Contenido detallado
📈 Tamaño y proyección: humanoides y robótica con IA
Las proyecciones varían enormemente porque el mercado está en formación. Goldman Sachs estimó ~US$ 38B solo en humanoides hasta 2035; las estimaciones más amplias de robótica con IA llegan a US$ 111B+ hasta 2030. Lo que importa no es la cifra exacta, sino el orden de magnitud y la dirección: decenas a cientos de miles de millones en una década.
📊 Lee las proyecciones con un escepticismo saludable
- US$ 111B+ — estimación amplia de la robótica con IA para 2030 (varía mucho según la metodología).
- ~US$ 38B — Goldman para humanoides hasta 2035, en el escenario base.
- TAM real — si se apunta al trabajo físico global, son billones; la pregunta es timing.
TAM
Mercado total direccionable.
CAGR
Tasa de crecimiento.
Goldman/BCG
Fuentes de proyección.
Timing
El factor más incierto.
🔗 Cadena de valor: chips, actuadores, modelos, datos
La cadena de valor tiene capas: silicio (NVIDIA, edge), actuadores y manos, foundation models, integradores e datos. Como en cualquier plataforma, el margen tiende a concentrarse donde hay una diferenciación defendible, y el consenso en 2026 es que datos de operación e modelos forman el moat, mientras el hardware se vuelve un commodity.
💡 Dónde está el moat
El hardware de los humanoides se está abaratando (Unitree lo demostró). Lo que no se convierte fácilmente en un producto básico es el data flywheel: quienes tienen robots en operación recopilan datos que mejoran el modelo, que vende más robots. La capa de datos/modelo es la que más se parece al software en cuanto a margen.
Value chain
Capas de valor.
Capas
Chip→actuador→modelo→dato.
Integradores
Captura al cliente final.
Ventaja competitiva basada en datos
Flywheel defendible.
💸 Players y financiación: PI, Figure, Skild, 1X, Covariant
El capital señala dónde apuesta el mercado. Physical Intelligence (π0/π0.5) recaudó rondas de financiación multimillonarias para un modelo fundacional de robótica; Figure e 1X en humanoides; Skild AI en un «cerebro» generalista; Covariant en la manipulación en almacenes. Las valoraciones de miles de millones para empresas sin ingresos indican convicción —y riesgo.
| Player | Enfoque | Apuesta |
|---|---|---|
| Physical Intelligence | Foundation VLA | π0/π0.5, flow matching, generalista |
| Figure | Humanoide | Helix System 1/2, enfoque industrial |
| 1X | Humanoide | NEO doméstico, teleoperación→autonomía |
| Skild AI | Cerebro generalista | Modelo foundation independiente del cuerpo |
| Covariant | Manipulación logística | RFM-1, picking en almacén |
Physical Intelligence
Foundation de robótica.
Figure / 1X
Humanoides a la cabeza.
Skild
Cerebro agnóstico.
Valuation
Miles de millones antes de los ingresos.
🏷️ Modelos de negocio: RaaS, licencia, datos
¿Cómo monetizar? Dominan tres modelos. RaaS (robot-as-a-service) cobra por hora o tarea, elimina el CapEx del cliente y alinea los ingresos con el valor entregado. Licenciamiento del modelo vende el cerebro a los OEM de hardware. Y la monetización de datos convierte la operación en un activo que retroalimenta el modelo.
RaaS — robot como servicio
El cliente paga por uso, no compra el robot. Reduce la barrera de adopción y crea ingresos recurrentes.
Licenciamiento del modelo
El modelo estilo NVIDIA: se venden el cerebro y las herramientas a quienes fabrican el cuerpo.
Ciclo de datos
Cada robot en campo genera datos que mejoran el modelo: una ventaja compuesta a lo largo del tiempo.
RaaS
Pagar por uso.
Licenciamiento
Cerebro para OEMs.
Ciclo de datos
Los datos se convierten en un activo.
Recurrencia
Receta predecible.
💼 Dónde están las vacantes/habilidades
El sector demanda perfiles que esta ruta mapea. Investigación en VLA (arquitecturas, entrenamiento), MLOps de robótica (deploy, monitoreo de flotas), integración (ROS2, hardware, seguridad) y ingeniería de datos de teleoperación (pipeline de recopilación) son los más solicitados. La ventaja competitiva está en combinar ML con ingeniería física.
✓ Habilidades en auge
- ✓PyTorch + entrenamiento de VLA, fine-tuning, sim-to-real.
- ✓MLOps de robótica: deploy en el edge, monitoreo de la flota.
- ✓ROS2 + integración de hardware y seguridad.
- ✓Ingeniería de datos de teleoperación y curación.
✗ Trampas profesionales
- ✗Solo teoría de ML, sin tocar nunca hardware real.
- ✗Ignorar la seguridad y la certificación: lo que frena los deploys.
- ✗Apostar por una sola empresa en un sector de alta rotación.
MLOps para robots
Implementación y monitoreo.
Ingeniería de datos
Pipeline de teleoperación.
Integración
ROS2, hardware, seguridad.
Investigación en VLA
Arquitecturas y entrenamiento.
⚠️ Riesgos: ciclo de hype, brecha sim-real, regulación
Leer los riesgos es tan estratégico como leer las oportunidades. El sector puede entrar en el valle de la desilusión del hype-cycle si las demos virales no se convierten en despliegues rentables. El gap sim-real residual, la regulación inmadura y la timing de adopción son los principales frenos. Quien invierte o construye una carrera necesita modelar el escenario pesimista.
⚡ La lección del ciclo de hype
Toda tecnología transformadora pasa por un pico de expectativas, un valle de desilusión y solo entonces una meseta de productividad. La robótica generalista está cerca del pico en 2026. Los ganadores serán quienes sobrevivan al valle —por lo general, quienes tienen ingresos reales, no solo demos.
📊 Los 4 riesgos que hay que modelar
- Ciclo de hype — expectativa anticipada de la entrega; corrección de valoraciones.
- Brecha sim-real residual — el último 10% de confiabilidad es el más costoso.
- Regulación — aún inmadura; la certificación puede retrasar el deploy (ver M3.6).
- Timing — demasiado pronto agota el efectivo; demasiado tarde hace perder la oportunidad.
Ciclo de hype
Pico → valle → meseta.
Valle de la desilusión
Filtro de los serios.
Timing
Demasiado pronto vs. demasiado tarde.
Regulación
Freno de adopción.
✅ Resumen del módulo
Próximo módulo
3.6 — Frontera 2026-2030: Scaling Laws, World Models, Certificación. Qué determina qué escenario se hace realidad.