Negocios Claude sale del chat y entra a la fábrica: la apuesta de Anthropic por la IA física
La alianza con UST integra Claude en validación de chips y operaciones de telecom, salud y banca. En paralelo, un experimento con un perro robot y un benchmark de razonamiento físico muestran el salto de los modelos de lenguaje al mundo real. ¿Qué implica para las empresas latinoamericanas?
Durante años, los modelos de lenguaje como Claude vivieron en la nube: procesaban texto, generaban respuestas y, en el mejor de los casos, escribían código. Pero esa frontera se está difuminando. Anthropic acaba de anunciar una alianza estratégica con UST, una firma global de ingeniería y servicios tecnológicos, para meter a Claude dentro de los procesos físicos que producen chips, automóviles y dispositivos conectados. No es solo un piloto: UST se comprometió a capacitar a 20.000 de sus ingenieros en Claude y ya lo está usando como capa de razonamiento en su plataforma de validación de hardware iDEC.
El movimiento de Anthropic no es aislado. En noviembre de 2025, la compañía mostró un experimento donde Claude controlaba un perro robot cuadrúpedo, interpretando datos de sensores y tomando decisiones de movimiento en tiempo real. Y en el paper académico PHYBench, presentado en NeurIPS 2025, investigadores evaluaron la capacidad de los LLMs para razonar sobre problemas físicos complejos (desde nivel escolar hasta olimpiadas) y encontraron que incluso el mejor modelo, Gemini 2.5 Pro, apenas alcanzó un 36,9% de acierto frente al 61,9% de expertos humanos. La conclusión es clara: la IA de lenguaje está aprendiendo a interactuar con el mundo físico, pero aún le queda trecho.
Cómo funciona la IA física en la práctica: el caso UST
UST trabaja con empresas de semiconductores, automoción, manufactura, telecomunicaciones e IoT. Construye los sistemas que esas compañías usan para verificar diseños, validar chips y operar fábricas. El problema: un error detectado tarde puede costar una tanda de producción entera. Hasta ahora, los ingenieros escribían scripts de prueba a mano. Con Claude, el proceso cambia.
La plataforma iDEC ya había logrado reducir los ciclos de validación entre un 50% y un 70%, comprimiendo plazos de cuatro días a 48 horas. Al integrar a Claude como capa de razonamiento, el modelo lee directamente los esquemáticos de hardware y las configuraciones de pines, escribe y ejecuta pruebas de regresión que antes eran manuales, y compara datos en tiempo real de los equipos con su gemelo digital para detectar fallos de firmware o integridad de señal. El objetivo: menos scripting manual, detección más temprana y ninguna herramienta nueva que aprender para los ingenieros.
Pero la alianza va más allá de la manufactura. UST también está integrando Claude en plataformas sectoriales: en salud, para que los equipos de cuidado conecten datos dispersos de reclamaciones y pacientes (siempre con aprobación humana); en telecom, para que los operadores de red filtren alertas ruidosas y predigan fallos en la red de acceso radio; y en banca, para modernizar sistemas legacy que aún actualizan saldos una vez por noche, incrustando agentes de IA en flujos de trabajo de atención al cliente y operaciones.
El experimento del perro robot y el límite del razonamiento físico
El experimento de Anthropic con el robot cuadrúpedo, similar a los de Boston Dynamics, muestra otra arista: Claude no solo coordina procesos industriales, sino que puede controlar un cuerpo físico. El modelo recibió información de sensores y cámaras, y generó código para que el robot caminara, evitara obstáculos y ejecutara tareas complejas de forma autónoma. No es un producto comercial, sino una demostración de que los modelos de lenguaje pueden actuar como cerebros para sistemas embebidos.
PHYBench, por su parte, pone una vara realista. El benchmark evaluó a los LLMs en 500 problemas originales de física, diseñados para evitar contaminación de datos. Los resultados muestran que los modelos aún fallan en razonamientos multi-paso y multi-condición. Incluso los mejores apenas superan un tercio de la precisión humana. Esto importa porque, para que la IA física sea confiable en líneas de producción o en robots que asistan a personas, necesita entender las leyes del mundo real.
Qué significa para América Latina
Para las empresas de la región, la noticia tiene dos caras. La positiva: la alianza UST-Anthropic muestra que la IA de lenguaje ya puede integrarse en procesos industriales concretos, no solo en chatbots. Un fabricante de autopartes en México, un operador de telecom en Brasil o un banco mediano en Colombia podrían, en teoría, acceder a soluciones como iDEC o FinX sin tener que construir su propia infraestructura de IA. La barrera de entrada se reduce si hay un socio global dispuesto a implementar y capacitar.
La cara desafiante: la adopción requiere madurez en datos, procesos y gobernanza. UST insiste en que cada acción de Claude pasa por aprobación humana y controles de auditoría, especialmente en sectores regulados como salud y banca. En América Latina, donde muchas empresas todavía lidian con sistemas legacy y silos de información, dar ese salto implica una transformación previa. Además, la capacitación de 20.000 ingenieros que UST está haciendo a nivel global debería tener un correlato local: si no hay talento entrenado en el uso de estas herramientas, la brecha se ampliará.
El interrogante que queda abierto para los ejecutivos latinoamericanos es si sus organizaciones están listas para mover la IA del chat a la línea de producción. La tecnología ya existe; el cuello de botella ahora es la preparación operativa y regulatoria.
