Investigación BATON encadena tareas de contacto y abre la automatización barata en LatAm
Un avance algorítmico (BATON) resuelve la cadena de tareas de contacto en robots; la caída de costos a 3.000 € y la inversión global de 40.000 M€ crean una ventana para automatizar fábricas latinoamericanas antes de que la regulación frene la adopción.
El problema de la robótica nunca fue abrir un cajón, agarrar una lata o meterla en un microondas por separado. El problema es encadenar las tres sin que el error de una etapa condene a la siguiente. Investigadores de la Universidad del Sur de California y la Universidad Central de Florida acaban de publicar BATON, un sistema que ataca exactamente ese cuello de botella: la composición de habilidades de contacto rico en tareas de más de mil pasos.
Hasta ahora, los modelos visión-lenguaje-acción (VLA) aprenden cada destreza en aislamiento. Al concatenarlas, el drift acumulado rompe la ejecución: un robot que completa la mitad de las etapas intermedias solo termina el 10 % de las tareas completas, según el benchmark RoboMemArena. BATON cambia la unidad de exploración: en lugar de probar la tarea entera (costo exponencial T^K), explora cada subtarea en horizonte corto (costo aditivo T·K), guarda la solución en memoria de lenguaje y compone la trayectoria larga leyendo esa memoria.
Además, introduce tres transiciones de primera clase: invocación (solo llama al VLA cuando la vista de muñeca confirma que la escena está lista), traspaso (repara el estado de entrada que el paso anterior dejó sucio) y anticipación (elige la estrategia de agarre que sirva también al siguiente paso). Resultado: 11,6 % más de éxito en tarea completa y 14,9 % en éxito acumulado sobre el estado del arte, sin actualizar un solo parámetro del modelo base.
La relevancia no es solo académica. Luis Sentís, catedrático en UT Austin y fundador de Apptronik, lo resume en cifras de mercado: la inversión global en humanoides pasó de 40 millones a 40.000 millones de dólares en cuatro años y el coste unitario ha caído hasta los 3.000 euros por robot. Apptronik ya opera con cientos de trabajadores "grey collar" recolectando datos de manipulación real —coger cajas, cortar precintos, colocar en estanterías— para entrenar sus flotas. Sentís predice 1,4 millones de unidades vendidas al año en 2035 (estimación Goldman Sachs).
EE. UU. ha reaccionado con proteccionismo: la FTC emitió una prohibición amplia a la importación de robots avanzados del exterior, incluidos humanoides, cuadrúpedos y de ruedas. La medida busca blindar una industria incipiente que aún tropieza en demostraciones públicas. Europa, en cambio, regula antes de que el producto salga al mercado. Sentís lo contrasta: en EE. UU. se lanza, se denuncia y se corrige; en la UE se certifica primero.
Para un ejecutivo latinoamericano, la convergencia de estos tres vectores —algoritmo que compone, hardware que abarata y regulación que diverge— abre una ventana estratégica concreta:
- Nearshoring automatizado: México, Colombia y Brasil reciben líneas de ensamblaje que antes iban a Asia. Un robot de 3.000 € con memoria de transiciones (estilo BATON) puede asumir estaciones de pick-and-place, kitting o machine-tending sin reprogramar la célula completa cada vez que cambia el SKU.
- Talento y datos locales: La recolección masiva de datos "grey collar" que hace Apptronik en Austin se puede replicar en parques industriales de Monterrey, Guadalajara o São Paulo. La memoria en lenguaje de BATON permite auditar, versionar y transferir esas habilidades entre plantas sin reentrenar modelos pesados.
- Riesgo regulatorio asimétrico: Si EE. UU. cierra la importación de hardware chino y la UE exige certificación previa, Latinoamérica queda como zona de arbitraje: puede importar plataformas chinas (Unitree, Fourier, Kepler) y desplegarlas con stacks de control abiertos (ROS 2, MoveIt, ahora BATON) mientras define su propio marco normativo.
- Coste de no actuar: La brecha entre un piloto de 10 estaciones y una flota de 500 se mide en meses de ingeniería de integración. BATON reduce esa ingeniería a "escribir la memoria de transiciones". Quien espere a que la regulación se aclare pierde la curva de experiencia.
La lección operativa: no compren "robots con IA". Compren plataformas de manipulación con interfaz de primitives analíticas (movimiento libre) + VLA congelado (contacto) + memoria de transiciones legible. Exijan al proveedor que demuestre handoff y lookahead en su célula real, no en simulación. Y empiecen a capturar datos de sus operarios hoy: ese dataset es el activo que ninguna regulación puede arancelar.
