Las grandes organizaciones ya tienen una estrategia de IA, pero casi toda está diseñada para sistemas que viven en una pantalla, no para la IA que conducirá vehículos, operará maquinaria y moverá mercancías en almacenes.
Richard Clough, director global de datos de EY, plantea que para capitalizar la IA física las empresas necesitan una arquitectura de datos que soporte decisiones en tiempo real en entornos físicos, datos de simulación confiables a gran escala y una gobernanza lo bastante robusta para máquinas que operan en el mundo real. La brecha, advierte, se está ampliando más rápido de lo que muchos líderes creen.
El cambio de fondo es simple: una separación entre sistemas operativos, que capturan actividad, y sistemas analíticos, que convierten datos en tableros, pronósticos y modelos, ya no alcanza. Esa demora entre analizar y actuar podía tolerarse cuando las decisiones asistidas por IA no tenían consecuencias físicas inmediatas. Con la IA física, esa distancia se comprime.
Un robot de almacén que comparte piso con personas no puede esperar a los datos de mañana. Necesita flujos continuos para decidir a medida que cambian las condiciones. Eso obliga a transformar el viejo traspaso entre datos operativos y analíticos en un circuito cerrado, donde detección, inferencia y ejecución ocurran casi en tiempo real.
La base de datos también cambia. La IA física no solo requiere información digital tradicional, sino datos físicos como distribución, geometría espacial y ubicación. Clough pone un ejemplo concreto: un cambio en el diseño de un almacén puede alterar la ruta segura de cada vehículo autónomo, o una línea de empaquetado puede tener que ajustar la fuerza de agarre al pasar de un producto a otro.
Las hojas de cálculo no alcanzan para enseñar esas dinámicas. Y entrenar en el mundo real puede ser peligroso, poco práctico o imposible. La simulación aparece entonces como un camino viable, porque permite millones de variaciones durante la noche en lugar de décadas de prueba y error. Pero cada variación debe ser físicamente precisa, visualmente realista y correctamente etiquetada, lo que empuja el problema a escalas de petabytes que muchas infraestructuras empresariales no soportan.
Clough sostiene que, si la IA física demanda detección, aprendizaje y acción continuos, la gobernanza tampoco puede quedar dividida en silos. Debe funcionar como un bucle, reforzando la confianza en cada ciclo. Los datos sintéticos deben quedar correctamente empaquetados, revisados contra reglas de cumplimiento y validados antes de entrar en una tubería de entrenamiento.
Cada rotación mejora la siguiente: mejor linaje, mejor simulación, mejor comportamiento del modelo, mejores resultados y más retroalimentación. Cuando el bucle es débil ocurre lo contrario: mala procedencia, supuestos frágiles, comportamiento quebradizo, menor confianza y despliegues más lentos.
Para algunas compañías, los programas de robótica ya tienen urgencia real y potencial valor sustancial. Por eso, esperar hasta que un caso de uso sea apremiante significa construir bajo presión.
La recomendación es empezar por mapear las capacidades actuales frente a los requisitos de extremo a nube de un caso de uso físico realista. También sugiere iniciar un piloto pequeño de simulación, con un grupo o responsable nombrado para aprobar la calidad de los datos de entrenamiento en cada iniciativa de IA física.
La lección para el mercado es clara: la IA física no premia discursos, premia infraestructura. Quien quiera capturar productividad en almacenes, fábricas y flotas necesitará inversión en datos, simulación y gobernanza antes de que la presión competitiva obligue a hacerlo a las apuradas.
Y ahí está el punto de fondo. La ventaja no vendrá de tener más presentaciones sobre IA, sino de construir reglas claras para que las máquinas tomen decisiones seguras en el mundo real. Capital busca esas reglas; la burocracia tecnológica que no se adapte quedará expuesta cuando el mercado ya no acepte improvisación.