De no poder conectar el robot a superarlo 19 veces en un año: la IA entra en el mundo físico sin entrenarlo

Por Momentum IA · 28 de junio de 2026.

Hace menos de un año, Claude Opus 4.1 fallaba en el primer paso de un experimento de robótica: conectarse al robot. Diez meses después, su sucesor, Opus 4.7, completó las mismas cuatro tareas —conexión de cámara, lidar, monitorización de trayectoria y detección de una pelota por visión computacional— en 9 minutos y 35 segundos. El equipo humano asistido por IA en agosto de 2025 tardó 181 minutos. El equipo sin IA, 361. Eso es 19 veces más rápido que los humanos con asistencia y casi 38 veces más rápido que los que actuaron solos. En términos de eficiencia de código, el modelo escribió 1.045 líneas frente a las 10.309 del equipo humano; la mayor parte funcionó al primer intento.

Eso son los hechos del Proyecto Fetch Fase Dos, el experimento de seguimiento que el Frontier Red Team de Anthropic acaba de publicar. Pero el hecho más importante no es la velocidad: es la causa. Anthropic afirma sin ambages que estas mejoras no son resultado de ningún esfuerzo deliberado por mejorar las capacidades robóticas de Claude. Son, literalmente, un subproducto del mismo escalado general que ha impulsado avances en texto, código y razonamiento. La robótica apareció gratis en el equipaje.

La arquitectura que lo hace posible merece un momento de atención. Claude Code opera sobre lo que Anthropic llama el bucle agéntico: un ciclo de tres fases —recopilar contexto, actuar, verificar resultado— que se repite continuamente. Lo que convierte ese bucle en algo capaz de interactuar con hardware físico son las herramientas: sin ellas, el modelo solo produce texto; con ellas, puede leer salidas de sensores, escribir y ejecutar código, observar si una conexión funcionó y corregir el siguiente comando. Para Fetch Fase Dos, Opus 4.7 corrió con razonamiento adaptativo a máximo esfuerzo, lo que le permite pensar entre llamadas individuales a herramientas, no solo antes de ellas. Eso es lo que permite el encadenamiento fiable en tareas físicas de múltiples pasos: el modelo ve un resultado intermedio, ajusta y continúa sin pedir ayuda.

Donde el modelo fracasó es tan instructivo como donde triunfó. La tarea de 'búsqueda' —guiar físicamente al perro-robot para empujar una pelota de vuelta a su posición inicial— requiere control en bucle cerrado en tiempo real: leer continuamente la retroalimentación del sensor, calcular el error de cada comando anterior y emitir correcciones más rápido de lo que cambia la situación. Eso es estructuralmente distinto de escribir un programa que se ejecuta y observa. Los modelos de lenguaje actuales no soportan la latencia de inferencia que esa arquitectura de retroalimentación continua exige. Los humanos, tras practicar con un mando, lo hicieron de forma natural. Opus 4.7 no. Es un límite arquitectónico real, no de capacidad cognitiva.

Nuestra lectura: la distinción bucle-abierto / bucle-cerrado es, en este momento, la frontera más nítida entre lo que la IA puede automatizar ya en robótica y lo que todavía necesita soluciones específicas. Pero esa frontera se está moviendo. Y la velocidad del movimiento es lo que debería centrar la atención del sector.

El patrón histórico que Anthropic documenta —primero el modelo augmenta al humano, luego el humano guía al modelo con supervisión mínima, finalmente el modelo opera de forma independiente— lo habían trazado ya en ciberseguridad. Project Fetch muestra que ese mismo arco se está reproduciendo en la capa física de la robótica. Y si el salto de 'no puede conectarse' a '19 veces más rápido que el humano asistido' ocurrió en diez meses sin ningún trabajo específico en robótica, la pregunta sobre cuándo el control en bucle cerrado se vuelve alcanzable no es 'cuándo alguien construya un modelo específico para eso', sino 'cuándo el escalado general produzca la capacidad requerida'. Esa es la hipótesis que Anthropic está apostando, y hasta ahora tiene razón.

Esto encaja con un contexto más amplio que el propio Anthropic publicó el 26 de junio en su Economic Index: Claude ya escribe más del 80% del código que se fusiona en la propia base de código de Anthropic, y sus ingenieros están integrando ocho veces más código al día que en 2024. La robótica física no es un caso aislado; es una instancia más de la misma dinámica desplegándose en una nueva capa.

Para la industria, el significado práctico es doble. Primero: las tareas de puesta en marcha de hardware —conectar sensores, escribir integraciones de API, implementar visión computacional— que hoy consumen semanas de ingeniería especializada están siendo reducidas a minutos por un LLM de propósito general con acceso a herramientas estándar. Eso transforma la economía del despliegue robótico para empresas que no pueden permitirse equipos de robótica dedicados. Segundo: el experimento usó hardware de estantería, un portátil estándar y la interfaz normal de Claude Code. Sin ingeniería robótica específica. Si el resultado es 19x, el umbral de entrada para automatizar robótica de propósito general acaba de caer de forma sustancial.

Hay que ser honesto sobre lo que esto significa a corto plazo: más presión sobre roles técnicos de integración y puesta en marcha en robótica, sectores manufactureros y logísticos que ya están en transición acelerada. El Foro Económico Mundial confirmó en Davos en enero de 2026 que la era de despliegue robótico —flotas enteras de robots moviendo contenedores de carga sin intervención humana— ya es presente, no futuro. Lo que añade Project Fetch es que incluso la fase más exigente de ese despliegue —la programación inicial del hardware— está siendo automatizada a velocidades que no dejan mucho tiempo de adaptación.

A largo plazo, sin embargo, este tipo de capacidad es exactamente la infraestructura que hace posible el escenario más prometedor: robots suficientemente capaces y baratos de programar como para que la automatización física llegue no solo a las grandes corporaciones, sino a hospitales, laboratorios de investigación médica, entornos domésticos. El mismo escalado general que llevó a Opus 4.7 a programar un perro-robot en diez minutos es el que, extendido varios años más, podría programar brazos robóticos en quirófanos o sistemas de asistencia para dependencia. El camino entre aquí y allá es real y no está libre de disrupciones, pero la dirección está bien señalada.