Physicl: US$10M para simular mundos de robots

Physicl: de renderizar productos a entrenar robots

Physicl levanto US$10 millones en una ronda seed liderada por Inovia Capital, segun reporto TechCrunch. La startup no arranca de cero: su fundador y CEO, Alex de Vigan, paso la ultima decada construyendo nfinite, una plataforma que ayudaba a marcas y retailers a crear modelos 3D de sus productos para venderlos online.

El giro tiene logica. Los modelos de IA generativa se comieron buena parte del negocio de renderizado de producto de nfinite, pero de Vigan detecto el hueco: lo que su equipo hacia de forma unica en 3D, la IA lo iba a reemplazar, y sin embargo faltaba algo en la IA, su capacidad de entender, interactuar y manipular el espacio y los objetos, segun declaro a TechCrunch.

Traducido a lenguaje de negocio: el pipeline que su equipo construyo para convertir informacion del mundo real desordenada, incompleta y heterogenea en representaciones fisicas de alta fidelidad, con geometria, materiales y fisica correctos, ahora se vende como infraestructura de entrenamiento para robots.

Leíste lo que hace la IA. ¿Y en tu negocio?

Un agente de IA puede quedarse con parte de tu día: ordenar lo pendiente y pedirte el OK antes de actuar. El Kit «tu mano derecha con IA» trae un video de 11 minutos y una ficha para dejar al tuyo trabajando. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

El problema: no existe un internet de datos fisicos

Los equipos que desarrollan modelos de IA fisica chocan con dos paredes. Entrenar con video da retornos pobres. Y recolectar datos por teleoperacion es carisimo.

La simulacion aparece como la salida obvia, pero hay un detalle incomodo: lograr que el mundo simulado respete la fisica real es dificil. Ulrik Stig Hansen, co-CEO de Encord, lo resumio en un evento de Crunchbase News: la IA fisica es muy distinta porque no existe un internet de datos de IA fisica, asi que los datos primero hay que recolectarlos y convertirlos de tokens de sensor a tokens de accion.

Hansen agrego que los datasets de IA fisica son ordenes de magnitud mas grandes que los de lenguaje, porque combinan vision, tacto, fuerza y torque. Almacenar, curar, enriquecer y validar todo eso, dijo, es una operacion muy costosa. Ahi es exactamente donde Physicl quiere pararse.

Studio: 10.000 entornos 3D y 100.000 activos

El primer producto es Studio, que llega con 10.000 entornos 3D y 100.000 activos que representan objetos de todo tipo. El usuario arma escenas para generar datos sinteticos y entrenar robots en problemas puntuales.

El caso de uso que da la fuente es concreto: un robot que no distingue una taza sobre una mesada desordenada, o cuando la taza queda en sombra. Studio genera los datos de entrenamiento para ese escenario especifico.

El foco declarado es el post-training sobre edge cases dificiles, no el pre-training masivo. Es una decision estrategica interesante: en lugar de competir por el dataset gigante, apunta al ajuste fino, que es donde los modelos fallan y donde el cliente paga por resolver el dolor.

SpAItial, un constructor de world models, fue cliente temprano. Su CEO y fundador, Matthias Niessner, tambien profesor de robotica en la Universidad Tecnica de Munich, explico a TechCrunch que el verdadero desafio es que los datos hay que curarlos a mano y ese es un ciclo muy largo. Lo que le resulta atractivo es poder hacerlo sobre la marcha: un agente que detecta que necesita mas datos de un caso durante el entrenamiento y los autogenera segun el estado del modelo. El ultimo producto de SpAItial, Echo-3, se lanzo la semana pasada.

De Vigan no se conforma con ser proveedor de datos. Quiere ser el tooling de generacion continua: imagina clientes trayendo billones de imagenes o millones de horas de captura LIDAR para convertirlas en representaciones 3D de alta calidad y generar miles de millones de permutaciones con las que entrenar sus modelos.

Un sector que ya mueve US$9.900M por trimestre

El contexto justifica la ronda. Segun datos de Crunchbase, el funding global a startups de robotica llego a US$9.900 millones en el tercer trimestre de 2026, mas del doble de los US$4.300 millones del mismo trimestre de 2025. En lo que va de 2026, el financiamiento al sector crecio alrededor de 185% interanual.

El reparto esta concentrado. China acumula US$13.200 millones y Estados Unidos US$12.100 millones, mientras Alemania, tercero en la lista, queda lejos con US$1.700 millones. Entre las rondas grandes del ano, Crunchbase registra US$900 millones para Xpeng Robotics, una Serie C de US$736 millones para AI2 Robotics y US$1.400 millones para Skild AI por su modelo fundacional Skild Brain.

El propio de Vigan admite que el espacio esta abarrotado: lo describe como muy joven y a veces muy difuso. Hay companias recolectando, etiquetando y generando datos en distintas modalidades mientras los clientes buscan la receta que haga que los robots cumplan su promesa.

No es la primera vez que de Vigan atraviesa esta transicion. En un articulo de Forbes de 2025, cuando todavia era CEO de nfinite, describia como uno de los tres mayores retailers de Estados Unidos reemplazo registros de producto en 2D por modelos 3D con metadata semantica y reporto una reduccion del 41% en errores de auto-checkout. El argumento que hoy aplica a robots lo aplicaba entonces al retail: si un producto esta mal medido, las decisiones de la IA fallan.

Que significa esto para tu startup

1. El cuello de botella se movio del modelo al dato. Si estas construyendo con IA, la pregunta ya no es que modelo usas, sino de donde sacas los datos que ese modelo necesita para funcionar en tu caso de uso. Physicl no vende un modelo mejor: vende la materia prima. Ese es un negocio con menos riesgo tecnologico y mas defensa, porque el dataset propietario no se copia con un fork.

2. Audita tus activos internos antes de pivotar. El movimiento de nfinite es un caso de estudio: un stack construido para renderizar productos de e-commerce se reciclo como infraestructura para robots. Antes de levantar capital para construir algo nuevo, revisa que capacidades ya tienes y para que otro mercado sirven. El pivote no fue de cero, fue de reencuadre.

3. Vende a los builders, no al usuario final. El cliente de Physicl no es una fabrica que quiere automatizar una linea, es otra empresa de IA que necesita datos para entrenar. Son ciclos de venta distintos, tickets distintos y una relacion mas tecnica. Si tu producto es infraestructura, tu go-to-market tiene que hablar el idioma del equipo de research del cliente, no el del comprador de operaciones.

4. Los edge cases son un nicho pagable. En lugar de pelear por el dataset general, Physicl se enfoco en el post-training de casos dificiles. Ese patron se repite en casi todo el software B2B: el dinero esta en el problema especifico que el cliente no puede resolver solo, no en la plataforma generica.

5. Mira el mercado, no solo la ronda. Una seed de US$10 millones en un sector que mueve casi US$10.000 millones por trimestre suena pequena, y lo es. Eso tambien es una senal: los cheques grandes se los llevan los constructores de modelos y hardware, mientras la capa de datos y tooling todavia se financia con tickets de seed. Para un founder hispanohablante sin acceso a capital de riesgo profundo, esa capa intermedia es probablemente el punto de entrada mas realista al sector.

Conclusion

Physicl apuesta a que el proximo cuello de botella de la robotica no es el modelo ni el hardware, sino la calidad de los mundos donde esos modelos se entrenan. Con US$10 millones de Inovia Capital, un producto ya en el mercado y un cliente temprano como SpAItial, la compania tiene lo minimo para probar la hipotesis. El riesgo es el de siempre en una categoria joven y difusa: que el mercado se consolide antes de que la capa de datos defina quien manda.