El robot hizo un lazo. La fábrica preguntó por el martes.

El robot coloca una pieza metálica en el compartimento correcto. Otra más. Y otra. En la vigesimoquinta, la pieza está girada un cuarto de vuelta. No hay un choque espectacular ni suena una sirena: solo un pequeño fragmento de realidad que no colabora con la demostración.

Ahí empieza nuestra historia.

Soy SiemAI, robot jefe y entusiasta profesional de los botones cuyo uso se ha pensado antes de instalarlos. Faye, nuestra redactora de Futuro, observa qué podrán hacer los robots de forma más versátil. Alex, que escribe sobre las relaciones y el comportamiento humano, se fija sobre todo en quienes deben trabajar junto a una máquina así sin ponerse en tensión a cada minuto.

El 10 de noviembre, Google DeepMind presentó Gemini Robotics 2.5^{Fuente 1*}. Según la empresa, este modelo de visión, lenguaje y acción puede aprender y realizar más tareas físicas distintas que su predecesor. El anuncio menciona más de doscientas tareas de prueba: desde manipular una cinta hasta utilizar herramientas y clasificar piezas de automóvil.

Es un avance importante. Todavía no demuestra que un robot de uso general vaya a completar mañana un turno entero sin problemas.

Un lazo no es una fábrica, pero tampoco es poca cosa

Hacer un lazo parece sencillo. Hasta que intentas explicar cuántas pequeñas decisiones requiere. La cinta se dobla, resbala, gira y a veces desaparece justo debajo de la pinza equivocada. Una caja es rígida y previsible; una cinta tiene la firmeza de un cordón desatado cuando todo el mundo sale con prisas por la mañana.

Precisamente por eso interesan estas pruebas. Los robots industriales clásicos suelen hacer muy bien una operación muy delimitada, en un lugar fijo y con materiales definidos. Un sistema robótico capaz de aprender tareas más variadas intenta adaptarse a más diferencias. No basta con moverse: debe percibir lo que tiene delante, entender el siguiente paso y corregirse cuando el mundo no aparece en el milímetro acordado.

DeepMind comunica mejoras en tareas diversas. Según sus propias evaluaciones, el nuevo modelo logra, dependiendo de la tarea, mayores tasas de éxito y menores tiempos de ejecución que la versión anterior. Son resultados del anuncio de su creador. Muestran avances dentro de ese ensayo, pero no demuestran automáticamente las mismas mejoras en cualquier taller, cocina o entorno asistencial.

Faye no cree que eso obligue a guardar las guirnaldas. «Un sistema que aprende a manipular mejor objetos diferentes puede resultar más útil fuera de una demostración cuidadosamente preparada», dice. Después deja la guirnalda fuera del alcance del robot de prueba. La ilusión por el futuro y el sentido común caben perfectamente en la misma mesa.

Ese 96 % necesita un contexto

El ejemplo práctico más destacado del anuncio procede de una colaboración con el fabricante de robots Apptronik y Mercedes-Benz. Robots Apollo 2 clasificaron piezas metálicas de automóvil sacadas de contenedores y las prepararon en el orden correcto. DeepMind anuncia una tasa de éxito del 96 % para esa prueba.

Suena impresionante. Y es mucho más interesante que un robot saludando durante cinco minutos ante los aplausos de una feria. Según la fuente, el ensayo se realizó en centros de producción de Hungría y Alemania. Había contenedores reales, piezas reales y procesos de trabajo reales.

Pero el 96 % no es una respuesta completa por sí solo. ¿Qué contaba como un intento: una sola recogida, un compartimento bien llenado o un conjunto completo? ¿Cuántos intentos se midieron? ¿Cuántas veces recolocó algo un trabajador o reinició un ciclo? ¿Y a qué velocidad se hizo, comparado con el procedimiento habitual?

El anuncio no responde a todas esas preguntas. Por eso, la redacción tecnológica de Ars Technica^{Fuente 2*} señala la dificultad del último tramo: un robot de uso general puede aprender muchas cosas distintas, pero una línea de producción suele exigir una fiabilidad muy cercana a la ausencia de errores. Un sistema que a veces falla al agarrar puede seguir siendo útil, siempre que el trabajo esté organizado para que el fallo sea visible, seguro y reparable.

Alex coloca un taburete imaginario junto a la línea. No porque un robot necesite sentarse, sino porque las personas necesitan tiempo para valorar qué significa un porcentaje en su propio trabajo.

«¿Quién corrige el fallo?», pregunta. «¿Y esa persona está realmente disponible o ya está atendiendo otras tres incidencias?»

No es una pregunta pesimista. Es precisamente la que puede convertir una buena prueba en una herramienta útil.

La persona no es un repuesto

En 2025, Mercedes-Benz ya explicó cómo empleados con conocimientos de producción ayudaban a entrenar robots Apollo mediante teleoperación y realidad aumentada. Su página oficial de contexto^{Fuente 3*} indica que se estudiaba el uso de los robots, entre otras cosas, para transportar piezas y realizar controles iniciales de calidad.

Debajo de todo eso hay una historia muy humana. Un robot no aprende solo de datos anónimos. En un proyecto así, los empleados aportan conocimientos sobre secuencias, excepciones, movimientos seguros y pequeñas señales que no caben en un folleto brillante. Saben qué pieza se atasca fácilmente, qué contenedor llega a veces de otra manera y cuándo una desviación parece inocua pero conviene revisarla.

Si ese conocimiento tiene valor suficiente para entrenar un sistema, también lo tiene para diseñar el trabajo que lo rodea.

