Una ronda semilla de 10 millones de dólares liderada por Inovia Capital respalda a Physicl, una startup fundada por el ex responsable de Nfinite, con el objetivo de resolver uno de los cuellos de botella más costosos en el desarrollo de robótica: la generación de datos sintéticos con precisión física real.
El problema que Physicl busca atacar no es menor. Los modelos de inteligencia artificial física —aquellos que permiten a los robots interactuar con objetos y entornos del mundo real— dependen hoy de datos recopilados mediante video y sensores LIDAR, un proceso lento y de alto costo. La hipótesis de la compañía es que las simulaciones digitales construidas con fidelidad física pueden reemplazar o complementar esa recopilación de datos en campo, acelerando los ciclos de entrenamiento sin sacrificar precisión.
El producto y su posición en el mercado
Physicl prepara el lanzamiento de Studio, una plataforma que pondrá a disposición 10,000 entornos 3D y 100,000 activos configurables para generar escenarios de entrenamiento. Un caso de uso concreto: enseñar a un robot a identificar una taza en condiciones de desorden visual o iluminación variable, situaciones que los datasets de video convencionales rara vez cubren con suficiente densidad.
El mercado al que entra Physicl está fragmentado y en expansión. Múltiples startups compiten por proveer datos y herramientas para el desarrollo de modelos de robótica, lo que convierte la diferenciación técnica en el principal factor de ventaja. SpAItial, uno de los primeros clientes confirmados, utiliza la plataforma para mejorar la fidelidad de Echo-3, su herramienta de generación de simulaciones 3D a partir de imágenes 2D. Matthias Niessner, fundador de SpAItial, ha señalado públicamente la escasez de datos sintéticos de alta fidelidad como un freno para el avance del sector.
De la visualización comercial a la infraestructura de IA física
La trayectoria del fundador de Physicl es relevante para entender el enfoque técnico de la compañía. Durante años, desarrolló flujos de trabajo para convertir datos no estructurados en modelos 3D de alta fidelidad orientados al comercio electrónico. Cuando la IA generativa comenzó a desplazar ese nicho, identificó una brecha distinta: los modelos generativos carecen de comprensión espacial y de la capacidad de simular interacciones físicas con objetos.
Esa brecha es precisamente donde Physicl posiciona su propuesta. La ambición de largo plazo no es ser un repositorio estático de activos 3D, sino una plataforma de generación continua de datos sintéticos: los clientes podrían cargar imágenes propias y capturas LIDAR para producir representaciones de entornos específicos a escala, adaptadas a sus casos de uso en robótica.
Para las organizaciones que están evaluando inversiones en automatización física —manufactura, logística, servicios— la calidad de los datos de entrenamiento determina directamente el tiempo de despliegue y la tasa de error operativo de los robots. La infraestructura de simulación está dejando de ser un componente auxiliar para convertirse en un activo estratégico del stack de IA física.




