En las afueras de Boston hay un depósito donde, a fines del siglo XVIII, se fabricó la lona para las velas del USS Constitution, una fragata de la Marina de Estados Unidos, famosa por ser uno de los buques de guerra más antiguos del mundo que todavía sigue a flote. Con cierta ironía, ese mismo lugar alberga hoy a unos 100 robots humanoides que se dedican a meter objetos en cajas, sacarlos otra vez, apilarlos, dejarlos caer e incluso doblar ropa.

Sin embargo, la mayoría de las veces fallan. Todos se llaman Sonny. Tienen una forma apenas humana, no del todo definida, como la que un artista minimalista podría tener de un robot humanoide. Ninguno lleva más de dos meses en el lugar y algunos llegaron hace apenas unos días. Cada vez que completan una tarea, un entrenador de robots les da una pequeña recompensa digital. Cada vez que fallan, el error queda registrado, etiquetado y vuelve al modelo de aprendizaje automático, junto con todos los aciertos, para alimentar el sistema que, en el futuro, controlará a Sonny y a todos sus hermanos y hermanas en distintos puntos del país. Y como, en términos prácticos, acaban de nacer, fallan mucho más de lo que aciertan.

Pero todo eso forma parte del plan.

Estoy en Data Factory One y, según su operador y dueño, Tutor Intelligence, se trata de la mayor operación de recolección de datos con robots de Estados Unidos. Su cofundador y CEO, Josh Gruenstein, la compara, medio en broma, con el Gran Colisionador de Hadrones: un instrumento de descubrimiento enorme, caro y diseñado para un propósito específico, creado para responder una sola pregunta.

¿De verdad se puede escalar hasta desarrollar un robot industrial con capacidades generales? Nadie lo hizo todavía. La apuesta de Tutor es que ellos pueden ser los primeros.

La tesis a contramano de Tutor: nadie construyó un producto robótico

La mayor parte de la cobertura sobre robótica se centra en el hardware: el formato, los grados de libertad, la destreza de las manos. 

Para Gruenstein, esa lectura deja de lado el verdadero problema: "Nadie construyó jamás productos robóticos con éxito", me dijo durante una recorrida por las instalaciones de Watertown, Massachusetts. “La gente construyó proveedores de soluciones robóticas para usuarios finales muy específicos. Pero ¿qué significa construir un robot que pueda hacer la misma tarea para miles de clientes?”, se preguntó. En otras palabras, construir un robot de uso general.

La distinción que hace Gruenstein importa. La robótica industrial existe desde hace más de medio siglo, y empresas japonesas, alemanas, danesas y algunas estadounidenses construyeron negocios importantes alrededor de la automatización a medida. Pero suelen ser vínculos con un solo cliente, muy especializados, caros de implementar e imposibles de trasladar a otro lugar. Según Gruenstein, el patrón clásico de una startup de robótica consiste en apostar toda la compañía a un único contrato corporativo, ganarlo y descubrir después que construyó algo que no puede adaptarse a nadie más.

Tutor está organizada para evitar esa trampa. La compañía se define como una "empresa de investigación y despliegue de robótica", integrada de punta a punta en investigación de modelos fundacionales, fabricación de robots, que se ensamblan de manera interna en Watertown, y despliegue y mantenimiento de equipos en las sedes de sus clientes. La tesis es que el círculo virtuoso de datos solo funciona si la empresa controla todo el proceso.

Un informe reciente de Bessemer sobre el futuro de los robots humanoides coincide con esa mirada. El reporte sostiene que las compañías de robótica full stack están mejor ubicadas en el mercado actual gracias al círculo virtuoso entre datos, modelo y capacidad: cuantos más datos tenés, mejor es tu modelo y más capaces se vuelven tus robots.

"Todas las empresas van a converger hacia la idea de controlar tanto la plataforma como la capa de aplicaciones", dijo Gruenstein. “Una de las principales razones son los datos”, sostiene.

Dos robots, una arquitectura

Tutor ya fabrica y entrega varios robots. Uno de ellos, Cassie, ya opera con clientes: es un robot industrial de 907 kilos diseñado para manipular cajas y pallets, las unidades de trabajo centrales de la distribución B2B y la fabricación. Cassie no es un humanoide ni intenta serlo. "Cassie va a trabajar más que un robot humanoide las 24 horas del día, los 7 días de la semana", señaló Gruenstein.

Sonny, en cambio, aunque fue construido sobre la misma arquitectura de hardware y software que Cassie, está optimizado para tareas de manipulación como recoger, empaquetar y clasificar. Cada Sonny tiene seis grados de libertad por brazo, el mínimo matemático necesario para llegar a cualquier posición en un espacio 3D; dos brazos para mejorar el rendimiento y sumar tolerancia a fallas; y cuatro cámaras, incluidas algunas instaladas en las propias manos. Las pinzas son de estilo FINRAY: bioinspiradas, flexibles, impresas en 3D y deliberadamente simples. Las manos más sofisticadas llegarán cuando Sonny agote las posibilidades de entrenamiento con estas pinzas de baja tecnología.

Sonny tiene ruedas, no piernas, porque es más eficiente: puede llevar más batería, es más estable y no gasta tecnología en funciones que no aportan ninguna capacidad necesaria.