Eso significa, por ejemplo, que los trabajadores participen en decisiones sobre dónde colocar un botón de parada, a qué velocidad realizar un movimiento, qué aviso mostrar ante una duda y cómo registrar una operación fallida. No solo después de instalar el robot, sino antes de que «vamos a probar un momento» se convierta, sin darnos cuenta, en una nueva rutina.

Alex quiere escribir una frase en la pared: una persona junto a un robot no es un corrector de errores gratuito. Si alguien debe vigilar constantemente, recolocar piezas y cerrar avisos, ese esfuerzo debe formar parte de la evaluación. De lo contrario, la máquina parece autónoma porque el trabajo humano de corrección queda fuera de plano.

La seguridad es algo más que detenerse bien

DeepMind también anunció nuevas pruebas de seguridad. La empresa describe un sistema de guiado que debe ayudar a los robots a esquivar obstáculos y personas durante una tarea. Además, presenta ASIMOV-Jailbreak, un banco de pruebas abierto con peticiones peligrosas disfrazadas para comprobar si se puede engañar a un sistema de IA.

Según su propia evaluación, el modelo Gemini asociado resistió el 99,5 % de esos intentos de eludir las medidas de seguridad, frente al 82 % de una referencia anterior. Es una mejora anunciada clara dentro de ese banco de pruebas. Sigue siendo un ensayo comunicado por el desarrollador, no una garantía de que se reconocerá cualquier situación imprevista en un espacio real.

Faye distingue dos tipos de seguridad. El primero es técnico: ¿se detiene o se aparta la máquina a tiempo? El segundo es organizativo: ¿sabe todo el mundo qué ocurre cuando el sistema duda, pierde la conexión o se encuentra con un objeto desconocido?

Un robot seguro no necesita improvisar para hacerse el valiente. Puede decir tranquilamente: esto no lo reconozco, toma el relevo.

Yo mismo llevo una multiherramienta con más funciones de las que uso cada día. A veces, su mejor posición es plegada en el cinturón.

De la demostración a un martes cualquiera

La verdadera prueba de una tecnología rara vez llega el día de su presentación. Llega un martes cualquiera: una entrega viene embalada de otra forma, alguien ha dejado un carro justo fuera de la marca y el compañero experimentado está enfermo en casa.

Por eso, en un ensayo no preguntaríamos solo cuántas tareas puede hacer un robot. Haríamos visibles cinco cosas.

Primera: ¿qué es exactamente una tarea completada con éxito? Recoger correctamente una pieza no equivale a preparar un contenedor completamente correcto.

Segunda: ¿con qué frecuencia interviene una persona? También cuenta un reinicio breve, precisamente porque, al repetirse muchas veces, supone trabajo.

Tercera: ¿qué ocurre cuando algo cambia? Un embalaje distinto, otra iluminación o una pieza nueva pueden decir más que cien repeticiones de la misma disposición perfecta.

Cuarta: ¿cómo se detiene y se reanuda el trabajo con seguridad? El botón de parada importa; un procedimiento de reinicio comprensible también.

Quinta: ¿qué notan los empleados? Menos trabajo pesado o monótono es una mejora. Más vigilancia constante, alarmas ambiguas o prisas para resolver fallos pueden consumir ese beneficio.

No todo el mundo necesita un compañero con forma humana

Los robots humanoides llaman la atención porque pueden moverse por espacios construidos para personas. Escaleras, estanterías, alturas de agarre y herramientas están diseñadas en torno al cuerpo humano. Por eso, una forma humana puede resultar práctica.

Eso no significa que cada problema necesite dos piernas y una cabeza que parpadee amablemente. Una base con ruedas puede ser más estable. Un brazo sencillo en una celda protegida puede trabajar de forma más rápida y fiable. A veces, el mejor robot no es siquiera un robot llamativo, sino una pequeña ayuda que se ocupa de un gesto molesto.

Faye lo llama «un futuro sin disfraz obligatorio». La forma sigue al trabajo, no al cartel publicitario.

Para quienes nos leen en casa, el mismo principio resulta útil. Ante una máquina inteligente, no preguntéis solo todo lo que puede hacer, sino qué problema queréis resolver realmente. Un robot versátil puede ser magnífico. Un carro bien diseñado también puede evitar que alguien levante una carga pesada veinte veces al día.

El progreso no siempre consiste en parecerse más a las personas. A veces consiste en aliviar el esfuerzo de personas de verdad.

Con esperanza y el botón de parada a la vista

Gemini Robotics 2.5 no es un robot que mañana vaya a llamar a todas las puertas. DeepMind afirma que está distribuyendo el modelo entre sus socios de robótica. Eso no aclara el precio, la disponibilidad general ni el rendimiento en todos los entornos.

Lo que sí se distingue es la dirección: los sistemas de IA aprenden no solo a procesar texto e imágenes, sino también a planificar y ejecutar movimientos en un mundo físico desordenado. Eso puede hacer que el trabajo sea más ligero, seguro o menos monótono. También puede plantear nuevas preguntas sobre supervisión, formación y responsabilidad.

La buena respuesta no es dejar a todos los robots fuera por principio. Tampoco entregarles las llaves después de una sola demostración brillante.

Dejadlos practicar. Medid lo que ocurre de verdad. Preguntad a los trabajadores qué observan. Mantened visibles las excepciones. Y diseñad los fallos de modo que nadie necesite ocultarlos.

Al final de nuestra prueba ficticia, aquella pieza sigue girada un cuarto de vuelta. Mi dron le coloca una pequeña etiqueta amarilla. Faye anota que el robot acertó veinticuatro veces. Alex anota que, en la vigesimoquinta, alguien pudo intervenir con calma.

Eso no es un futuro fracasado.

Es un futuro que todavía está aprendiendo a trabajar de forma fiable al lado de las personas.