💰 Mercado y oportunidades: $7.2B
El auge de la robótica inteligente, los actores que están dando forma al sector y las nuevas carreras que surgen para quienes dominan VLA. Desde el tamaño del mercado hasta tu plan para empezar.
Tamaño y proyección del mercado
De US$ 7.2B hoy a cientos de miles de millones en la próxima década: qué dicen las cifras y qué ocultan.
📊 El mercado en cifras
Se estima que el mercado de robótica habilitada por IA alcanza ~US$ 7.2 mil millones en la ventana actual, con una CAGR de dos dígitos altos que proyecta decenas de miles de millones hasta 2030. Goldman Sachs y Morgan Stanley llegan a estimaciones de cientos de miles de millones en la próxima década si los humanoides de uso general se vuelven viables. Las cifras varían mucho según el alcance: robótica industrial clásica vs. habilitada por IA vs. solo humanoides.
Toda automatización física posible: manufactura, logística, servicios, salud, agro. Las estimaciones alcanzan billones en 10–15 años.
Tareas que el VLA puede ejecutar hoy con confianza: picking, ensamblaje de bajo mix, cirugía asistida. Decenas de miles de millones hasta 2030.
Lo que los actores actuales pueden captar ahora, dados el capital, la madurez técnica y los ciclos de venta. Pocos miles de millones a corto plazo.
💡 Lee las premisas
Cada proyección de mercado tiene premisas ocultas: ¿qué tan rápido alcanzarán los humanoides un 90% de confiabilidad? ¿Cuál será el costo del hardware en 2028? Antes de citar US$ X mil millones, pregunta: cuál es el alcance, cuál es el CAGR supuesto y quién paga el informe.
Conceptos clave
Actores clave del ecosistema
Quiénes están construyendo el futuro de la robótica inteligente y en qué parte de la pila apuesta cada uno.
El ecosistema se divide en tres capas: fabricantes de hardware/humanoides, laboratorios de foundation models robóticos y proveedores de plataforma y compute. Entender quién ocupa cada capa revela dónde están las apuestas y dónde pueden surgir vacantes y alianzas.
Hardware / Humanoides
Humanoide de uso general. Alianza con BMW para la planta de producción. Fuerte en financiamiento de capital de riesgo.
Integración vertical total: hardware + IA + datos de flota. Meta: producción en masa a bajo costo.
Humanoides enfocados en la ergonomía y el trabajo colaborativo con personas en entornos industriales.
Foundation Models robóticos
Laboratorio fundado por exintegrantes de OpenAI/Google. Se enfoca en modelos fundacionales generalistas entrenados con grandes cantidades de datos de teleoperación.
Arquitectura cross-embodiment: un modelo para múltiples morfologías de robot. Creado por investigadores de CMU.
Plataforma y capacidad de cómputo
Simulación (Isaac Sim), generación de datos sintéticos y foundation model GR00T. NVIDIA es el "picks and shovels" de la robótica.
Plataforma de código abierto: conjuntos de datos, modelos y código para investigar políticas VLA con hardware accesible.
🗺️ Integración vertical frente a especialización
Tesla apuesta por la integración vertical (hardware + modelo + datos de flota). Physical Intelligence apuesta por la especialización: vender el foundation model a quienes quieran construir hardware sobre él. La historia de la tecnología sugiere que la capa del modelo tiende a captar más valor a largo plazo, como ocurrió con Android frente a los fabricantes de celulares.
Dinámica de inversión y VC
Hacia dónde se dirige el capital de riesgo y qué indica sobre el futuro del sector.
2024 — El año de las mega rondas
Figure recauda US$ 675M con una valoración de US$ 2.6B, con Microsoft, OpenAI, NVIDIA y Jeff Bezos como inversionistas. Physical Intelligence recauda US$ 400M. La señal: entra con fuerza capital estratégico (no solo financiero).
Gigantes tecnológicos participan como inversionistas estratégicos — quieren acceso a la tecnología, no solo retorno financiero.
2025–2026 — La carrera por el modelo fundacional robótico
El capital busca a quien resuelva primero el cuello de botella de los datos y la generalización. La tesis: el primer foundation model generalista para robótica captura una posición de plataforma difícil de disputar.
En paralelo con los LLM: quienes entrenaron primero con los conjuntos de datos más grandes crearon una ventaja de red que se refuerza a sí misma.
2028+ — Consolidación prevista
El historial tecnológico (cloud, mobile, LLMs) sugiere que los actores con más datos y mayor escala de despliegue tenderán a consolidarse. Las empresas más pequeñas sin productos en producción enfrentarán presión sobre su burn rate.
Probables fusiones y adquisiciones: grandes actores comprando laboratorios de modelos o empresas con datasets únicos.
