La apuesta que divide a la robótica
Hay un debate silencioso, pero cada vez más acalorado, que moldea hacia dónde van miles de millones de dólares en inversión: ¿cuándo tendrá la robótica su "momento ChatGPT"? La respuesta de quien estuvo dentro de la fábrica de hardware de inteligencia artificial más grande del mundo no es nada optimista — y pone en jaque la tesis que ha atraído inversores del sector.
Amulya Vishwanath, que pasó siete años liderando el marketing de productos de robótica de Nvidia y ahora es fundadora y gestora de Techable VC, firmó posición en entrevista con el podcast Equity de TechCrunch: la robótica está lejos de su momento ChatGPT. Según ella, el sector aún está en una "era del Lego", donde los bloques fundamentales — actuadores, manos robóticas, software y estándares de seguridad — se están reconstruyendo pieza por pieza, en lugar de integrarse en una plataforma unificada.
La afirmación puede parecer un freno al entusiasmo, pero tiene un peso específico. Vishwanath no es una observadora externa haciendo especulación teórica. Fueron siete años dentro de Nvidia, trabajando lado a lado con Jensen Huang, Dr. Deepu Talla, Ian Buck y investigadores clave, viendo de cerca qué partes del stack de robótica los clientes empresariales realmente enfrentaban al intentar integrar.
Qué significa la 'era del Lego' en la práctica
La analogía de Vishwanath es reveladora porque describe exactamente la situación actual del sector: cada startup de robótica está construyendo su propia solución para problemas que, en otros sectores de tecnología, ya fueron resueltos por plataformas estandarizadas. Cuando Nvidia lanzó CUDA, los desarrolladores no tuvieron que reinventar el motor de computación acelerada — pudieron enfocarse en qué hacer con las GPUs, no en cómo hacer funcionar las GPUs.
En robótica, eso aún no ocurrió. Actuadores eficientes aún son piezas de nicho. Manos robóticas con destreza suficiente para manipular objetos variados existen solo en laboratorios y prototipos de alto costo. Estándares de seguridad para interacción humano-robótica varían según la región y el sector, y no hay un framework universal que permita a cualquier fabricante certificar su producto para uso en entornos compartidos.
"Cada startup de robótica está armando su propio Lego", explicó Vishwanath en el podcast. "En lugar de conectar módulos listos, cada equipo necesita diseñar sus propios actuadores, su propio sistema de percepción, su propio software de control. Eso hace cada solución cara, lenta de iterar y difícil de escalar."
Esta fragmentación es especialmente relevante porque Nvidia, irónicamente, está intentando hacer para la robótica exactamente lo que hizo con CUDA: crear una plataforma alrededor de la cual se organice todo el ecosistema. Sus inversiones en Halos for Robotics, Isaac Lab y Cosmos son intentos de proporcionar los bloques de Lego — simulación, seguridad, simulación física — para que las startups dejen de reinventar la rueda.
El debate: modelo general vs. piezas especializadas
La tesis de Vishwanath choca directamente con una visión alternativa que también ganó tracción entre inversores. Pim de Witte, CEO de la General Intuition, argumentó en el mismo podcast Equity que un único modelo de fundación general haría obsoleta buena parte del trabajo especializado en robótica — y sería, de hecho, el momento ChatGPT del sector.
La diferencia entre las dos visiones es fundamental y define hacia dónde debería ir el dinero. Si Vishwanath tiene razón, las startups más prometedoras son las que resuelven capas específicas del stack: actuadores mejores, percepción más barata, certificación de seguridad más rápida. Si de Witte tiene razón, esas apuestas especializadas se volverán commodity cuando un modelo de propósito general madure, de la misma forma que las startups especializadas de NLP fueron comprimidas cuando los grandes modelos de lenguaje maduros surgieron.
Lo que hace este debate tan importante es que la industria está apostando en ambas direcciones al mismo tiempo. Fondos de venture están financiando tanto startups de modelos generales como de hardware especializado. Y eso crea un riesgo real de capital mal asignado — dinero yendo a la solución equivocada para el problema equivocado.
