La frontera entre el procesamiento de datos y la interacción con la materia ha comenzado a desdibujarse en los pasillos del Mobile World Congress de 2026. Durante años, la inteligencia artificial se mantuvo confinada en entornos digitales, optimizando flujos de trabajo, redactando informes o generando imágenes estáticas. Sin embargo, la propuesta presentada por el centro tecnológico Eurecat este marzo en Barcelona desplaza el foco hacia la ejecución física. Se trata de un sistema robótico que no solo interpreta el lenguaje o reconoce objetos, sino que es capaz de aprender tareas complejas simplemente observando a un operario humano.
Esta evolución hacia lo que los analistas denominan inteligencia artificial física representa un cambio de paradigma en la automatización industrial y de servicios. El modelo desarrollado por Eurecat se aleja de la programación tradicional, basada en secuencias rígidas de código y coordenadas inalterables. En su lugar, utiliza un modelo de visión-lenguaje-acción (VLA) que permite al autómata procesar instrucciones en lenguaje natural y traducirlas en movimientos fluidos dentro de un entorno físico no controlado.
La diferencia fundamental reside en la capacidad de generalización. Mientras que un robot convencional requiere semanas de ajuste para modificar una trayectoria de escasos centímetros, este nuevo sistema asimila la lógica de la tarea. En el demostrador del congreso, el robot se encarga de reponer productos de cortesía en una habitación de hotel, una labor que implica manipular objetos de diferentes pesos, texturas y fragilidades. No hay una línea de código que le diga exactamente dónde está cada jabón o cada toalla; el sistema «entiende» la disposición del espacio tras ver cómo una persona realiza la acción un puñado de veces.
La integración de esta tecnología, según detalla Eurecat en su presentación oficial, busca resolver uno de los grandes cuellos de botella de la robótica actual: la escasez de datos. En el mundo digital, los modelos de lenguaje se nutren de billones de palabras disponibles en la red. En el mundo físico, los datos son caros, lentos de obtener y están sujetos a las leyes de la gravedad y la fricción. La capacidad de aprender con pocas demostraciones, lo que técnicamente se conoce como few-shot learning, es la pieza que faltaba para que la automatización deje de ser un privilegio de las grandes cadenas de montaje automovilístico.
Para el tejido empresarial español, compuesto mayoritariamente por pequeñas y medianas empresas, la barrera de entrada a la robótica ha sido históricamente el coste de integración y la necesidad de personal altamente especializado. El responsable de Robótica Cognitiva de Eurecat, Magí Dalmau, señala que el objetivo es democratizar este aprendizaje para que cualquier profesional pueda enseñar una nueva función al robot de forma intuitiva. Esta aproximación reduce drásticamente el tiempo de reconfiguración de las máquinas, un factor crítico en sectores donde la demanda es volátil o el producto cambia con frecuencia.
Sin embargo, el camino hacia una implantación masiva no está exento de fricciones. La inteligencia artificial generativa aplicada al movimiento físico conlleva riesgos de seguridad que no existen en un chatbot. Un error en la generación de un párrafo puede resultar en una frase incoherente; un error en la presión de una pinza robótica sobre un objeto o, peor aún, cerca de una persona, puede tener consecuencias materiales. Eurecat ha abordado este reto mediante estrategias híbridas que combinan la flexibilidad de la IA con capas de control de seguridad que garantizan un comportamiento fiable en entornos compartidos con humanos.
Néstor García, responsable de Manipulación Robótica en el centro tecnológico, destaca que el gran desafío actual es convertir la comprensión semántica en acciones físicas seguras. El sistema no solo debe reconocer que tiene un frasco de perfume en la pinza, sino que debe ajustar su fuerza, velocidad y aceleración en función de la fragilidad detectada visualmente. Es un proceso de razonamiento espacial que hasta hace poco se consideraba exclusivo de la intuición biológica.
La aplicación de estos sistemas trasciende el sector hotelero. En la agricultura, la capacidad de recolectar frutos de distintas formas y grados de madurez sin reprogramar el software abriría la puerta a una mecanización más selectiva. En el ámbito sanitario, el apoyo en la logística hospitalaria o incluso en la asistencia básica a pacientes podría liberar carga de trabajo en tareas de bajo valor añadido pero alta demanda física.
Aunque la tecnología se muestra funcional en el entorno controlado del Mobile World Congress, la verdadera prueba de fuego será su escalabilidad en entornos donde el desorden es la norma. Los modelos de visión-lenguaje-acción todavía deben demostrar su resiliencia ante cambios bruscos de iluminación, presencia de obstáculos imprevistos o la ambigüedad de las instrucciones humanas. La brecha de datos entre lo digital y lo físico sigue siendo el gran muro a derribar por los investigadores.
En contraste con las soluciones de robótica propietaria de grandes tecnológicas estadounidenses o asiáticas, el desarrollo de Eurecat subraya una apuesta por la soberanía tecnológica y la adaptabilidad local. Al utilizar vídeos de humanos como fuente de entrenamiento, se agiliza la transferencia de conocimiento del trabajador a la máquina, permitiendo que el saber hacer de un artesano o un operario especializado se traduzca en una rutina robótica sin pasar por un intérprete de software.
Este avance plantea una derivada estratégica para los directivos: la transición de una fuerza laboral que opera máquinas a una que las entrena. La productividad ya no dependerá únicamente de la velocidad del ciclo del robot, sino de la eficiencia con la que el personal humano sea capaz de transferir sus habilidades al sistema. La formación en esta nueva interacción hombre-máquina se perfila como la siguiente gran inversión necesaria en las plantas industriales y centros de servicios.
La presentación en Barcelona deja abierta una incógnita regulatoria y operativa que la industria europea deberá resolver a corto plazo. Si un robot aprende por observación, la propiedad intelectual de ese aprendizaje y la responsabilidad ante acciones imprevistas derivadas de una «mala observación» entran en un terreno legal aún por cartografiar. Mientras tanto, los brazos robóticos en el estand de Eurecat siguen ordenando estancias, repitiendo gestos que antes requerían miles de líneas de código y que ahora solo necesitan una mirada atenta.
Queda por ver si la velocidad de adopción en las empresas españolas seguirá el ritmo de la innovación presentada en la feria, o si los costes de hardware y la resistencia al cambio en los procesos operativos actuarán como un lastre para una tecnología que ya ha demostrado que el aprendizaje físico es una realidad técnica.
