Intel: 67% confía en robots, solo 40% tiene estrategia

El 67% confía en trabajar con robots, pero solo el 40% tiene un plan escrito

John Healy, vicepresidente y gerente general de Industrial and Robotics en Intel, resume el problema con una cifra que debería incomodar a cualquier founder industrial: en una encuesta de Intel a unos 800 representantes de múltiples regiones e industrias, el 67% de los líderes se mostró confiado en que sabrá gestionar una fuerza laboral mixta de humanos y robots, pero solo el 40% tenía una estrategia real, escrita y en ejecución, para integrarla.

La brecha entre ambición y preparación no es un problema de presupuesto. Es un problema de arquitectura, de habilidades y de costos que nadie calculó. Y en la conversación con VentureBeat, Healy desglosa exactamente dónde se rompe ese puente entre el piloto que funciona en el laboratorio y los 100 robots que tienen que operar un turno completo sin supervisión.

¿Cuáles son las cinco áreas que frenan el despliegue de IA física?

Intel destiló la brecha en cinco frentes, todas palabras que en inglés empiezan con S, y cada una tiene consecuencias directas sobre cómo se arma el proyecto:

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

Estrategia. No se trata de comprar un robot, sino de responder qué implica integrar automatización con la plantilla actual. La mayoría de las empresas no ha pensado las implicancias de forma estructurada.
Habilidades. Hay que crear roles nuevos y, sobre todo, modificar los que ya existen: quien hoy gestiona operaciones pasa a gestionar una flota de máquinas.
Seguridad. Que el robot sea seguro en despliegue, no en demo. Es el punto donde muchas iniciativas se detienen cuando llega el área legal.
Forma (shape). Qué tipo de robot se necesita para esa función: un humanoide, un robot móvil autónomo (AMR) o un manipulador, o una combinación.
Escala. El salto de cinco robots a cincuenta o cien exige que la industria provea soporte de otro nivel. Y ahí es donde aparece el problema que casi nadie presupuesta.

¿Cómo se ve un despliegue real de IA física en una fábrica?

Healy usa el ejemplo de los cobots (robots colaborativos) para mostrar la arquitectura de tres capas que hoy funciona en producción: el robot sostiene una pieza o una placa de circuito mientras un operario humano coloca componentes de precisión, y al final retira el producto terminado.

Lo relevante para quien decide no es el robot, sino lo que ocurre detrás:

En el robot corre inteligencia local: sensores que interpretan el entorno y un modelo que hace inferencia para responder a los cambios en tiempo real.
Detrás del robot, dentro de la planta, hay un servidor de gestión y supervisión que coordina la flota y recolecta los datos capturados. Con la operación detenida o más lenta, típicamente de noche, ese servidor local hace fine-tuning de los modelos que corren en los robots para que al día siguiente lleguen con aprendizaje nuevo.
En la nube se hace el entrenamiento del modelo base con grandes volúmenes de datos, para ampliar las aplicaciones que puede soportar.

Esa división no es un detalle técnico: es una decisión de arquitectura y de presupuesto que define si el proyecto escala o se queda en piloto.

¿Por qué la inferencia en el dispositivo decide la cuenta de resultados?

Healy es directo con el argumento de latencia: no puedes esperar que un robot detecte un riesgo, lo envíe a la nube, reciba una instrucción y recién entonces se adapte. Menos aún en un entorno con personas alrededor. Por eso la computación que responde tiene que correr en el dispositivo.

El segundo argumento es el costo, y es el que más duele al escalar. Los primeros despliegues, los que se prueban en el laboratorio, dependen fuertemente de la nube y tienen poca infraestructura local. Cuando la empresa pasa de unos pocos robots a decenas o cientos, necesita construir más infraestructura propia: servidores de gestión de flota en la planta y capacidad de cómputo en el robot mismo.

Ahí está el punto de inflexión. La respuesta de Intel es la heterogeneidad en el robot: con su procesador Core Ultra, Healy dice que se puede hacer control en tiempo real, inferencia (la manipulación por IA) y gestión del movimiento y la articulación en la misma plataforma. Para quien está sumando robots, consolidar eso en un solo equipo es una ventaja de costo directa.

¿Conviene un humanoide o una forma híbrida?

La posición de Healy es pragmática: el humanoide empuja los límites de la tecnología —si funciona ahí, todo lo demás se vuelve más simple— pero la forma debe diseñarse alrededor de la tarea, no de la estética.