Por qué el momento ChatGPT es diferente para robótica
La comparación con ChatGPT es inevitable pero engañosa. Cuando ChatGPT fue lanzado en noviembre de 2022, el modelo de lenguaje ya existía desde hace años — los investigadores sabían que los transformers estaban llegando cerca de algo especial. Lo que ocurrió fue una convergencia: modelos suficientemente grandes, datos suficientemente buenos y un caso de uso que cualquier persona podía entender y usar.
En robótica, la convergencia no ocurrió porque los problemas físicos son fundamentalmente más difíciles que los problemas de lenguaje. Un chatbot puede simular razonamiento sobre un mundo abstracto. Un robot necesita manipular un mundo físico impredecible con leyes de física que no perdonan errores.
Esto explica por qué la ACE Robotics, startup china de embodied AI, predice que su propio "momento ChatGPT" llegará solo a finales de 2027 — y que otras cuatro a cinco años serían necesarios para implementación comercial a gran escala. Y explica por qué Wang Xingxing, fundador de la Unitree, llegó a estimar hasta diez años para que robots humanoides tengan una ruptura similar.
Los números de inversión cuentan otra parte de la historia. El ingreso de physical AI de Nvidia superó los US$ 9 mil millones en los últimos 12 meses, frente a US$ 6 mil millones el año anterior. Jensen Huang llama a la robótica humanoide de "oportunidad económica multibilionaria". Pero, en el mismo período, el ingreso total de Nvidia fue de US$ 215,9 mil millones — y la línea que agrupaba automotive y robotics (prácticamente toda ella autónoma) representó solo US$ 2,3 mil millones. La robótica aún es una nota al pie en los ingresos de Nvidia.
La estrategia de la Techable VC: apostar en las piezas correctas
Vishwanath fundó la Techable VC en 2025, con enfoque en Physical AI, robótica, ciencia de materiales y ciencias de la vida — un escopo más amplio que la mayoría de los fondos especializados en robótica. La tesis es clara: invertir en las capas específicas del stack que están impidiendo el progreso general.
El sitio web de la Techable VC lista áreas como interfaces cerebro-computadora, neurotecnología, computación neuromórfica, robótica industrial, robótica quirúrgica, robótica suave, sensores, metamateriales y cuántica como enfoques de inversión. No hay mención a modelos generales de IA para robótica — lo que, por sí solo, ya es una posición sobre dónde está la innovación real. La newsroom de Berkeley Haas, donde Vishwanath completó su EMBA, reportó sobre el lanzamiento del fondo, destacando su portafolio de ocho empresas y su visión de construir "civilization systems".
El portafolio ya tiene un nombre: Alpha Z, una startup de field robotics en fase pre-seed en Los Ángeles. Vishwanath no reveló tamaños de checks ni otras inversiones, lo que hace imposible verificar si está poniendo en la práctica lo que predica.
Qué observar
El debate entre Vishwanath y de Witte refleja una división estructural en la forma como la industria está tratando la robótica. Hay dinero suficiente siendo asignado a ambas visiones para que una de ellas, eventualmente, se demuestre más correcta — pero la pregunta es cuánto tiempo y capital serán gastados antes de que se asiente el polvo.
Si los bloques fundamentales de hardware continúan siendo reconstruidos desde cero por cada startup, el momento ChatGPT de la robótica tardará. Si, por otro lado, un modelo general de fundación surge y demuestra que generaliza suficientemente bien para el mundo físico, la historia puede ser mucho más rápida — y las empresas que apostaron en piezas especializadas pueden descubrir que sus inversiones se convirtieron en commodity.
La pregunta real es cuál será el catalizador que fuerza esta bifurcación: un avance en hardware que haga los bloques de Lego accesibles en suficiente medida, o un avance en modelos generales que haga los bloques irrelevantes?
Fuentes: TechCrunch, Value Add VC, Berkeley Haas
✓ Fuentes independientes cruzadas y verificadas antes de la publicación
