina este mercado, lo que agrega complejidad en casos de uso específicos y en la resiliencia de la cadena de suministro
- El precio promedio de los actuadores ha tendido a subir por encima de la inflación, pero normalizado por densidad, la perspectiva real mejora de forma significativa
- La precisión, el control y el movimiento fino en actuadores lineales eléctricos siguen mejorando: el error de seguimiento en motores lineales de imán permanente cayó de menos de 7 μm en 2003 a cerca de 0.5 μm RMS en estudios posteriores
Costo de baterías
- Ha caído con fuerza impulsado por la industria automotriz y el almacenamiento a escala de red
- En Li-Ion, el costo por kWh ha bajado cerca de 87% desde 2013, y alrededor de 36% desde 2020, con expectativa de entrar en una zona de estabilización
Costo de cómputo
- Aunque no es un ítem directo del BOM, es clave para la economía de largo plazo
- Para que los robots superen al trabajo humano, se requiere una baja sostenida del costo del edge compute junto con mejoras en el desempeño de modelos parametrizados
- En la serie Jetson de Nvidia, el rendimiento por dólar ha mejorado en órdenes de magnitud desde 2014
Costo de sistemas
- Si se toma como ejemplo la robótica industrial, ha habido una caída importante en los últimos 30 años y se espera que siga bajando
Costo laboral en Estados Unidos
- El salario promedio por hora en almacenes y logística —un caso de uso representativo— ha subido de forma sostenida
- El crecimiento salarial de trabajadores de transporte y almacenamiento, indexado a 2003, ha superado la inflación, lo que refuerza la importancia de la demanda laboral en este sector
Aumento del valor económico de la automatización
- Si se juntan estas curvas de costo, queda claro que está aumentando el valor marginal de la automatización y la robótica
- En términos de NPV se vuelve evidente, aunque la "frontera eficiente" varía según el modelo
- Supuestos: salario y prestaciones de un trabajador de almacén junior según Indeed, vida útil de 8 años, costo de mantenimiento del 20% en un modelo prepago y tasa de descuento del 10%
Principales trade-offs del punto de inflexión de adopción
- Hardware vs. inteligencia — una división que refleja la diferencia de enfoques entre China y Estados Unidos. China tiene ventaja en desarrollo de hardware gracias a su infraestructura manufacturera y cadena de suministro; EE. UU. va adelante en AI/ML y en laboratorios iniciales de modelos fundacionales tipo LLM. Con el tiempo, se espera mayor superposición entre ambos
- Industrial vs. consumo — picking de pallets y levantar platos pueden parecer similares en la superficie, pero difieren en dinámica de movimiento, agarre y tolerancia de presión. Por la presencia previa de robots y el ROI más claro, lo industrial escalará primero; la masificación de humanoides para el hogar vendrá después
- Open source (Android) vs. cerrado (iOS) — así como los smartphones se separaron entre Android e iOS, la robótica empieza a dividirse entre plataformas abiertas centradas en desarrolladores (el equivalente a ROS, ecosistemas de hardware abierto) y sistemas cerrados integrados verticalmente donde hardware, software y modelos están estrechamente acoplados
El stack de inteligencia: más allá de la economía
- La baja de costos de componentes mejora la posibilidad de financiamiento de los robots, pero no explica por qué la narrativa del mercado pasó de automatización limitada a robótica de propósito general: ese cambio tiene que ver con la capa de inteligencia
- La robótica está dejando atrás percepción, planeación y supuestos sobre el mundo basados en ingeniería simple, y se está moviendo hacia representaciones aprendidas entrenadas con video a gran escala, demostraciones robóticas, predicción sintética e inputs multimodales
1. El problema de los datos
- La robótica todavía carece de un equivalente al internet de datos del mundo físico
- Los LLM aprovecharon texto y medios ya digitalizados, pero el aprendizaje robótico todavía depende de teleoperación, operadores humanos, hardware físico y entornos reales
- Brecha de datos: cerca de mil millones de horas de video en internet → aproximadamente 350 millones de horas de datos de conducción autónoma → cerca de 20 millones de horas de proxies para entrenamiento de world models (como Cosmos) → apenas 300 mil horas de datos de manipulación robótica en todo el mundo (según el reporte de Bessemer)
- No todos los datos se generan ni se pueden usar de la misma forma, y por lo general el valor del dato y su escalabilidad están inversamente correlacionados
2. Mejora del desempeño de la capa de inteligencia
- Tanto el conocimiento del mundo (world models) como el conocimiento de acción (modelos VLM/VLA, modelos fundacionales multimodales para robótica) están avanzando rápido
- El conocimiento del mundo —cómo se mueven los objetos, cómo fluye un líquido, cómo cae una tela— se puede aprender cada vez mejor a partir de video abundante y modelado
- El conocimiento de acción —cómo un brazo, una mano o un humanoide específico convierte instrucciones en movimiento— sigue siendo específico a la embodiment, aunque podría requerir muchos menos datos específicos de robótica de lo que asumían generaciones previas
