Physicl, la startup de datos sintéticos, levanta US$10M

Physicl, la startup con sede en París, levantó US$10 millones en una ronda semilla liderada por Inovia Capital con participación de US Venture Partners, y presentó Studio, una plataforma que genera escenas 3D y datos sintéticos para que los investigadores detecten y corrijan debilidades en modelos de robótica e IA física. Para cualquier equipo que entrene sistemas que deben moverse e interpretar el mundo real, el mensaje es incómodo y útil a la vez: los datos que faltan no son los del montón, son los de los casos raros.

La compañía destinará los fondos a ampliar su equipo y seguir desarrollando la plataforma. Pero el anuncio importa menos por el monto —una semilla de US$10 millones es hoy una cifra modesta en el sector de IA— que por el problema que ataca: el paso de la demostración al despliegue real.

¿Qué hace Physicl con los datos sintéticos para IA física?

La tesis de la empresa es simple de enunciar y difícil de ejecutar. Un modelo puede desempeñarse bien en una demostración controlada y fallar cuando cambia un detalle del entorno. Alex de Vigan, fundador y CEO de Physicl, lo resume sin adornos: «Los modelos fallan en los casos límite. Cuando los investigadores encuentran esas debilidades, necesitan una forma de generar datos que las aborden específicamente y comprobar si el modelo mejora».

¿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 →

Los casos límite de la IA física son circunstancias inusuales: iluminación poco habitual, objetos que el modelo nunca vio, una disposición inesperada de elementos sobre una mesa. Recopilar datos de forma convencional no cubre de manera exhaustiva esas combinaciones, porque la cola larga de escenarios posibles es prácticamente infinita. Según Encord, proveedor de infraestructura de datos para IA física, el problema de fondo es que «no existe un internet de datos de IA física»: a diferencia de los modelos de lenguaje, que se entrenan con el texto disponible en la web, aquí los datos hay que recolectarlos, curarlos y validarlos, una operación muy costosa.

La propuesta de Physicl es invertir el orden: en lugar de juntar datos y esperar que cubran lo que hace falta, identificar primero dónde falla el modelo y generar después los ejemplos que atacan ese fallo puntual.

¿Cómo funciona Studio, la plataforma de escenas 3D?

Studio da acceso a 10.000 entornos 3D con verdad terrestre, más de 100.000 activos digitales y miles de millones de posibles variaciones de escenas, según la empresa. La verdad terrestre es la pieza clave del argumento: aporta una referencia conocida contra la cual comparar lo que el modelo debería reconocer o reconstruir, y eso permite medir la mejora en lugar de intuirla.

El flujo de trabajo que propone la plataforma encadena tres tareas:

Identificar la debilidad: el investigador elige un entorno ya disponible o describe la situación en la que su modelo tiene problemas.
Generar las variaciones: ajusta variables como iluminación, ángulos de cámara y ubicación de los objetos, y el sistema produce datos de entrenamiento para esas condiciones.
Medir el resultado: prueba si la siguiente versión del modelo se comporta mejor en el escenario que motivó el experimento.

El ejemplo que da TechCrunch es concreto: Studio podría generar datos para ayudar a un robot que confunde una taza sobre una mesada desordenada, o cuando la taza está en sombra. No es una colección de escenas bonitas, es una herramienta de post-entrenamiento dirigida a fallos específicos.

El caso SpAItial: cómo se mide la mejora de un modelo

La validación más citada por Physicl viene de SpAItial, que desarrolla modelos del mundo capaces de generar entornos 3D explorables. Según ambas empresas, el uso de datos generados por Physicl redujo en más de la mitad la tasa de error de reconstrucción de habitaciones reales de su modelo. Matthias Niessner, CEO de SpAItial y profesor de informática en la Universidad Técnica de Múnich, sostiene que Physicl da a los investigadores acceso a prácticamente cualquier dato de entrenamiento físico que puedan imaginar, y que eso cambia lo que un equipo pequeño puede construir en IA física.

Physicl afirma además que trabaja con laboratorios de IA como Meta, World Labs, Epic Games y SpAItial. Vale la pena leer esa lista con cautela: la información disponible no detalla el alcance de cada relación ni describe proyectos específicos para todos ellos. En un sector donde casi todos los proveedores anuncian logos parecidos, la diferencia se juega en si el cliente puede mostrar una métrica que mejoró.

