La nueva frontera de la robótica industrial: datos, plataformas abiertas y Physical AI

Los robots dejan de ser máquinas aisladas y se convierten en sistemas capaces de percibir, aprender, decidir y actuar sobre el mundo físico.

Durante los últimos años, la inteligencia artificial ha avanzado principalmente dentro del mundo digital: interpreta textos, imágenes, conversaciones y grandes volúmenes de datos. El siguiente paso es llevar esta capacidad al mundo físico.

La combinación de inteligencia artificial, robots, sensores, vehículos autónomos y sistemas industriales está dando lugar a lo que se conoce como Physical AI o inteligencia artificial física: sistemas capaces de percibir el entorno, tomar decisiones y ejecutar acciones sobre objetos, procesos y espacios reales.

Las sesiones de Botiful.ai, PAL Robotics y LAAS, Agibot y KUKA en el marco de Viva Technology nos permitieron identificar cuatro cambios profundos: el valor se desplaza del hardware hacia el software y los datos; los robots aprenden a interactuar de forma segura con las personas; las plataformas abiertas sustituyen a las islas de automatización; y el lenguaje natural empieza a convertirse en una nueva interfaz para controlar sistemas físicos.

Para los socios industriales de INDPULS, no se trata solo de anticipar cuándo llegarán los robots humanoides. Se trata de entender qué infraestructura, qué casos de uso y qué capacidades hay que empezar a construir para que la nueva robótica pueda generar valor real.

1. El valor se desplaza del cuerpo al cerebro del robot

Botiful.ai parte de la idea de que el hardware de los robots humanoides acabará estandarizándose y será producido a gran escala por los grandes fabricantes, especialmente asiáticos. Por este motivo, la empresa no concentra sus esfuerzos en fabricar el robot, sino en desarrollar su “cerebro”.

Este cerebro incluye la inteligencia artificial conversacional, la comprensión del lenguaje, la toma de decisiones, la integración con sistemas empresariales y la navegación autónoma. El objetivo es que el robot no se limite a hablar, sino que pueda entender una petición, consultar información corporativa y ejecutar una acción.

En una demostración aplicada a la recepción de un hotel, el robot podía dar la bienvenida al cliente, localizar la reserva, verificar su identidad mediante documento oficial y reconocimiento facial, asignar una habitación y enviar el código de acceso al teléfono móvil. Todo el proceso se desarrollaba a través de una interacción natural.

El aspecto más relevante no es la apariencia humanoide. Es la integración con aplicaciones que la empresa ya utiliza, como Salesforce u otras plataformas de gestión. El robot deja de ser un asistente conversacional y se convierte en una nueva interfaz de acceso a los procesos de negocio.

Botiful.ai también desarrolla capacidades de localización y mapeo —SLAM— para que los robots puedan desplazarse de forma autónoma en espacios interiores, evitar obstáculos e interactuar con las personas de manera segura.

Esta aproximación introduce una primera conclusión: las prestaciones mecánicas seguirán siendo importantes, pero el valor diferencial se concentrará cada vez más en la capacidad del robot para entender el contexto, conectarse con datos y sistemas, ejecutar procesos y aprender.

2. De la automatización rígida a la colaboración física segura

La robótica industrial tradicional ha sido diseñada principalmente para repetir movimientos precisos dentro de espacios separados de las personas. La nueva generación de robots busca compartir el entorno con los operarios y adaptarse al contacto físico.

PAL Robotics y LAAS trabajan con sistemas basados en control de par —torque control—, una tecnología que permite regular continuamente la fuerza aplicada sobre un objeto o una persona. En lugar de seguir únicamente trayectorias rígidas, el robot puede reaccionar al contacto y ajustar el movimiento en tiempo real.

Esta capacidad hace posible abordar operaciones que requieren sensibilidad, precisión y adaptación. La tecnología ya se está aplicando en procesos industriales exigentes, como el trabajo sobre piezas aeronáuticas de Airbus.

La demostración del robot humanoide TALOS, desarrollado por PAL Robotics, muestra esta evolución. El robot está pensado para aplicaciones industriales y puede moverse de forma autónoma en entornos compartidos con personas, con la seguridad como criterio central del desarrollo.

Los avances no son solo algorítmicos. También se están desarrollando nuevos sistemas de accionamiento mecánico para soportar cargas más elevadas y reducir los problemas de calentamiento de los motores que limitan muchos robots actuales.

Paralelamente, el reinforcement learning está acelerando la locomoción. Según los ponentes, tareas que con técnicas clásicas podían requerir varios años de desarrollo se pueden alcanzar aproximadamente en un año mediante aprendizaje automático.

