La IA física —la convergencia de modelos fundacionales, visión por computadora y robótica móvil— dejó de ser promesa de laboratorio para aparecer en centros de datos, plantas de ensamblaje y almacenes logísticos. Meta prueba brazos robóticos de ABB que cambian cables de red y reasientan hardware en sus campus de Iowa y Ohio. Nissan despliega robots móviles autónomos para mover componentes en Tennessee. DHL Supply Chain guía a operarios en picking de almacén con asistentes robóticos. El patrón se repite: tareas repetitivas, físicamente exigentes o difíciles de escalar con mano de obra humana.
De instrucciones fijas a objetivos
La diferencia con la automatización clásica es la capacidad de decisión. Bill Ray, analista de Gartner, lo resume: antes se programaba cómo ejecutar una tarea; ahora se da un objetivo —"las cajas deben ir en la furgoneta"— y el robot determina la secuencia. Los "modelos de mundo" permiten predecir cómo cambiará el entorno antes de actuar. Sin embargo, Ray advierte que esa adaptabilidad "aún no es lo suficientemente fiable para manejar toda la gama de condiciones reales".
La visión artificial impulsa el salto. Craig McDonnell, de ABB Robotics, describe el tránsito "de estaciones estáticas preprogramadas hacia robots autónomos, adaptables y versátiles". Los robots reconocen piezas, detectan defectos y localizan componentes para actuar en consecuencia. No implica necesariamente humanoides: Anthony Jules, de Robust.AI, señala que "el 90% de la actividad en almacenes y manipulación de materiales la hacen cosas con ruedas". Gartner prefiere el término "robots polifuncionales" —máquinas de propósito general cuya función cambia por software— y observa que en entornos estructurados las ruedas superan a las patas en eficiencia energética.
Simulación y gemelos digitales: el campo de entrenamiento
Entrenar en el mundo real es caro, lento y riesgoso. Cada punto de datos requiere movimiento físico; las juntas fallan; la fricción, la temperatura y el ruido rompen modelos que funcionaban en simulación. La respuesta de la industria: simulación fotorrealista, gemelos digitales y aprendizaje por refuerzo masivo. ABB usa RobotStudio HyperReality para entrenar robots en fábricas virtuales con variaciones de iluminación, materiales, colores y ángulos antes del despliegue físico. Nvidia, en enero de 2026, liberó modelos de mundo abiertos, marcos de simulación e infraestructura de cómputo para "agilizar todo el ciclo de vida del desarrollo de robots"; Jensen Huang habló de un "momento ChatGPT para la robótica" y predijo "mil millones de robots".
El bucle típico: definir objetivo y morfología (ruedas, pinzas, sensores) → crear entorno simulado con terreno, obstáculos, personas, clima → entrenar por refuerzo con recompensas por éxito → validar en entorno real controlado → retroalimentar la simulación → escalar a condiciones complejas. El aprendizaje por refuerzo destaca porque optimiza secuencias completas de acciones con feedback en tiempo real —recuperarse de un resbalón, ajustar fuerza a mitad de movimiento— algo que el aprendizaje supervisado no resuelve fácilmente.
Cuatro barreras que no desaparecen
IBM identifica cuatro obstáculos estructurales:
- Datos caros: no se descargan datasets; cada muestra cuesta tiempo de robot, desgaste y supervisión.
- Física difícil: gravedad, fricción, par motor, latencia; modelos perfectos en simulación fallan en campo.
- Tiempo crítico: bucles percepción-decisión-acción en milisegundos; la velocidad a veces pesa más que la precisión.
- Apuestas reales: un error en un LLM se descarta; un error en un robot móvil junto a personas o equipos de alto valor puede ser catastrófico. La autonomía crece en escalones con supervisión humana.
Los datos sintéticos y los modelos de mundo (WFM) —IA que aprende dinámicas físicas de geometría, movimiento y física a partir de datos reales masivos—mitigan pero no eliminan estas barreras.
La radiografía española: adopción mínima, brecha enorme
El Barómetro IndesIA 2026 muestra la distancia entre el hype y la fábrica: solo el 4,1% de las pymes industriales españolas usa IA, frente al 2,1% de 2024. La adopción escala con el tamaño de la empresa y Madrid lidera por comunidades. Aunque el 89% de las organizaciones ha incorporado IA en alguna función, apenas el 6% logra impacto medible en EBITDA. La inversión pública alcanzó 4.609 millones de euros en 2025, pero los territorios con mayor presupuesto no coinciden con los de mayor adopción empresarial.
Qué significa para un ejecutivo latinoamericano
LatAm comparte el tejido productivo —automotriz en México y Brasil, agroindustria en el Cono Sur, manufactura ligera en Centroamérica— pero arrastra rezagos de capital, talento y escala. Tres lecturas operativas:
1. No esperes al robot humanoide. La productividad inmediata está en brazos articulados sobre ruedas, AMRs y visión artificial para control de calidad, picking y mantenimiento predictivo. La tecnología ya probada en Meta, Nissan y DHL se compra como componente, no se inventa. 2. La simulación reduce el CAPEX de entrada. Gemelos digitales y datos sintéticos permiten validar celdas robotizadas antes de comprar hardware. Para una pyme latinoamericana, eso transforma una apuesta de millones en un piloto de software. 3. El cuello de botella es integración, no algoritmo. ABB y Meta colaboran en el data center Prometheus; Nissan y DHL integran robots en flujos existentes. El valor está en conectar el robot con el ERP, el MES y la red de sensores de planta. Sin esa capa, el robot es una isla cara.
La pregunta que debe hacerse el director de operaciones no es "cuándo compramos robots con IA", sino "qué proceso repetitivo, variable y costoso de personalizar hoy puede pilotarse con un brazo móvil y visión artificial en 90 días". La brecha del 4,1% al 6% de impacto en EBITDA se cierra con casos de uso acotados, medibles y escalables —no con planes estratégicos de cinco años.
