XDOF, startup dedicada a recopilar datos reales para entrenar robots de propósito general, estaría en conversaciones avanzadas para una Serie B con una valoración cercana a 1.200 millones de dólares. TechCrunch atribuye la información a personas conocedoras de la operación y señala a 8VC como posible líder de la ronda. La empresa salió de stealth hace menos de tres meses y ya había levantado 70 millones en una Serie A con inversores como Thrive Capital, Andreessen Horowitz, Lux y Spark Capital.
La compañía fue fundada en 2024 por Philipp Wu y Fred Shentu, investigadores vinculados a UC Berkeley. Su tesis parte de un cuello de botella conocido en robótica: los modelos necesitan datos físicos de calidad, pero el mundo real no está disponible como lo estuvo internet para los grandes modelos de lenguaje. Un robot no aprende a doblar ropa, manipular cajas o recoger objetos frágiles leyendo texto. Necesita registros de movimientos, sensores, errores y correcciones.
El interés por XDOF confirma que la próxima capa de la IA física puede estar en la cadena de suministro de datos, no solo en el hardware del robot. Igual que Scale AI se volvió importante al organizar datos para modelos digitales, nuevas empresas intentan hacer algo parecido para máquinas que actúan en entornos reales. La diferencia es que aquí capturar datos cuesta más y requiere operaciones distribuidas.
XDOF combina teleoperación remota, sistemas de anotación y personas que llevan sensores para registrar tareas cotidianas. TechCrunch cita GELLO, un sistema de bajo coste para controlar brazos robóticos a distancia, como una de las bases técnicas del proyecto. La empresa también trabaja con el laboratorio de investigación en IA de Berkeley para publicar ABC, una colección de datos de entrenamiento robótico que presenta como una de las mayores de su tipo.
El negocio atrae porque muchos laboratorios de frontera y compañías de robótica necesitan datos que no pueden producir a escala internamente. Si una empresa quiere entrenar un modelo capaz de manipular objetos diversos, cada demostración humana o teleoperada añade información valiosa. Los movimientos torpes, los fallos y las correcciones pueden ser tan útiles como las ejecuciones perfectas.
La valoración sugerida solo tendrá sentido si XDOF demuestra que puede convertir una operación intensiva en personas en una infraestructura repetible y defendible. Contratar y entrenar teleoperadores en distintos países no es trivial. Tampoco lo es mantener calidad, privacidad, seguridad laboral y consistencia técnica en miles de sesiones.
La competencia ya se mueve. TechCrunch menciona a Mecka AI y a plataformas de datos humanas que están expandiéndose más allá de los modelos de lenguaje. También hay laboratorios de robótica que prefieren construir datasets propios para no depender de proveedores externos. La ventaja de XDOF dependerá de velocidad, calidad y acceso a clientes que necesiten volumen inmediato.
Para empresas industriales, esta ola puede acelerar la llegada de robots más útiles en almacenes, fábricas, logística y servicios. El avance no será automático. Los robots siguen enfrentándose a entornos desordenados, objetos cambiantes y exigencias de seguridad física. Aun así, mejores datos pueden reducir el tiempo entre demostración y despliegue.
La carrera por entrenar robots generalistas se está pareciendo cada vez más a una carrera por capturar experiencia humana estructurada. XDOF aparece en ese punto exacto: donde la inteligencia artificial deja la pantalla y necesita aprender de manos, sensores y errores del mundo físico.
