General Intuition quiere llevar a la robótica una idea que ya transformó el software: entrenar modelos con enormes volúmenes de comportamiento humano. La startup, nacida alrededor del ecosistema de clips de videojuegos de Medal, defiende que millones de horas de partidas pueden ayudar a construir modelos capaces de entender acciones, espacio y consecuencias físicas. TechCrunch ha descrito la tesis como una apuesta por el momento ChatGPT de la robótica.
La comparación es ambiciosa, pero el razonamiento tiene lógica. En un videojuego, cada movimiento combina percepción, decisión y resultado. El jugador gira, salta, esquiva, recoge objetos o aprende límites de un entorno. Esos datos contienen señales sobre causalidad y navegación que los textos no ofrecen. La robótica necesita modelos que entiendan el mundo como una secuencia de acciones, no solo como una colección de palabras.
General Intuition ya había llamado la atención por una ronda relevante y por inversores de alto perfil. Su propuesta no consiste en vender un robot concreto, sino en construir una capa de inteligencia que pueda alimentar agentes físicos o simulados. Si funciona, podría reducir la dependencia de datos reales capturados por robots, que suelen ser caros, lentos y difíciles de escalar.
El enfoque encaja con una tendencia mayor hacia los llamados world models, sistemas que aprenden representaciones del entorno y predicen qué ocurre después de una acción. Para vehículos autónomos, brazos industriales, humanoides o software de simulación, esa capacidad puede marcar diferencias. No basta con reconocer una mesa. Hay que anticipar qué pasa si se empuja un objeto, se cruza una puerta o se cambia la trayectoria.
El uso de videojuegos como cantera de datos también plantea límites. Los mundos virtuales son más ordenados que el mundo físico, incluso cuando parecen complejos. La fricción, el peso, los fallos de sensores y la variabilidad humana no siempre se trasladan bien. El salto de un entorno jugable a una fábrica, una calle o una vivienda seguirá necesitando validación con datos reales.
Para el sector empresarial, la oportunidad está en acelerar pruebas. Una compañía que quiera desplegar robots en almacenes o inspección industrial necesita que el sistema aprenda escenarios raros sin poner en riesgo personas o equipos. Si los modelos entrenados con interacción virtual ayudan a cubrir parte de ese espacio, el coste de adopción puede bajar.
España debería mirar esta tendencia con atención. El país tiene industria, logística, agroalimentación y centros de investigación donde la robótica aplicada puede tener impacto. La pregunta no es si habrá humanoides en cada empresa, sino qué tareas repetitivas, peligrosas o escasas en mano de obra pueden beneficiarse de modelos físicos más flexibles.
General Intuition todavía debe probar que su tesis produce sistemas robustos fuera de la pantalla. Pero su apuesta resume una dirección clara: la siguiente etapa de la IA no será únicamente conversar mejor. Será actuar mejor. Y para actuar en el mundo, los datos de acción pueden ser tan valiosos como los datos de texto lo fueron para los primeros modelos generativos. La ventaja competitiva estará en saber qué datos trasladan aprendizaje real y cuáles solo producen una ilusión de destreza.
