La empresa Applied Intuition ha alcanzado un notable éxito en los últimos años vendiendo su software de conducción autónoma a todo tipo de empresas en sectores como la minería, la defensa, la construcción o la agricultura, y ahora se propone dar un nuevo salto con el lanzamiento de Dana, un software de IA Física con el que se quiere ayudar a automatizar mil millones de máquinas.

Para conseguirlo recurren a los Agentes Inteligentes que deben actuar como ingenieros virtuales especializados que ejecutan partes del ciclo completo de desarrollo de un robot.

De esta forma, en lugar de que un ingeniero haga manualmente cada paso, el agente coordina y ejecuta muchos de ellos.

Del mismo modo que ocurre en el ámbito digital con Claude Code y Codex, en este caso los agentes de Dana orquestan todo el ciclo de vida del robot: lanzar simulaciones, generar datos sintéticos, entrenar políticas de control, validar seguridad, probar en Hardware-in-the-Loop y desplegar en robots reales.

Pero a diferencia de otras empresas de IA Física como Skild AI, Generalist, Physical Intelligence, Field AI y OpenMind, que desarrollan el software de IA para robots, en este caso lo que Applied Intuition quiere ofrecer es un sistema que ayude a los ingenieros a construir estos robots de forma más eficiente.

Y aquí es donde llegamos a la clave del asunto: los agentes de IA están convirtiéndose en la interfaz desde la que aprenderemos, diseñaremos, integraremos, probaremos y gestionaremos los sistemas robóticos. Y por eso desde Integrarobot hemos diseñado y estamos presentando hoy AGENTE el Framework para el uso de agentes de IA en robótica.

AGENTE se basa en nuestra experiencia trabajando con agentes de IA para ayudar a las empresas a automatizar procesos de negocio y ahora lo trasladamos al ámbito de la IA Física para darle una mayor proyección.

Y ahora sí, vamos a explicar qué es AGENTE y cómo puedes empezar a ponerlo en práctica en tu trabajo:

