Las empresas de robótica están invirtiendo fuerte en la idea de que los datos van a resolver los problemas más difíciles del área. Según esa idea, cuando los sistemas de IA hayan absorbido suficientes datos de demostraciones humanas, los robots podrán hacer la gran mayoría de las tareas manuales que hoy hacen las personas. Hay incluso empresas de robótica que existen solo para recolectar datos de entrenamiento y vendérselos a otras empresas de robótica con ese objetivo.

Que los datos vayan a traer por fin robots de propósito general es una pregunta abierta. Nadie sabe cuántos datos harían falta, qué tipo de datos importa ni si falta algo más. Depender de cantidades masivas de datos trae otros problemas. Los algoritmos de IA que resultan son, en la práctica, cajas negras que rinden bien pero que a las personas les cuesta entender, o no pueden entender. Esa característica preocupa cada vez más en los despliegues comerciales, donde los robots tienen que ser flexibles, confiables y seguros.

En la Conference on Robot Learning 2026 de esta semana, UC Berkeley y NVIDIA anuncian en conjunto un enfoque nuevo para usar IA en la programación de robots para tareas prácticas en entornos industriales. Se llama robótica agéntica y aprovecha los últimos avances de las herramientas de programación con IA. En cierto sentido, devuelve la robótica a sus raíces. Primero se entiende a fondo cómo funciona el robot y después se escribe código legible por humanos para que haga cosas útiles, sin datos y sin personas de por medio.

El problema de los datos

Durante décadas, los robots se programaron con métodos basados en modelos. Su comportamiento se apoyaba en un conocimiento detallado (un modelo) de la física y las matemáticas del robot y de su entorno. Los especialistas desarrollaban primero esos modelos y después escribían código muy detallado que le decía al robot cómo actuar. Los sistemas ajustados a mano funcionaban rápido y de forma confiable, pero el enfoque perdió terreno porque exige tiempo y experiencia humana. Es mucho más fácil cargar una cantidad enorme de demostraciones humanas en un sistema de aprendizaje automático, y los resultados son adaptables y confiables, hasta cierto punto.

"El paradigma del aprendizaje por imitación tocó techo", explica Ken Goldberg, profesor de robótica de UC Berkeley, cuyo laboratorio presenta un paper sobre robótica agéntica en la conferencia. "Es prometedor para cosas como los robots domésticos, donde la velocidad y la confiabilidad importan menos. Pero en aplicaciones industriales es muy difícil conseguir la confiabilidad que exige la industria".

Goldberg, que también es cofundador de la empresa de robótica industrial Ambi Robotics, ha vivido este problema en carne propia, igual que otras empresas con las que trabaja, entre ellas Siemens y Bosch.

"Al principio los datos te dan un buen rendimiento, pero después las cosas empiezan a fallar. Entonces le das más datos. Pero después fallan otras cosas. No está claro que agregar más datos te vaya a llevar hasta allá".

La esperanza, según Goldberg, es que con suficientes datos los robots empiecen a funcionar de forma confiable casi por sí solos, como pasó con ChatGPT. "Eso es con lo que la gente ha estado contando, y por eso los inversionistas están metiendo plata en estas empresas", dice Goldberg. "Pero todos están un poco nerviosos porque no hemos llegado a ese punto de convergencia".

¿Cómo funciona la robótica agéntica?

Los modelos de lenguaje como ChatGPT tienen tanto éxito porque se entrenan con datos a la escala de internet. En robótica no existe un conjunto de datos que se acerque a esa escala, y aunque las empresas intentan con desesperación generar los datos que creen necesitar, es un proceso lento y caro. La robótica agéntica, un término que popularizaron Goldberg y Spencer Huang, director de producto de robótica de NVIDIA, busca convertir la programación de robots de un problema de datos en un problema de código, que puede aprovechar directamente la escala de los modelos de lenguaje.

"Esto se aceleró de verdad en el último año", dice Goldberg. "La calidad de la programación agéntica mejoró tanto que usarla para escribir código para robots ya es viable".

Como se basa en modelos de lenguaje, la robótica agéntica es fácil de usar. Al robot se le dice qué hacer en lenguaje natural. Uno de los ejemplos de los investigadores de UC Berkeley fue pedirle a un brazo robótico que guardara la mercadería en una bolsa. Primero, esa tarea, compleja para un robot, se descompone en subtareas más simples, y cada una se asigna a un agente de código distinto. En el software basado en modelos de lenguaje, un agente de código es un sistema de IA autónomo que planifica, escribe, prueba y modifica software con mínima intervención humana. Un agente puede encargarse de la percepción para identificar los productos y la bolsa, un segundo de la manipulación con la pinza del brazo y un tercero de trasladar los objetos una vez tomados.

"Tenemos todas estas herramientas de robótica que hemos construido durante las últimas dos décadas", explica Huang. "El problema era que una persona tenía que ir y escribir el código. Pero los clasificadores de objetos, la estimación de pose, la planificación de tareas y movimientos, la generación de trayectorias, todo eso ya existe". Los agentes de código pueden aprovechar todo ese conocimiento contenido en sus modelos de lenguaje para generar código propio, ajustado a su tarea.