Ninguna unidad de Sonny llegó todavía a clientes. Gruenstein espera iniciar pruebas piloto con empresas antes de fin de mes, aunque prefiere ser cauto: "Hay incertidumbre epistémica asociada a cualquier cronograma".

La mayoría de las empresas de robótica humanoide prefiere mostrar videos de demostración impecables. Tutor, en cambio, muestra DF1 mientras los robots todavía aprenden y tienen dificultades visibles.

Le pregunté a Gruenstein por qué. "En la comunidad de robótica hubo una cultura muy orientada a las demostraciones. El criterio de éxito consiste en mostrar al robot con la tarea realizada una vez, grabar un video y publicarlo. Es una cultura de la que vamos a tener que alejarnos a medida que la robótica pase de existir solo en el laboratorio a existir en el campo", explicó.

Cobertura de SKU: una métrica que los fabricantes de robots todavía no miden

Mientras Sonny sigue en el laboratorio, Cassie ya realiza trabajo real en el campo. Uno de los clientes de Tutor, Productive, una compañía de logística tercerizada especializada en el armado de kits personalizados y el empaque por contrato, incorporó su primer paletizador Cassie hace unos tres meses.

El director financiero y copropietario, Paul Baker, me explicó qué mide en la práctica. "Una de las métricas que analizamos cuando evaluamos robótica es lo que llamamos cobertura de SKU", dijo Baker. “Manejamos decenas de miles de artículos distintos a lo largo del año. La cobertura de SKU de una persona es del 100%. La de un robot es una pequeña fracción de eso”, completó.

La matemática se vuelve implacable muy rápido. Productive armará cerca de 30 millones de kits este año, cada uno con entre 10 y 15 artículos. Es decir, la compañía hará alrededor de 500 millones de operaciones de selección y colocación con miles de productos distintos: curitas, martillos, bálsamos labiales, jabones líquidos, señuelos de pesca y componentes de kits quirúrgicos.

"Para un robot, quizá no sea trabajo suficiente, porque tal vez solo pueda manejar una parte de esos SKU", me dijo Baker. “Si tu cobertura de SKU es demasiado baja, no podemos mantener ocupado al robot ni siquiera durante un turno”, explicó.

Es una métrica que no conocía, pero me gusta mucho. La cobertura de SKU corta de raíz buena parte del entusiasmo exagerado alrededor de los robots humanoides. La mayoría de los videos de demostración muestran a un robot con una misma tarea una y otra vez, pero en muchos centros logísticos y depósitos del mundo eso no resulta demasiado realista.

La pregunta de Productive es simple: con nuestra mezcla real de productos, ¿qué porcentaje del trabajo podés hacer? Hoy, llegar al 25% o al 40% ya sería significativo. Alcanzar el 100%, la referencia humana, todavía queda muy lejos.

Baker también prueba robots humanoides de Avatar, con ruedas, dos brazos y tareas de selección y colocación teleoperadas, con una hoja de ruta hacia la autonomía, además de cobots de Blue Sky Robotics. Para el trabajo en depósitos, apuesta más por las ruedas que por las piernas: "Prácticamente no se me ocurre ningún flujo de trabajo en nuestro depósito que requiera piernas".

El capital llega rápido

Más allá de lo que pienses sobre los plazos, el flujo de capital es real. Ola Simino, quien lidera IA física en el Generative AI Innovation Center de AWS, citó cifras de inversión que se aceleraron con fuerza en los últimos 18 meses. Cerca de US$ 7.000 millones se destinaron a startups de robótica e IA física en 2024. En 2025, esa cifra fue de US$ 40.700 millones: alrededor del 9% de todo el capital de riesgo desplegado a nivel global.

Es una señal importante: la robótica quedó de golpe en el centro de la innovación mundial.

Simino ubica la demanda en torno a la falta de mano de obra, que ya representa un problema. Según dijo, se proyectan 1,9 millones de empleos industriales sin cubrir en Estados Unidos para 2033, además de medio millón de vacantes actuales en la construcción, donde se espera que el 40% del personal actual se jubile dentro de una década. También citó una estimación de la Organización Mundial de la Salud sobre un faltante de 11 millones de trabajadores de la salud para 2030.

Dentro de la propia red de centros de distribución de Amazon, que ya superó el millón de robots desplegados en septiembre, la compañía reporta mejoras de eficiencia del 25% y una reducción del 40% en lesiones laborales.

Que la apuesta de Tutor funcione depende, en parte, de que DF1 produzca lo que Gruenstein espera: un modelo fundacional lo bastante general como para llevar a Sonny a la sede de un cliente y lograr que trabaje con estándar industrial, con un ajuste mínimo para cada tarea específica.

La vara es alta. Nadie la superó todavía y Tutor no va a llegar ahí de inmediato. Pero al estar en medio de un centenar de robots que prueban, fallan, vuelven a fallar y no lo ocultan, queda la sensación de que Tutor, al menos, hace la pregunta correcta. Y la buena noticia es que no hace falta resolver el 100% de los problemas para llegar a un trabajo útil: alcanza con esa cobertura de SKU del 25% al 40% que mencionó Baker. Todo lo que esté por encima de eso ya es ganancia pura.

*Este artículo fue publicado originalmente por Forbes.com.