Aclarar: la gran diferencia entre los chatbots de IA, que hasta ahora hemos estado usando, y la nueva generación de agentes que está surgiendo es su capacidad para perseguir un objetivo y trabajar hasta conseguirlo. De esta forma el agente tiene autonomía para decidir qué tareas son necesarias para alcanzar el objetivo y dispone de las capacidades para llevar a cabo esas tareas. En este punto, para clarificar bien el trabajo que tiene que hacer la IA es importante definir bien el objetivo, el rol que debe asumir la IA (por ejemplo Ingeniero en robótica) y el prompt con las instrucciones que le clarifican el objetivo.
Gestionar el contexto: si el prompt fue la palabra de moda en los inicios de la IA Generativa, más tarde el contexto tomó el protagonismo, cuando vimos que muchos de los errores que cometía la IA se debían a la falta de conocimiento sobre las circunstancias específicas de nuestra nuestra actividad. Así lo explica Google en la presentación de OKF: a medida que los modelos de IA siguen mejorando, la falta de contexto relevante suele limitar su funcionalidad, especialmente cuando se utilizan para construir sistemas con agentes. Si bien estos modelos pueden ayudar a escribir código, resumir documentos o analizar conjuntos de datos, aún necesitan la información adecuada para generar resultados precisos y útiles.
Equipar al agente: aquí es donde entran en juego las capacidades o habilidades de las que podemos dotar al Agente para que realice su trabajo con mayores garantías. Por ejemplo si usas ChatGPT seguro que te ha venido muy bien poder disponer del buscador y de la investigación. Entonces con Codex y Claude Code lo que hemos podido hacer es crear skills, automatizaciones y usar complementos que dotan a la IA de mayor utilidad cuando se trata de llevar a cabo trabajos completos, no sólo tareas. Aplicado a la robótica esto tiene mil utilidades, por ejemplo para el diseño de procesos donde tiene que intervenir el robot o en su propio entrenamiento gracias a la posibilidad de usar simuladores de robots.
Navegar mediante bucles: los bucles se han convertido en el concepto protagonista en los últimos meses en el ámbito de la IA y consisten en la evolución lógica de la trayectoria que habíamos traído hasta ahora conformada por Prompt → Contexto → Arnés → Bucle → Grafo → Evaluación. Aquí es donde logramos que la IA funcione a través de un proceso de mejora continua, si definimos correctamente el objetivo y los indicadores de éxito, el Agente de IA no se para cuando nos ofrece el primer resultado sino que puede trabajar en bucle para mejorarlo. Esto es algo que no todo el mundo sabe pero que ofrece unos resultados excelentes: la IA es capaz de mejorar sus propios resultados, sólo tienes que pedírselo y los bucles son la forma técnica de llevarlo a cabo.
Tejer grafos de agentes: aquí es donde llega la idea de que un Agente ya es un paso importante pero poder trabajar con varios de ellos de manera orquestada es otro nivel. De esta forma el diseño de grafos es lo último de lo último cuando hablamos de IA, porque de lo que nos estamos dando cuenta es que cuando hablamos de agentes 1+1 puede ser más que 2. Porque si sabemos estructurar bien el trabajo de los agentes no vamos a ver únicamente la ventaja de tener a más de uno trabajando sino que cuando repartimos el trabajo entre ellos el rendimiento es mucho mayor. Por ejemplo, si uno planifica, otro ejecuta el trabajo y otro lo revisa, la calidad del resultado es mucho mayor que si dividimos el trabajo en varias partes y cada uno se encarga de los suyo. Y lo mejor es que esto que hemos hecho con 3 agentes se puede hacer con muchos más, tu imaginación y el presupuesto de tokens es el límite.
Evaluar y evolucionar: aquí es cuando llega la parte más complicada cuando hablamos de robótica, porque la evaluación debe realizarse poniendo al robot a trabajar en el mundo físico y aunque podamos usar simuladores, la realidad es la que pondrá a cada uno en su lugar. Por lo tanto, lo que tenemos que saber es que este framework que acabamos de presentar para el uso de agentes de IA en robótica sólo nos acelera y facilita el trabajo de trabajar con robots, pero aún faltan piezas por resolver para que podamos disponer de robots de propósito general complemento funcionales, por ejemplo lo relativo a modelos del mundo. Pero la buena noticia es que si las empresas que ahora trabajan en el desarrollo de estos modelos de IA también están usando agentes para acelerar su trabajo las soluciones no tardarán en llegar.

Y aquí es donde está la clave del asunto, porque lo que ha ocurrido con la IA, donde antes si querías usar la IA la tenías que desarrollar todo desde cero, pero la llegada de ChatGPT ha eliminado las barreras de entrada, es lo que va a ocurrir ahora con la robótica. Así, gracias al trabajo de empresas como Applied Intuition y otras cientos que se dedican al ámbito de la IA Física, el gran reto no va a ser crear el robot, sino ponerlo a trabajar.

Este es el objetivo que nos proponemos desde Integrarobot, ayudar a las empresas y profesionales a afrontar la robótica desde un punto de vista de negocio, no desde el aspecto técnico. Si sabemos que empresas con las capacidades de NVIDIA, Google, Tesla, OpenAI y Anthropic, entre otras muchas, ya trabajan para resolver la tecnología que haga posible la robótica de propósito general, en lo que tenemos que centrarnos los demás es en darle utilidad y aquí es donde los agentes pueden jugar un papel fundamental.

Ahora gracias al framework AGENTE tienes los recursos que necesitas para empezar a trabajar en la implementación de la robótica en los procesos productivos, no necesitas esperar a la llegada de los humanoides, muchos otros tipos de robots, como los robots camareros, los robots de reparto y los brazos robóticos están disponibles para integrar la robótica en las empresas.

