La carrera por llevar la inteligencia artificial al mundo físico se está topando con una limitación menos llamativa que los chips, pero igual de decisiva: faltan datos útiles para entrenar robots. TechCrunch describe el trabajo de Encord en una nave de San Leandro, California, donde la compañía prueba la captura de tareas físicas con cámaras, anotación densa y sensores capaces de medir ondas cerebrales.
La escena es concreta. Un entrenador de robots desmonta una torre de bloques mientras lleva un dispositivo con cámara que registra lo que ve y sensores desarrollados por Zander Labs, una startup alemana de neurociencia, que intentan inferir estados como error, intención o sorpresa. El objetivo no es leer pensamientos, sino enriquecer los datos que alimentan modelos de robótica.
La robótica con IA no puede copiar sin más la receta de los grandes modelos de lenguaje, porque el mundo físico no está disponible en internet con la misma escala ni con la misma calidad. Manipular objetos, sortear errores y coordinar movimientos exige datos fabricados, no solo recopilados.
Encord nació como una compañía de herramientas para anotar datos y evaluar modelos de visión artificial. Al trabajar con clientes de robótica, detectó que el cuello de botella no era solo ordenar datos existentes, sino producir los datos que las empresas necesitaban. Esa diferencia cambia el negocio: la generación de datos físicos se convierte en una línea estratégica.
Las fuentes principales que explora el sector son el vídeo egocéntrico, grabado por trabajadores con cámaras desde su propio punto de vista, y la teleoperación de robots. A eso se añaden múltiples ángulos, métricas del entorno y, en pruebas tempranas, señales biométricas. Si una tarea requiere máxima atención justo antes de un fallo, esa información puede ayudar a entrenar sistemas que asignen más esfuerzo computacional en momentos críticos.
El enfoque todavía está en fase de prueba. Encord y Zander buscan crear un conjunto inicial de datos etiquetados con señales cerebrales, pasarlo por modelos de clientes y comprobar si mejora el rendimiento. Esa cautela es importante. En robótica abundan demostraciones llamativas que no se traducen en despliegues estables en fábricas o almacenes.
La economía de la robótica física dependerá tanto del coste de producir datos como del rendimiento de los modelos. Grabar, limpiar, anotar y validar miles de horas de tareas reales cuesta dinero, instalaciones y personas. No es comparable con entrenar sobre texto público ya disponible.
Para las empresas industriales, el avance tiene implicaciones prácticas. Un robot que aprende a manipular piezas irregulares, clasificar residuos o preparar pedidos necesita entender situaciones raras, no solo repetir movimientos ideales. Ahí es donde los datos ricos pueden marcar diferencia, especialmente en entornos con variabilidad alta.
España cuenta con industria, logística, agroalimentación y automatización suficientes para beneficiarse de esta tendencia, pero también para exigir resultados. La adopción no vendrá por decir que un robot usa IA, sino por demostrar menos errores, más disponibilidad y una recuperación más rápida cuando cambia la tarea.
La próxima ventaja en robótica puede estar menos en un algoritmo aislado y más en la capacidad de fabricar datos físicos de calidad. Si las pruebas con nuevas señales funcionan, empresas como Encord abrirán una categoría relevante: proveedores de datos para que la IA aprenda a actuar en fábricas, almacenes y espacios reales.