- V-JEPA 2 de Meta fue preentrenado con más de un millón de horas de video y luego condicionado para acción con menos de 62 horas de video robótico
- RT-2 de Google extiende aprendizaje visión-lenguaje a escala web al control robótico real
- Los simuladores siguen siendo válidos y la locomoción se adapta bien a motores físicos, pero su rol se está acotando. En manipulación rica en contacto, los world models aprendidos son cada vez más importantes
3. El paso de la teoría a la solución
- Los mejores modelos primero se reflejan en resultados prácticos: mejor grasping, menos intervención por teleoperación, adaptación más rápida a nuevos SKU, manipulación más robusta y más tiempo de operación autónoma dentro de workflows acotados
- Sigue el debate sobre si la robótica ya tuvo su “momento ChatGPT”, pero la pregunta más relevante es si la nueva capa de inteligencia ya es suficiente para superar el umbral que permite pasar de piloto a producción
- El orden de resolución del stack sería: captura de datos → laboratorios neo de robótica que lo conviertan en inteligencia reutilizable → proveedores de soluciones verticales que lo transformen en economía laboral medible
Áreas de interés para inversión: tres cuellos de botella clave
1. Falta de disponibilidad de datos → Data Enablement
- Si la robótica tiene una restricción estructural de datos, la captura y habilitación de datos es una de las categorías de corto plazo más importantes del stack
- Incluye captura de datos egocéntricos y de teleoperación, generación de entornos sintéticos, evaluación de edge cases, depuración de señales y creación de loops de feedback para mejorar sistemas
- Referencias útiles: Scale AI (data labeling y anotación), Mercor / Mirco1 (datos humanos)
- Como ocurrió en la primera ola de etiquetado de datos para IA, los negocios más fuertes probablemente usarán un wedge inicial de servicios/herramientas para moverse hacia software de workflows de alto valor, herramientas adyacentes al modelo y loops de datos propietarios difíciles de reemplazar
- Esta vez, eso podría incluir hardware
2. La capa de inteligencia sigue temprana → laboratorios neo de robótica (Robotic Neo Labs)
- Si la capa de inteligencia se vuelve más útil pero sigue en etapa temprana, los laboratorios neo de robótica aparecen como el siguiente espacio lógico
- Son empresas que buscan convertir modelos del mundo físico antes fragmentados en inteligencia reutilizable
- Se acumulará valor en equipos que construyen alrededor de world models, action models, modelos fundacionales multimodales para robótica y herramientas de entrenamiento, evaluación y despliegue
- Skild, Physical Intelligence y Field AI ya alcanzaron valuaciones de miles de millones de dólares, iniciando un ciclo de kingmakers en laboratorios de robótica
- Hay más interés en lo que se construye alrededor y por debajo de los labs que en los labs mismos: los verdaderos ganadores podrían ser los equipos capaces de crear efectos compuestos en datos, embodiment, evaluación y eficiencia de inferencia
- También se espera que las rutas de exit sean distintas a ciclos robóticos anteriores: más que hitos tradicionales, podrían pesar más la velocidad, la densidad de talento, los datos propietarios y el posicionamiento técnico
- Es probable ver más acquihires, resultados basados en IP y alianzas estratégicas
- Podría resurgir el interés por inferencia en el edge y cómputo especializado on-device, a medida que los labs y sus socios busquen reducir su dependencia de cómputo centralizado costoso
3. Convertir avance técnico en resultados reales de workflow → proveedores de soluciones verticales (VSP)
- Si una mejor inteligencia vuelve más capaces a los robots en entornos acotados, los beneficiarios comerciales más inmediatos serán las empresas que los despliegan en workflows reales de clientes
- Muchos workflows físicos están lo suficientemente restringidos como para ser aprendibles, tienen valor suficiente para justificar el despliegue y son lo bastante complejos como para que una mejor inteligencia fuera la pieza faltante
- Los casos de uso industriales y comerciales se ven más prometedores en el corto plazo que los de consumo: el ROI es más claro, el problema laboral es más inmediato y es más fácil comprar el camino de piloto a producción
- La ausencia de un estándar universal de adopción complica el panorama: los clientes evalúan en una escala móvil entre velocidad (ítems empacados por hora), precisión (proporción de ítems correctamente seleccionados) y costo (costo nivelado por hora), siendo la eficiencia laboral la métrica final
- La expansión probablemente empezará como refuerzo de personal; el ROI aparecerá especialmente en segmentos con escasez de mano de obra y en franjas de baja disponibilidad laboral como noches y fines de semana, donde umbrales más bajos de velocidad y precisión justifican altos costos iniciales mientras se gana escala nacional
- La siguiente capa de captura de valor ya se ve venir: integración, servicing, gestión de uptime, mantenimiento y financiamiento
- Formic señaló esta realidad temprano: a medida que los robots pasan de pilotos a flotas, el ecosistema alrededor también se vuelve invertible
- En muchos mercados, ahí es donde finalmente se construyen las empresas sostenibles
Aún no hay comentarios.