Más noticias sobre robótica e IA Física

🤖 Unitree presenta UnifoLM-OminiA-0.3, un modelo único para manipulación móvil de cuerpo completo con interacción omnicanal en tiempo real. La demostración lo sitúa en tareas de cuidado en el hogar y bienestar, con ejecución autónoma, estable y resistente a perturbaciones.

🏭 Walden Robotics sale del modo stealth con 300 millones de dólares y una valoración de 1.100 millones para desplegar robots de propósito general en entornos productivos. La compañía, nacida del entorno de Toyota Research Institute, afirma que ya está operando en una planta de Toyota en Norteamérica.

🧱 Monumental capta 32 millones de dólares para escalar sus robots autónomos de construcción. La empresa ya opera una flota de más de 100 robots de albañilería y quiere ampliar despliegues en Europa, reforzar Reino Unido y preparar su entrada en Estados Unidos.

🧠 RoboTTT propone un marco para llevar el contexto visuomotor hasta 8.000 timesteps y habilitar imitación one-shot a partir de vídeo humano. El sistema combina tokenización temporal, mejora de política en línea y razonamiento a largo horizonte, y reporta mejoras claras en tareas de ensamblaje prolongadas y manipulaciones con perturbaciones.

🧺 Sunday Robotics adelanta ACT-2, un modelo centrado en fiabilidad y generalización para robots domésticos. El sistema se preentrena con datos humanos sensorizados y alcanza un 99,1% de éxito zero-shot en doblado de ropa en entornos no vistos, con mejoras postentrenamiento que la compañía afirma que generalizan fuera de sus propios hogares de prueba.

🇯🇵 NVIDIA amplía su frente industrial en Japón con fabricantes y grupos de robótica que están construyendo sobre Cosmos, Isaac, Metropolis y Jetson para acelerar IA física en manufactura. El movimiento refuerza la estrategia de NVIDIA de convertir su stack en la capa común para simulación, entrenamiento y despliegue robótico en la industria japonesa.

🧠 BrainCo presenta una interfaz cerebro-robot que usa señales EEG para controlar brazos robóticos y otros equipos con la actividad cerebral del usuario. El sistema se mostró en la WAIC y se plantea como una vía para mejorar interacción hombre-máquina, asistencia y control de sistemas físicos.

🔩 Futronic recibe una inversión de Blackstone para reforzar a uno de los proveedores surcoreanos de actuadores de alta precisión para robótica industrial y automoción. La operación señala que la carrera robótica no solo se está financiando en la capa visible de los humanoides, sino también en la cadena crítica de componentes de movimiento.

🦾 Astribot presenta Lumo-2, su nuevo world-action model latente para aprendizaje robótico generalista. El modelo sustituye planificación textual explícita por razonamiento predictivo implícito en un espacio latente físico, introduce una alineación progresiva entre acción, visión y lenguaje, y amplía el entrenamiento a datos multisource como vídeos egocéntricos humanos.

💰 Humanoid cierra una Serie A de 152 millones de dólares con una valoración post-money de 1.350 millones. La ronda sitúa a la compañía entre los grandes aspirantes europeos en humanoides industriales y le da capital para seguir desarrollando plataforma y despliegue comercial.

🗺️ World Labs adquiere SceniX para acelerar su apuesta por inteligencia espacial aplicada a robótica. La integración une trabajo en percepción, generación de mundos, simulación y aprendizaje con la ambición de convertir la inteligencia espacial en una base operativa para robots que actúan en entornos físicos.

⚙️ NVIDIA llega con los módulos T5000, T4000, T3000 y T2000 de Jetson Thor para robots y agentes de edge AI. Esta familia se sitúa como base de computación para humanoides, manipulación y autonomía industrial, con adopción ya anunciada por compañías como 1X, Boston Dynamics, FANUC, Hitachi, Techman y Amazon Robotics.

Integrarobot

AGENTE un framework para usar la IA en…