3. Los estándares abiertos aceleran el ecosistema

PAL Robotics, LAAS y KUKA comparten la apuesta por ROS2, uno de los principales estándares abiertos de la robótica moderna. Trabajar sobre una base común facilita que investigadores, empresas y desarrolladores construyan nuevas aplicaciones sin tener que crear toda la infraestructura desde cero.

La interoperabilidad reduce los tiempos de desarrollo y evita que cada fabricante construya un ecosistema completamente cerrado. También permite incorporar más rápidamente nuevos sensores, modelos de inteligencia artificial, herramientas de simulación o aplicaciones desarrolladas por terceros.

En Europa, esta filosofía forma parte de la voluntad de construir un ecosistema propio de robótica. Proyectos como HyQReal, AgileX o T-REX, en el marco de France 2030, conectan universidades, centros de investigación y empresas para competir con los grandes actores norteamericanos y asiáticos.

La velocidad del cambio hace cada vez menos realista que una sola compañía pueda desarrollar todas las capacidades. El futuro apunta hacia arquitecturas abiertas en las que fabricantes, integradores, centros de investigación y empresas usuarias comparten componentes y conocimiento

4. Los datos pueden ser la principal ventaja competitiva

Agibot aporta una perspectiva diferente sobre la robótica humanoide. La compañía china, fundada en Shanghái, dispone de un catálogo amplio: robots humanoides, equipos específicos para fábricas, robots de limpieza industrial y cuadrúpedos para inspecciones de seguridad, intervenciones en zonas de desastre o transporte de materiales en entornos peligrosos.

Estos robots combinan movilidad con modelos de IA generativa alojados en la nube, que les permiten mantener conversaciones naturales. Pero el planteamiento más significativo de la empresa es su modelo de aprendizaje.

Cada robot desplegado captura información sobre movimientos, interacciones, errores, entornos y tareas. Estos datos alimentan continuamente los grandes modelos de inteligencia artificial de la plataforma y mejoran el comportamiento del conjunto de los robots.

Se crea así un círculo de aceleración: más robots generan más datos; los datos permiten entrenar mejor la IA; y una IA mejor hace que los robots sean más útiles, lo que favorece su despliegue.

Según Agibot, la compañía fue en 2025 el fabricante que entregó más robots humanoides a escala mundial. Más allá de la cifra declarada, el mensaje estratégico es claro: la capacidad de escalar despliegues permite acumular datos reales a una velocidad difícil de igualar.

Esto ayuda a entender la ventaja que puede generar el modelo chino. La carrera no la ganará necesariamente quien fabrique puntualmente el robot con mejores prestaciones, sino quien sea capaz de entrenar la mejor inteligencia a partir del volumen y la diversidad de datos del mundo físico.

Agibot reconoce, al mismo tiempo, que la entrada en los mercados occidentales dependerá de la colaboración con integradores locales y socios europeos. La tecnología necesita un ecosistema que la adapte a los procesos, la regulación y las expectativas de cada mercado.

5. De las islas de automatización a una plataforma común

KUKA parte de un problema presente en prácticamente todas las fábricas: los sistemas de automatización se han incorporado durante años de manera independiente. Robots, PLC, células y vehículos autónomos utilizan herramientas, lenguajes y datos diferentes. El resultado son islas de automatización con poca interoperabilidad e integraciones costosas.

Su Automation Management Platform —AMP— aspira a crear una capa común para controlar robots, vehículos móviles autónomos, células robotizadas, PLC y, en el futuro, robots humanoides, independientemente del fabricante.

El objetivo no es sustituir cada sistema, sino orquestarlos. La plataforma se construye sobre ROS2 y se plantea como una infraestructura abierta a robots de otros fabricantes y a agentes de inteligencia artificial desarrollados por terceros, incluidos actores como NVIDIA, OpenAI o Google.

Este planteamiento señala un cambio importante: los robots pueden acabar convirtiéndose en componentes relativamente estandarizados, mientras que el valor se concentra en el software capaz de coordinarlos, gestionarlos y hacerlos aprender conjuntamente.

6. De programar movimientos a definir intenciones

AMP introduce un modelo basado en operaciones por intención —intent-based operations—. En lugar de programar detalladamente cada movimiento, el usuario define qué quiere conseguir: transportar un palé, alimentar una línea o ejecutar una operación logística. La plataforma convierte esta intención en acciones concretas adaptadas a los equipos disponibles.

