Robots humanoides en la planta de producción: esto es lo que realmente se está desplegando
Durante la mayor parte de la última década, los robots humanoides aparecieron en conferencias de prensa y discursos principales realizando tareas cuidadosamente coreografiadas: servir bebidas, hacer flexiones, caminar con cuidado sobre superficies planas. La promesa implícita siempre estaba a unos años de distancia. Esa promesa ha comenzado a cumplirse, de manera selectiva y en una escala menor de lo que sugería el revuelo, pero de formas que revelan qué aplicaciones funcionan realmente en entornos industriales no controlados.
BMW: el primer despliegue de producción real de Figure
La planta de Spartanburg de BMW en Carolina del Sur se convirtió en el sitio de uno de los primeros despliegues de producción genuinos de robots humanoides cuando las unidades Figure 01 comenzaron a manejar tareas de transferencia de chapa metálica a principios de 2025. La tarea específica: tomar piezas de carrocería de metal de una cinta transportadora, inspeccionarlas visualmente y colocarlas con precisión en accesorios para el siguiente paso de fabricación. Este es exactamente el tipo de tarea en la que los robots humanoides son teóricamente buenos — requiere manipulación diestra, inspección visual y colocación precisa en un espacio diseñado para humanos — pero también es el tipo de tarea donde las tolerancias importan y los errores son costosos.
Las declaraciones públicas de BMW han sido mesuradas, no triunfales. Los robots funcionan en áreas de producción limitadas con una supervisión extensa. Los tiempos de ciclo son más lentos que los de los trabajadores humanos para la mayoría de las tareas. La propuesta de valor en esta fase no es la velocidad — es el aprendizaje. BMW está acumulando datos de manipulación del mundo real en un entorno industrial auténtico, datos que se utilizarán para reentrenar y mejorar los robots en generaciones sucesivas.
El despliegue de Figure 01 utiliza un modelo conjunto OpenAI-Figure para el razonamiento de alto nivel y la planificación de tareas, mientras que el control motor de bajo nivel es manejado por políticas de aprendizaje personalizadas. La arquitectura dividida — un modelo "cerebro" para qué hacer y modelos "músculo" especializados para cómo hacerlo físicamente — ha surgido como un patrón común entre los desarrolladores de robots humanoides.
Amazon: Digit de Agility Robotics en el almacén
La relación de Amazon con el robot Digit de Agility Robotics es anterior a la adquisición de una participación minoritaria en la empresa. Digit está diseñado para entornos de almacén y se ha desplegado en instalaciones de Amazon para manejar el movimiento de contenedores: recoger contenedores vacíos de un lugar y transportarlos a otro. Esto se eligió deliberadamente como tarea inicial: implica locomoción y manipulación, pero con tolerancias relativamente indulgentes, y las consecuencias de un error (dejar caer un contenedor) son bajas en comparación con manejar inventario u operar cerca de trabajadores humanos.
Amazon es explícita en que el despliegue de Digit es un programa piloto y no un lanzamiento a escala. La empresa opera aproximadamente 75 centros de cumplimiento robóticos con cientos de miles de robots tradicionales, y los robots humanoides representan actualmente una fracción mínima de esa flota. El objetivo actual es el aprendizaje operativo: comprender cómo los robots bípedos navegan por los pisos de almacenes reales, cómo interactúan con la infraestructura existente y dónde aparecen los modos de falla en condiciones de producción en lugar de en entornos de laboratorio.
Las matemáticas económicas para los robots humanoides en almacenes aún no son favorables a los precios y niveles de confiabilidad actuales. Los sistemas automatizados de almacenamiento y recuperación (ASRS), los brazos robóticos tradicionales y los robots móviles realizan la mayoría de las tareas del almacén de manera más barata y confiable de lo que los robots humanoides pueden hacerlo hoy. El caso del humanoide se vuelve convincente para tareas que requieren navegar espacios diseñados para humanos que no pueden rediseñarse económicamente para robots especializados: cargar y descargar camiones, trabajar en entornos mixtos humano-robot o manejar artículos en ubicaciones a las que los brazos robóticos fijos tradicionales no pueden llegar.
Tesla Optimus: el despliegue más ambicioso
El programa Optimus de Tesla es el esfuerzo de robot humanoide de mayor perfil, y también el más difícil de evaluar objetivamente porque las comunicaciones públicas de Tesla sobre el tema combinan progreso genuino con optimismo promocional. Lo verificable: las unidades Optimus están realizando tareas dentro de las instalaciones de Fremont y Giga Texas de Tesla, incluyendo mover piezas entre estaciones de trabajo, clasificar componentes y realizar algunas tareas de enrutamiento de cables. Tesla ha declarado que los robots operan de forma autónoma — sin control humano remoto — en estas tareas específicas.
