Fabricar cientos de robots humanoides por semana ya es una realidad operativa, pero la inteligencia artificial que los controla avanza a un ritmo distinto —y más lento— que las líneas de ensamblaje.

Tesla ha acelerado la producción de su robot humanoide Optimus hasta alcanzar varios cientos de unidades semanales en agosto, frente a las pocas decenas que se ensamblaban durante el segundo trimestre del año. El objetivo declarado es superar las 1,000 unidades por semana antes de cerrar 2026, lo que implica multiplicar por diez la capacidad actual en un período relativamente corto. Para lograrlo, la planta de Fremont, California, reconvirtió sus líneas de ensamblaje —antes dedicadas al Model S y Model X— para dar paso a la producción del humanoide.

Optimus Academy: datos antes que mercado

Las primeras unidades producidas no tienen destino comercial inmediato. Tesla las destina a lo que denomina internamente Optimus Academy, un entorno controlado diseñado para recopilar datos de funcionamiento real y afinar las capacidades del robot antes de escalar hacia una producción orientada al mercado. Esta decisión refleja una estrategia de maduración técnica que antepone la calidad del modelo de IA a la velocidad de comercialización.

El ensamblaje físico del robot presenta sus propios desafíos. Las manos y antebrazos de Optimus concentran más de 100 componentes y tornillos de pequeño tamaño que aún requieren intervención manual, lo que genera problemas de alineación en varias unidades que deben retirarse de la línea para corrección. Los fallos detectados en sensores táctiles llevaron al equipo de ingeniería a diseñar un guante sensorial reemplazable, que permite sustituir la capa dañada sin cambiar la mano completa —una solución de mantenimiento modular que reduce el costo de reparación en campo.

El problema real: generalización de tareas

Más allá de los retos de manufactura, el obstáculo estructural está en la capa de inteligencia artificial. Optimus ejecuta con precisión las tareas para las que fue entrenado, pero ante variaciones mínimas del entorno —un objeto en posición distinta, un peso diferente, un obstáculo imprevisto— el sistema puede tardar varios días en adaptarse. Enseñarle a mover una caja, por ejemplo, no es solo programar el movimiento de levantar: implica entrenar al robot con ejemplos físicos de cada variación posible de peso, posición y contexto.

Esta limitación en la generalización de tareas es el principal freno para la implementación de humanoides en entornos industriales reales. A diferencia de los modelos de lenguaje, que generalizan a partir de instrucciones abstractas, los sistemas de IA para control físico requieren datos de demostración corporal para cada nuevo escenario. Mientras esa brecha no se cierre, la escala de producción del hardware seguirá superando la madurez del software que lo opera.

Para las organizaciones que evalúan la automatización con robots humanoides, este desajuste entre capacidad de manufactura y capacidad cognitiva del sistema define el horizonte real de adopción: el hardware puede estar listo antes de que la IA sea suficientemente robusta para entornos no controlados.