Standard Bots: la IA que enseña a robots industriales

¿Qué es Standard Bots y por qué importa su stack de IA?

Standard Bots se presenta como el mayor fabricante de robots industriales nativos de IA de Estados Unidos. La compañía cerró en junio de 2026 una Serie C de US$200 millones a una valoración de US$1.000 millones, liderada por RoboStrategy y General Catalyst, según su comunicado oficial. Entre sus clientes figuran NASA, Amazon, Lockheed Martin, Sunoco y el Ejército de EE.UU., además de cientos de fabricantes pequeños y medianos.

Para un founder, el dato relevante no es el cheque sino la arquitectura. En una conversación publicada por Latent Space con Evan Beard (cofundador y CEO) y Leif Jentoft (responsable de IA), la empresa explicó cómo entrena brazos robóticos para tareas como machine tending, soldadura y ensamblaje. Su enfoque contradice buena parte del manual que hoy se aplica a los agentes de software.

Un modelo base que se adapta con demostraciones, no con código

Standard Bots no entrena un modelo distinto para cada cliente. Tiene un modelo base compartido que cada fábrica adapta mediante demostraciones y ajuste fino. Para machine tending —alimentar máquinas con piezas— corre un sistema de percepción zero-shot: el operario le indica al robot qué piezas buscar y el modelo se encarga de localizarlas e identificarlas.

El resto del trabajo no lo hace la IA. El movimiento y la lógica de la celda siguen en programación convencional. Beard lo resume así: la compañía se concentra en tareas de horizonte corto, donde lo que importa es cumplir con el tiempo de ciclo y la fiabilidad de producción.

Esa división es la primera lección. El modelo no gobierna todo el flujo: gobierna la parte donde el aprendizaje aporta algo que las reglas no pueden capturar.

¿Por qué un modelo de pocos miles de millones de parámetros alcanza?

Beard señala que su modelo más grande está en el orden de los pocos miles de millones de parámetros, lejos de los estándares de un laboratorio de frontera. Jentoft lo justifica con una frase que vale para cualquier equipo de producto: "creemos que la calidad de los datos importa mucho más que el volumen bruto".

El backbone de su solución de machine tending se entrenó con más de mil millones de imágenes, lo que permite al robot distinguir condiciones de iluminación, tipos de material y un objeto de su fondo. Pero el ajuste fino no requiere datasets enormes: según Jentoft, una intervención in-situ puede corregir un caso borde con unas pocas docenas de ejemplos.

Es el mismo aprendizaje que Diogo Almeida, creador de Jev, describió como su "lección más amarga": la tarea correcta y los datos correctos pueden pesar más que el cómputo disponible.

Inferencia local: por qué la nube no siempre es la respuesta

El entrenamiento ocurre en la nube, pero la inferencia corre en el sitio, en GPUs de borde. Beard es directo sobre el motivo: la mayoría de las fábricas y almacenes no tienen internet confiable, y para un robot móvil la situación es peor. La disponibilidad es condición para que el cliente acepte el sistema, así que el bucle se queda local.

En la práctica, cámaras de muñeca y otros sensores envían píxeles y señales crudas por Ethernet gigabit interno, las GPUs de borde generan bloques de acciones (action chunks) y estos se transmiten al control de bajo nivel.

Hay un matiz que suele ignorarse en los debates sobre IA física: no basta con que el modelo sea inteligente. El despliegue ocurre bajo restricciones de seguridad, latencia, energía, costo y fiabilidad. Standard Bots controla el brazo, el efector final, el sistema de control y la IA, lo que le permite co-optimizar los modelos con las políticas de control. Jentoft afirma que ningún modelo actual es realmente agnóstico al hardware, y que esa co-optimización acelera tanto el rendimiento como la velocidad de iteración.

¿Cómo aprende un robot de sus propios errores?

La simulación ayuda, pero no cubre todo. Beard reconoce que tareas con líquidos, succión o corte de material flexible son difíciles de reproducir en los simuladores actuales. Por eso las demostraciones en el mundo real siguen siendo parte del proceso.

Sobre los fallos, Jentoft explica que capturan señales de error y correcciones humanas de los despliegues, y que el uso de esos datos depende del cliente. Muchos clientes de defensa operan en entornos air-gapped, donde nada vuelve. En el resto, el aprendizaje de flota aporta tanto valor a la propia aplicación del cliente que rara vez hay resistencia a contribuir datos a cambio de rendimiento.

StandardOS: el stack de robótica como plataforma

La compañía ya abrió su plataforma a desarrolladores externos con StandardOS, un conjunto de APIs y SDKs. Un equipo puede usar las partes del stack que necesite, incluso trayendo sus propios modelos: NVIDIA Cosmos, la familia abierta de modelos de mundo para IA física, es uno de los ejemplos que cita Beard.

Hoy eso exige escribir el código de integración a mano. El plan es que recolectar datos, entrenar modelos y desplegarlos en sus robots sea más simple. Para el ecosistema hispanohablante la señal es clara: la capa de software de la robótica industrial empieza a parecerse a una plataforma, con las oportunidades que eso abre para integradores y startups verticales.

¿Qué significa esto para tu startup?

Tres ideas que puedes aplicar aunque nunca toques un robot.

• Define el rol del modelo antes de elegir su tamaño. Standard Bots usa IA para percepción y deja el movimiento en código determinista. Pregúntate qué parte de tu producto realmente necesita aprender de datos y qué parte funciona mejor con reglas explícitas. Menos superficie de aprendizaje suele significar menos fallos inexplicables.
• Construye un canal para capturar correcciones humanas. Su ventaja no está en un dataset gigante, sino en convertir cada intervención de un operario en un ejemplo útil. Si tu producto tiene usuarios que corrigen al sistema, ese flujo es tu activo más valioso: instrumentarlo desde el día uno cuesta poco y compone con el tiempo.
• Decide la ubicación de la inferencia según la operación real, no por moda. Si tu cliente trabaja con conectividad intermitente o necesita latencia mínima, la nube no es una opción. Diseñar para el borde desde el principio evita reescribir la arquitectura después.

Conclusión

Standard Bots no es la empresa de robótica más llamativa del momento. Sus competidores humanoides levantan capital a valoraciones mucho mayores: Figure AI superó los US$1.000 millones levantados a una valoración de US$39.000 millones en septiembre de 2025 y Physical Intelligence recaudó US$400 millones a US$2.400 millones, según Tech Funding News. Pero Standard Bots ya tiene robots trabajando en plantas reales, con una plantilla de 122 personas, y una tesis incómoda para la industria: el foso competitivo no está en el modelo más grande, sino en los datos correctos, el despliegue fiable y el control del stack completo.

Para un founder, la traducción es simple. La calidad de los datos y la disciplina de alcance valen más que la carrera por el parámetro. Y eso aplica igual a un agente de software que a un brazo robótico.

Fuentes

• Latent Space (fuente original)
• The Next Web
• SiliconANGLE
• PR Newswire
• Tech Funding News