El enfoque técnico difiere de Figure y Digit en aspectos importantes. Tesla entrena a Optimus principalmente utilizando datos de video recopilados de sus trabajadores humanos que realizan las mismas tareas, utilizando una estrategia de volante de datos similar a su desarrollo de Autopilot. Los robots observan a los humanos, el modelo aprende la tarea y luego los robots la intentan — con supervisión y corrección humanas en las primeras etapas. Este enfoque es ambicioso porque intenta generalizar a través de tareas en lugar de entrenar políticas especializadas para cada operación específica.
Los objetivos de producción de Tesla para Optimus se han revisado a la baja con respecto a los anuncios iniciales — la empresa proyectó originalmente producir 1,000 robots Optimus en 2024, un número que se retiró silenciosamente. Las estimaciones actuales sugieren que unos cientos de unidades están en operación en las instalaciones de Tesla, con ventas externas a socios automotrices y de fabricación comenzando en cantidades limitadas.
Qué tienen en común estos despliegues
En BMW, Amazon y Tesla, surgen varios patrones de los despliegues actuales de robots humanoides:
Entornos estructurados. Cada despliegue de producción opera en zonas cuidadosamente definidas con iluminación controlada, condiciones de piso predecibles y parámetros de tarea específicos. Los robots humanoides aún no navegan entornos genuinamente no estructurados. La aparente flexibilidad de la forma humanoide se está utilizando para insertar robots en espacios diseñados para humanos, no para navegar espacios arbitrarios.
Tiempos de ciclo lentos. Los robots humanoides actuales son más lentos que los trabajadores humanos entrenados en cada tarea de producción. La ventaja reside en la consistencia (sin fatiga, sin distracción) y en aplicaciones específicas donde la ergonomía humana hace que la tarea sea desagradable o insegura. Las tareas calientes, pesadas o repetitivas que causan lesiones son mejores objetivos que las tareas donde la velocidad importa.
Recopilación de datos como valor principal. Cada despliegue importante se describe honestamente como una fase de aprendizaje. Los robots están generando datos de manipulación del mundo real que sería imposible recopilar en un laboratorio: las variaciones impredecibles en piezas reales, iluminación real, entornos reales — y esos datos son el producto real de la fase de despliegue actual.
Supervisión humana a nivel de tarea. En cada despliegue de producción, los humanos participan en la monitorización, corrección de errores y manejo de las excepciones que los robots no pueden gestionar. La operación completamente autónoma durante turnos completos de trabajo no es el estado actual.
Perspectivas a 2-3 años
Las empresas mejor posicionadas para escalar el despliegue de robots humanoides son aquellas con grandes conjuntos de datos de entrenamiento propietarios de operaciones del mundo real, infraestructura de simulación robusta para iteración rápida y relaciones existentes con fabricantes dispuestos a alojar despliegues de aprendizaje continuo. Tesla, Figure/OpenAI y Agility/Amazon tienen posiciones creíbles aquí.
Las tareas que probablemente verán una automatización significativa en el período 2027-2028 son aquellas con alto valor económico y ergonomía humana deficiente: carga y descarga de camiones comerciales (que causa una alta tasa de lesiones de espalda), manejo repetitivo de piezas en plantas automotrices y tareas logísticas en almacenes que no pueden reestructurarse eficientemente para la automatización tradicional. Estas no son aplicaciones glamurosas, pero representan miles de millones de dólares en costos laborales y un riesgo significativo de lesiones para los trabajadores.
El robot doméstico de uso general — ese que vacía el lavavajillas y dobla la ropa — sigue estando realmente a años de la realidad comercial. La variabilidad no estructurada de los entornos domésticos, el requisito de operación segura cerca de niños y mascotas, y la necesidad de tolerancia a modos de fallo que no existe en los sistemas actuales hacen de este un problema más difícil que el despliegue en fábrica por un orden de magnitud. Las empresas que afirman lo contrario están vendiendo acciones, no tecnología.
Lo que está sucediendo ahora, en la planta de Spartanburg de BMW y en los centros de cumplimiento de Amazon, es real y significativo — simplemente no es lo que prometieron las conferencias de prensa.