✓ Señales positivas en el mercado
- ✓El capital estratégico (NVIDIA, Microsoft) valida la tesis técnica
- ✓Clientes que pagan (BMW, Amazon) — ingresos reales, no solo demos
- ✓El open-source activo (LeRobot, Open X) acelera la investigación
- ✓Hardware con precios a la baja: sensores, actuadores y capacidad de cómputo
✗ Riesgos y señales de alerta
- ✗Burn rate alto sin ingresos recurrentes — riesgo de "demo-ware"
- ✗Ciclos de venta B2B largos: los pilotos se convierten en ingresos en 2–4 años
- ✗El hype infla las valuaciones: compara con la tracción real
- ✗Dependencia de cómputo costoso: margen presionado al inicio
Conceptos clave
Carreras emergentes en robótica VLA
Nuevos roles que están surgiendo y cómo contribuye cada uno al ciclo de entrenamiento y deploy de políticas.
La robótica VLA creó puestos que no existían hace 3 años. Muchos combinan habilidades de ML con ingeniería física: un perfil híbrido por el que el mercado paga una prima. Entender cada rol ayuda a trazar tu trayectoria y armar un portafolio enfocado.
Ingeniero de ML en robótica
Entrena políticas VLA: se encarga del pipeline de datos de teleoperación, ajusta arquitecturas (diffusion policy, ACT), evalúa en simulación y valida en el robot físico. Requiere PyTorch + ROS2 + conocimientos de control.
Ingeniero de simulación
Construye entornos virtuales y domain randomization para generar datos sintéticos a escala. Usa Isaac Sim, MuJoCo o Genesis. Es fundamental para reducir el costo de recopilar datos en el mundo físico.
Teleoperador de datos / Data Teleoperator
Recopila demostraciones humanas de alta calidad mediante teleoperación — el combustible del imitation learning. Es un puesto de entrada, pero con un impacto enorme: datos malos = políticas malas. Portales como LeRobot abren el acceso a hardware económico para esta función.
Ingeniero de despliegue robótico / de campo
Garantiza que la política entrenada funcione en el entorno del cliente: calibra sensores, adapta el pipeline sim-to-real, monitorea fallas en producción y cierra el ciclo de retroalimentación para el reentrenamiento. Combina ingeniería de sistemas con MLOps.
🎯 Los perfiles híbridos son el premio
El profesional que entiende tanto de ML como de control y hardware físico es poco común y recibe muy buena remuneración. Si vienes del software, aprende cinemática y control. Si vienes de la mecánica, aprende PyTorch e imitation learning. El valor está en la intersección.
Habilidades demandadas por el mercado
Lo que realmente piden las vacantes de robótica VLA y lo que distingue a los candidatos comunes de los contratados.
✓ Skills que pide el mercado
- ✓PyTorch con fluidez — entrenar y depurar políticas de vanguardia
- ✓Diffusion Policies y ACT — arquitecturas dominantes hoy
- ✓ROS2 — middleware estándar de robótica
- ✓Isaac Sim / MuJoCo — simulación para la generación de datos
- ✓Cinemática y control básico — entender el hardware
✗ Errores comunes en el estudio
- ✗Centrarse solo en la teoría, sin un proyecto práctico con hardware
- ✗Ignorar el pipeline de datos — la mayoría de los bugs está aquí
- ✗Saltar entre frameworks sin profundizar en ninguno
- ✗No publiques proyectos: un portafolio visible es decisivo
- ✗Esperar a dominarlo todo antes de contribuir al código abierto
Conceptos clave
Oportunidades para quienes empiezan
La barrera de entrada nunca había sido tan baja. Cómo crear un portafolio real sin un laboratorio costoso.
Las personas principiantes tienen acceso sin precedentes a recursos open-source. El ecosistema abierto de robótica VLA —datasets públicos, modelos preentrenados y hardware barato— crea un camino concreto para entrar en el área, incluso sin credenciales formales ni equipos de laboratorio.
Empieza con LeRobot (Hugging Face)
LeRobot ofrece datasets seleccionados, modelos preentrenados y código de entrenamiento listo para usar. Puedes reproducir papers y entrenar políticas en tu computadora sin necesitar un robot físico al principio. Hoy es el punto de entrada más accesible.
Usa Open X-Embodiment
Open X-Embodiment es un dataset con más de 1 millón de trayectorias de robots reales de decenas de laboratorios. Explorar y entrenar con él te da acceso a datos de calidad de investigación sin costo de recopilación.
Hardware accesible: SO-ARM100 y similares
Brazos robóticos DIY como SO-ARM100 cuestan menos de US$ 300 y son compatibles con LeRobot. Tener hardware físico cambia el nivel de aprendizaje: te enfrentas en la práctica a errores de calibración, latencia y sim-to-real.
Portafolio público y contribución al código abierto
Reproduce un paper, documenta tu proceso y publícalo en GitHub. Abre un PR en LeRobot. Escribe sobre lo que aprendiste. La visibilidad técnica pública sustituye las credenciales formales al evaluar candidatos en startups de robótica.
🚀 La ventana de oportunidad está abierta ahora
En áreas maduras como la visión computacional tradicional, la comunidad es enorme y es difícil destacar. La robótica VLA todavía es lo suficientemente pequeña como para que se note una contribución genuina. Entrar ahora, incluso como principiante, significa crecer junto con el área y ser un veterano cuando el mercado sea 10× más grande.
Conceptos clave
✅ Resumen del módulo
Siguiente módulo
3.6 — Hoja de ruta 2027-2030: El futuro de la IA incorporada