El debate sobre el futuro de la robótica tiene un número que lo resume todo: 257.000 millones de dólares. Esa es la proyección del mercado global de robótica, según datos citados por Forbes, frente a los 38.000 millones que Goldman Sachs asigna específicamente a los robots humanoides para 2035. La brecha entre ambas cifras revela dónde está ocurriendo la creación real de valor.
Los robots de propósito general —los que imitan la forma y el movimiento humano— concentran la cobertura mediática y el imaginario tecnológico. Pero los sistemas desplegados hoy en almacenes, campos agrícolas e infraestructura logística son máquinas diseñadas para hacer una sola cosa excepcionalmente bien dentro de un entorno definido. La sofisticación mecánica necesaria para replicar la destreza humana —articulaciones, actuadores, coordinación fina— sigue siendo «uno de los mayores retos de ingeniería de la industria», según Yaniv Sulkes, vicepresidente de Physical AI en Hailo, empresa fabricante de procesadores de IA en el borde.
El cuello de botella no es solo de software. La inteligencia artificial generativa y los sistemas agénticos ya pueden razonar y coordinar flujos de trabajo complejos. El problema está en la ejecución física: latencia cero, consumo energético, costo por unidad y fiabilidad en entornos cambiantes. Un robot doméstico puede reconocer un obstáculo y evitarlo; la autonomía real exige que interprete el contexto, tome una decisión y actúe, todo en tiempo real y sin conexión a la nube.
Ahí entra la arquitectura de procesamiento en el borde (edge AI). La nube entrena los modelos y agrega datos; el dispositivo los ejecuta en el momento de la acción. «El verdadero salto ocurre cuando los sistemas de IA pasan de entender el entorno a interactuar con él», afirma Sulkes. Esa transición exige inferencia local, predecible y de baja latencia. No es solo una decisión de rendimiento: es la base para construir la confiabilidad que los entornos físicos exigen. Una encuesta de Prosper Insights & Analytics señala que el 41% de los adultos estadounidenses considera que los sistemas de IA requieren supervisión humana, lo que refuerza la necesidad de arquitecturas transparentes y controlables.
Los modelos de visión y lenguaje (VLMs) son el habilitador clave de este salto. A diferencia de los sistemas anteriores, que clasificaban objetos predefinidos, los VLMs permiten a las máquinas interpretar situaciones nuevas y determinar respuestas apropiadas sin entrenamiento explícito para cada escenario posible.
El resultado comercial es predecible: los robots especializados —en logística, agricultura, inspección de infraestructura, entrega de última milla— escalan antes porque resuelven un problema acotado con hardware más simple, menor costo y mayor retorno sobre la inversión. Los humanoides, con toda su carga simbólica, quedarán relegados a aplicaciones de nicho y alto costo en el corto y mediano plazo.
Lectura de Ágora Capital. El mercado ya votó con el capital de riesgo y los contratos corporativos: la automatización rentable no espera al robot perfecto, sino al robot correcto para cada tarea. La lección para inversores es la de siempre —el hype cotiza cara y entrega tarde; la utilidad específica cotiza barata y entrega primero. Las empresas que construyen la capa de inferencia en el borde, los sensores industriales y el software de control para sistemas de tarea única están capturando el flujo de caja real hoy, mientras el debate sobre humanoides sigue siendo, en gran medida, un ejercicio de relaciones públicas.