¿Por qué el capital está fluyendo hacia la IA física?

Physicl entra en una categoría que se está poblando rápido. Según datos de Crunchbase, el financiamiento de venture capital a startups de robótica sumó US$9.900 millones en el tercer trimestre de 2026, más del doble de los US$4.300 millones del mismo trimestre de 2025, y el acumulado de los tres primeros trimestres del año crece cerca de 185% interanual. Por país, China concentra US$13.200 millones y Estados Unidos US$12.100 millones, con Alemania muy lejos, en US$1.700 millones.

Las rondas grandes marcan el tono: Skild AI levantó US$1.400 millones para su modelo fundacional de robótica y Neura Robotics otros US$1.400 millones, según Crunchbase. En el segmento de modelos del mundo, Veeda AI —fundada por la exinvestigadora de Nvidia Sanja Fidler— arrancó con una semilla de US$90 millones co-liderada por Khosla Ventures y Radical Ventures, según SiliconANGLE, medio que también reporta que Radical respaldó a World Labs (US$500 millones) y a Decart (US$300 millones).

De Vigan admite que el espacio es «muy joven y a veces muy borroso», con decenas de compañías recolectando, etiquetando o generando datos en distintas modalidades mientras los clientes buscan la receta que haga que los robots cumplan lo prometido. La apuesta de Physicl es no ser un proveedor de datos más, sino la herramienta con la que los equipos generan datos de forma continua.

El antecedente del fundador da contexto: de Vigan pasó una década construyendo nfinite, una plataforma para que marcas y retailers crearan modelos 3D de sus productos, negocio que la irrupción de los modelos generativos desplazó. Su lectura es que ese equipo construyó, sin saberlo, un flujo capaz de convertir información real desordenada en representaciones 3D de alta fidelidad, con geometría, materiales y física correctos. Recicló ese activo hacia un problema que la IA generativa todavía no resuelve.

Qué significa esto para tu startup

Si tu producto depende de que un modelo interprete el mundo físico —robótica, visión, inspección industrial, logística, incluso gemelos digitales— la lección de esta ronda es operativa antes que financiera.

Haz una auditoría de casos límite antes de comprar más datos. Antes de ampliar el dataset, lista 15 o 20 situaciones reales donde tu modelo falla hoy y ordénalas por impacto en el cliente. Esa lista es tu roadmap de datos, y es más valiosa que un dataset genérico más grande.
Separa pre-entrenamiento de post-entrenamiento. El argumento de Physicl es que cubrir toda la cola larga en pre-entrenamiento es inviable. Si tu modelo ya funciona en el 90% de los casos, el retorno marginal está en los escenarios específicos, no en más volumen.
Exige una métrica de referencia antes de escalar la simulación. La ventaja de la verdad terrestre es que permite comparar. Define la métrica de error con la que vas a juzgar la mejora —como hizo SpAItial con su tasa de error de reconstrucción— antes de generar datos, no después.
Evalúa el costo real de recolectar datos en el mundo físico. Teleoperar robots para capturar datos es caro y lento; TechCrunch señala justamente esa frustración como motor de la demanda de simulación. Para un equipo pequeño en LATAM o España, donde el acceso a hardware de prueba es más limitado, la simulación puede ser la vía más barata de iterar.
Vigila a los proveedores por tracción, no por logos. En un mercado con tantos jugadores nuevos, pregunta por casos con métricas publicadas y no por la lista de clientes.

Conclusión

Physicl no promete resolver el problema de anticipar todas las condiciones que un robot puede encontrar fuera del laboratorio, y conviene no leerlo así. Lo que ofrece es un método más acotado y verificable: convertir un fallo concreto en un escenario simulable, generar ejemplos para atacarlo y comprobar si el modelo mejora. Con US$10 millones de Inovia Capital y US Venture Partners y una categoría que creció 185% interanual según Crunchbase, la pregunta para los founders del ecosistema hispanohablante no es si la IA física llegará a su sector, sino si su equipo tiene forma de medir dónde está fallando su modelo hoy.