Esta capa puede reducir la necesidad de programación específica y facilitar que la inteligencia artificial planifique procesos físicos. También anticipa una nueva interfaz para la fábrica: los operarios podrían dar instrucciones en lenguaje natural y dejar que el sistema las traduzca en acciones coordinadas entre diferentes máquinas.

No significa eliminar el conocimiento técnico, sino cambiar el nivel en el que se expresan las instrucciones. La complejidad se desplaza hacia la plataforma, los modelos y la gobernanza del sistema.

7. El gemelo digital como infraestructura de aprendizaje

La plataforma de KUKA integra un gemelo digital de la fábrica que refleja en tiempo real su estado y permite simular escenarios antes de ejecutarlos. Sobre este modelo virtual se pueden incorporar analítica basada en IA, detección de anomalías, mantenimiento predictivo y consultas en lenguaje natural.

El gemelo digital no funciona solo como una representación visual. Se convierte en una fuente de verdad común sobre la que los sistemas pueden planificar, comparar opciones y aprender.

El ejemplo de la gestión de flotas de AMR muestra el impacto de la centralización. Actualizar el mapa de una fábrica con cincuenta robots podía requerir conectarse individualmente a cada equipo mediante una memoria USB y alargarse durante semanas. Con AMP, la actualización se puede distribuir simultáneamente a toda la flota con un solo clic y completarse en menos de una hora.

Los datos generados por los robots alimentan el gemelo digital y los modelos de IA. Se crea un ciclo permanente de captura de datos, simulación, entrenamiento y despliegue: un flywheel de innovación que permite mejorar progresivamente los procesos.

8. ¿Qué implica la Physical AI para las empresas industriales?

La inteligencia artificial física no se podrá desplegar a escala sobre una infraestructura industrial fragmentada. Los robots necesitarán datos consistentes, conectividad, sistemas interoperables y una representación actualizada del entorno.

Prepararse no significa necesariamente empezar comprando un robot humanoide. Puede significar ordenar los datos de planta, conectar activos, revisar los estándares de integración, avanzar en gemelos digitales, reforzar la ciberseguridad o identificar procesos susceptibles de automatización.

También hay que analizar las tareas, no solo los puestos de trabajo. Las primeras oportunidades probablemente se encontrarán en operaciones repetitivas, peligrosas, ergonómicamente exigentes o difíciles de cubrir por falta de personal.

La Physical AI conectará sensores, IA generativa, robots colaborativos, humanoides, vehículos autónomos y sistemas de control sobre una misma infraestructura de datos. La empresa tendrá que decidir cómo gobierna esta infraestructura, qué sistemas pueden tomar decisiones y cómo se mantiene la supervisión humana.

9. Una agenda compartida para INDPULS

Los aprendizajes de Viva Technology abren una línea de trabajo concreta para INDPULS. Una primera oportunidad es crear un espacio específico sobre IA física y robótica inteligente en el que los socios identifiquen casos de uso industriales y compartan necesidades.

Este trabajo podría empezar con una pregunta muy práctica: ¿qué tareas repetitivas, peligrosas o afectadas por falta de personal podrían automatizarse con robots colaborativos, sistemas móviles o, más adelante, robots humanoides?

Una segunda oportunidad es impulsar un radar internacional de robótica que siga startups, fabricantes y centros de referencia de Europa, China, Corea del Sur y Estados Unidos. El objetivo no sería solo detectar novedades, sino entender qué tecnologías están madurando, cuáles ya tienen despliegues reales y cuáles pueden generar ventajas competitivas.

El conocimiento compartido entre empresas es especialmente importante en este ámbito. Los pilotos de robótica exigen integración, seguridad, datos y cambios operativos. Compartir los resultados, las dificultades y los criterios de decisión puede reducir la incertidumbre y evitar que cada empresa tenga que recorrer el mismo camino desde cero.

Del mundo digital al mundo físico

Hace unos años hablábamos de transformación digital. Más recientemente, la IA generativa ha cambiado la manera en que interactuamos con la información. El siguiente gran paso puede ser la integración de esta inteligencia con máquinas capaces de actuar sobre el mundo real.

La robótica del futuro no consistirá solo en incorporar una nueva máquina a un proceso existente. Implicará conectar software, datos, personas y sistemas físicos en una infraestructura capaz de aprender.

Para la industria, el reto no es esperar a que la tecnología esté completamente resuelta. Es empezar a preparar los datos, los procesos, los equipos y las alianzas que harán posible adoptarla con criterio cuando los casos de uso sean maduros.

En esta transición, la colaboración entre empresas industriales, startups, fabricantes, integradores y centros de investigación será tan importante como el desarrollo de los propios robots.