El cuello de botella de la simulación

Cuando los agentes tienen un esquema plausible, corren su código en una simulación y miran qué pasa, como lo haría una persona. Pueden cambiar las condiciones iniciales, detectar fallas, refinar el código y seguir iterando hasta tener un programa que funcione. Eso sí, el código que funciona en simulación solo puede ser tan versátil y confiable como la simulación.

"Las simulaciones no son fáciles de construir", explica Goldberg. Mientras más precisa puede llegar a ser una simulación, más parámetros hay que configurar para lograr y mantener esa precisión, y normalmente lo hace una persona, tarea por tarea. Goldberg decidió darle a un agente de IA acceso directo a esos parámetros e instruirlo para que ajustara la simulación a un video del mundo real.

"Nos dio escalofríos. Igualaba el entorno completo, la iluminación, el fondo, todas esas cosas que son tremendamente tediosas de hacer. Nosotros nunca lo habríamos hecho, pero el agente sí. Puestos lado a lado, era muy difícil distinguir la simulación del video".

Aun así, por bien que se vea un entorno simulado, cerrar la brecha entre ese entorno y el mundo real sigue siendo un desafío sin resolver para la comunidad de robótica, dice Torsten Kroeger, director científico de Intrinsic, de Alphabet. Kroeger no participa directamente en esta investigación.

"Lo digo con respeto, pero simplemente no existe un motor de física que pueda modelar con precisión el contacto físico con el mundo".

Igual que un equipo de programadores humanos, los agentes pueden diagnosticar cuando las cosas, inevitablemente, no funcionan del todo bien. Que los agentes puedan trabajar sobre la propia simulación es una ventaja grande. Se les puede dar el video de una tarea fallida con el objetivo de actualizar la simulación para que coincida, mientras los agentes de código iteran para corregir el problema.

Como pasa con todo lo que hace la IA, Huang sabe que los agentes que escriben código para robots van a tener defectos. "Todos sabemos que los agentes de IA pueden producir basura", dice Huang. "Para contrarrestarlo usamos configuraciones de agentes adversarios, donde un agente diseña algo y otro trata de destrozarlo y encontrarle fallas".

¿Qué resultados obtuvo?

En las pruebas de UC Berkeley, los enfoques de robótica agéntica alcanzaron tasas de éxito de hasta 99%, al nivel del rendimiento diseñado a mano por humanos, incluso en tareas donde las técnicas base de aprendizaje por imitación lograban solo 20%. Pero, como apunta Goldberg, la robótica agéntica también tiene que ver con eficiencia y seguridad. "Usas un agente de código comercial. No necesitas recolectar datos. Y el agente genera código que de verdad puedes entender y corregir si hace falta".

Robótica agéntica en el mundo real

En lo inmediato, el punto ideal para la robótica agéntica práctica serán las tareas de manufactura y manipulación industrial que exigen precisión y exactitud, dice Huang.

"Hoy, algunos de nuestros socios del sector de semiconductores necesitan ubicar componentes con un margen de 0,3 mm. No hay forma de que hoy consigas que algo como GR00T haga eso con algo parecido a repetibilidad y robustez. Lo que obtienes con la robótica agéntica son aplicaciones de corto plazo".

GR00T es la plataforma de desarrollo de humanoides de NVIDIA.

Pero el valor real, dice Huang, está en adaptarse a los cambios. Lo explica con Wistron, la empresa de Taiwán que fabrica placas base para las GPU de NVIDIA.

"En Wistron, en Taiwán, cada vez que agregan un producto nuevo se demoran como mínimo 8 horas en reasignar la tarea de un robot. Con la robótica agéntica, reasignarla toma uno o dos minutos".

Llevar la robótica agéntica más allá de estos usos bastante acotados puede ser difícil, pero Huang ve la técnica como una puerta de entrada a tareas más complejas. "La robótica agéntica puede generar muchísimo código robótico de buena calidad, y esos son datos que podemos usar para entrenar el próximo modelo". Esa generación de código es solo un paso iterativo hacia una capacidad de propósito general, pero Huang cree que la robótica agéntica puede ayudar a redefinir qué significa la inteligencia general en robótica.

"Mi tesis es que la inteligencia general para la robótica va a llegar primero en la forma de un agente que orquesta una mezcla de tecnologías convencionales y políticas especializadas. Para una persona, parece inteligencia general porque el agente está coordinando todo por debajo".

Kroeger, de Intrinsic, es más cauto a la hora de confiar en los agentes. "En el contexto de la seguridad, ¿cómo sabemos que estos agentes realmente están haciendo lo correcto todo el tiempo? Es el problema de alineamiento. Un ingeniero humano puede revisarlo todo, pero el desafío vendrá cuando empecemos a confiar en estos agentes. Me imagino que esta va a ser una conversación relevante para la industria".

Por ahora, Goldberg está concentrado en trabajar con empresas reales para llevar la robótica agéntica a la práctica. Una serie de benchmarks para robótica agéntica, desarrollada con NVIDIA Isaac Lab-Arena y el motor de física Newton, ayudará a los investigadores a evaluar el desempeño de los agentes. "No quiero decir que tenemos la solución, pero estoy muy entusiasmado", dice Goldberg. Huang agrega: "Es un cambio decisivo en la forma en que hacemos las cosas".