La robótica con inteligencia artificial avanza hacia espacios donde humanos y máquinas trabajan codo a codo, y eso impone exigencias que van más allá de los brazos mecánicos. Dos desarrollos recientes marcan la frontera de lo que un robot puede entender y decidir por sí mismo: el modelo Gemini Robotics Embodied Reasoning (ER-2) de Google DeepMind y el modelo Robix de ByteDance. Ambos abordan la misma pregunta —cómo hacer que un robot razone, planifique y se comunique de forma segura con su entorno— pero lo hacen desde enfoques distintos que resultan relevantes para cualquier empresa que evalúe incorporar automatización inteligente en sus operaciones, especialmente en América Latina.
El desafío de la seguridad colaborativa
DeepMind publicó las evaluaciones de seguridad de su modelo Gemini Robotics ER-2, detalladas en el informe Gemini Robotics 2: Safety Evaluations. Allí proponen un benchmark llamado ASIMOV-Agentic, diseñado para medir la capacidad del agente de manejar situaciones ambiguas, rechazar tareas inseguras y activar paradas de protección cuando un humano se acerca demasiado. En pruebas reales sobre el humanoide Apollo2 de Apptronik, el modelo alcanzó un 99% de precisión en la detección de personas y un 96% de fiabilidad para transicionar a una pose segura. Sin embargo, el informe reconoce que ningún modelo actual opera en la zona ideal de cero falsos negativos y falsos positivos: lograr una operación eficiente con menos del 5% de interrupciones innecesarias implica aún un 40% de fallas en detección de peligros reales.
El punto crítico es que, por ahora, la seguridad colaborativa depende de combinar estas capacidades de razonamiento con guardarraíles deterministas de bajo nivel. DeepMind no evalúa la arquitectura funcional de seguridad certificada —componentes hardware, mecanismos de redundancia— sino solo la capa semántica de orquestación. Traducido a decisiones empresariales: antes de implantar un brazo robótico asistido por IA en una línea de producción, la organización debe contar con un sistema de seguridad físico paralelo.
Robix: un cerebro unificado para la interacción
ByteDance, por su lado, presentó Robix, un modelo unificado de visión-lenguaje que integra razonamiento, planificación de tareas y diálogo proactivo en un solo sistema. A diferencia de los sistemas modulares tradicionales que separan estas funciones, Robix las trata como una secuencia razonamiento-acción. Entre sus capacidades destacan: entender instrucciones complejas como "poner el alimento más calórico en la caja blanca y traer una bebida sin cafeína", manejar interrupciones en tiempo real ("soy alérgico a la cafeína"), y preguntar al humano cuando hay ambigüedad ("¿tiro el muslo de pollo a la basura?").
En evaluaciones sobre un benchmark interactivo, el modelo Robix-32B superó a GPT-4o y Gemini 2.5 Pro en escenarios fuera de distribución (OOD) por 3.0 y 11.8 puntos porcentuales en precisión. En pruebas con cinco escenarios reales —limpieza de mesas, compras en supermercado, empaque, organización de vajilla y filtrado dietético— el mismo modelo aventajó a Gemini 2.5 Pro en un 1.6% en progreso de tarea y dejó muy atrás al resto de competidores en rangos de 28.1 a 64.6 puntos. La clave está en su estrategia de entrenamiento en tres fases: preentrenamiento continuo con datos de razonamiento corporal, ajuste supervisado con datos sintéticos que incluyen diálogo y planificación, y refuerzo para mejorar la coherencia entre pensamiento y acción.
Dos filosofías, un mismo norte
La diferencia de enfoque es clara: DeepMind pone la seguridad en el centro del diseño, con métricas explícitas para cada tipo de fallo, mientras que ByteDance prioriza la fluidez de la interacción y la capacidad de adaptarse a instrucciones abiertas y contextos cambiantes. Ambos modelos comparten el uso de una arquitectura de dos niveles —un cerebro de alto nivel que razona y un controlador de bajo nivel que ejecuta— pero la división de responsabilidades no es igual. En Gemini Robotics, el agente de razonamiento (ER) decide cuándo delegar al modelo visión-lenguaje-acción (VLA) o cuándo detenerse y consultar al humano. En Robix, el mismo modelo produce tanto las órdenes atómicas para el controlador de bajo nivel como las respuestas verbales para el humano, todo en un solo flujo.
Para un ejecutivo latinoamericano que evalúa invertir en robótica inteligente, la lección no es cuál modelo es superior, sino que la madurez de la tecnología ya permite pensar en aplicaciones concretas en almacenes, restaurantes, o líneas de ensamblaje. Sin embargo, la brecha de seguridad que revela DeepMind —ningún modelo opera sin compromisos— exige que la implementación vaya acompañada de protocolos tradicionales. Por otro lado, la flexibilidad de Robix puede ser atractiva en entornos donde se requiere interacción constante con personal no técnico, como en el sector retail o logístico, que en América Latina representan una proporción importante del empleo formal.
Implicaciones para la adopción regional
América Latina enfrenta desafíos particulares: regulación incipiente en seguridad robótica, falta de estandarización en normas de interoperabilidad, y una base de talento limitada para integrar estos sistemas. El benchmark ASIMOV-Agentic y la tarjeta de modelo de Gemini Robotics ER-2 ofrecen un marco de referencia que podría ser adoptado por entes reguladores locales para establecer requisitos mínimos de seguridad. Al mismo tiempo, el enfoque unificado de Robix —al reducir la complejidad de integrar múltiples módulos— puede bajar la barrera de entrada para empresas que no cuentan con equipos de I+D robustos.
Ninguno de los dos modelos está disponible como producto comercial cerrado; Robix está accesible en GitHub y Gemini Robotics ER-2 puede probarse en Google AI Studio. El costo de cómputo y la necesidad de hardware robótico específico siguen siendo obstáculos. Pero la dirección es clara: los robots ya no serán meros ejecutores de movimientos programados, sino agentes que razonan, preguntan y se detienen cuando algo no está bien. La pregunta para el empresario latinoamericano es si su organización está lista para diseñar los procesos y la cultura operativa que acompañen a esa nueva inteligencia.