Sus ejemplos son los que conviene anotar antes de licitar:

En lugar de dos brazos, cuatro u ocho si se necesita manipular más cosas a la vez: «dos brazos es un límite humano, cuatro brazos es un robot», dice.
Un manipulador sobre una base móvil estable (AMR) permite batería más grande, más potencia, menos riesgo de volcarse con carga y conserva la destreza que se asocia al humanoide. Para Healy, es la dirección más probable del mercado.
Cámaras al final de cada extremidad, en lugar de dos cámaras donde irían los ojos, para tener una vista tridimensional en detalle del objeto que se manipula.
Cuadrúpedos para patrullaje perimetral y vigilancia: navegan mejor que un dispositivo de ruedas en terreno interior y exterior. Intel los usa en sus propias instalaciones.

¿Qué está pasando realmente en el mercado industrial?

La conversación de Intel se entiende mejor con evidencia de despliegue. Según TechRepublic (artículo original de eWEEK), GXO y Agility Robotics anunciaron el 26 de octubre planes de expandir sus despliegues de robots humanoides a dos instalaciones adicionales en Estados Unidos a principios de 2027, y la compañía reporta más de 65.000 horas de operación real acumuladas y más de 100.000 totes movidos por su robot Digit en un almacén de Georgia.

El caso más medido en manufactura es el de Figure AI en BMW: según cifras de producción de BMW difundidas en febrero de 2026, durante un piloto de unos diez meses en Spartanburg, los robots Figure 02 manipularon más de 90.000 componentes de chapa metálica, acumularon cerca de 1.250 horas de operación y acompañaron la producción de más de 30.000 vehículos X3. BMW lo describe como un piloto, no como despliegue permanente.

Tesla, según su actualización accionarial del tercer trimestre de 2026 presentada el 21 de octubre, reporta una rampa temprana de producción de Optimus en Fremont y apunta a entregas a empresas externas hacia fines de 2027. Ars Technica documentó que la fábrica de Fremont dejó de producir los Model S y Model X en mayo de 2026 y que la producción de Optimus se habría escalado a cientos de unidades por semana, con un objetivo superior a 1.000 robots por semana para el cierre de 2026.

En China, UBTech reportó ventas de 921 unidades de su negocio de humanoides de tamaño completo en el primer semestre de 2026, con ingresos de segmento de aproximadamente 590,3 millones de yuanes, según sus resultados intermedios presentados a la Bolsa de Hong Kong el 28 de agosto. La cifra abarca varias líneas de producto, no solo robots industriales.

El capital también se movió: según MemeBurn, Figure AI alcanzó una valoración privada de aproximadamente US$39.000 millones tras su Serie C de septiembre de 2025 reportada por Reuters, y Apptronik amplió su Serie A a más de US$935 millones en febrero de 2026, con reportes de una valoración superior a US$5.500 millones.

¿Qué significa esto para tu startup?

Si estás evaluando IA física para tu operación —o vendiéndola— el mensaje central es que el costo del robot no es el costo del proyecto. La infraestructura local, el fine-tuning nocturno y la gestión de flota son partidas que aparecen recién cuando pasas de cinco a cincuenta unidades.

Primera acción: escribe la estrategia antes de cotizar el hardware. Un documento de una página que responda qué función automatizas, qué rol humano cambia, quién supervisa la flota y qué pasa si el robot falla un martes a las 3 de la mañana. Si no puedes escribirlo, no estás en el 40% que sí tiene plan.

Segunda acción: calcula el punto de cruce cloud-local. Modela el costo de inferencia en la nube por robot-mes y compáralo con el costo de un servidor de gestión en planta más cómputo a bordo. Ese cálculo define a partir de cuántos robots conviene invertir en infraestructura propia.

Tercera acción: elige la forma por la tarea y pide métricas, no demos. Antes de firmar un piloto, exige horas de operación documentadas, tasa de tareas completadas sin intervención humana, frecuencia de supervisión requerida y costo total de operación. Es el criterio que separa un video de YouTube de un activo productivo.

Conclusión

La IA física ya no se discute en términos de si los robots llegan a la planta, sino de cuándo y a qué costo. El dato de Intel —67% de confianza contra 40% de preparación— describe el cuello de botella real: no falta entusiasmo, falta arquitectura. Quien resuelva la latencia, el costo de inferencia y la gestión de flota antes de escalar tendrá una ventaja que no se compra en la siguiente ronda de financiación.