Durante más de veinte años, los robots industriales pudieron soldar piezas de acero con precisión micrométrica, pero fallaban al intentar doblar una camiseta. El problema no era la potencia ni la velocidad — era que una prenda de ropa es un objeto no rígido con infinitas configuraciones posibles. En 2026, la IA física finalmente está resolviendo eso, y la solución viene de combinar dos avances que ninguno de los dos habría logrado solo.
Por qué la ropa fue el problema imposible
La robótica industrial domina en entornos controlados: piezas rígidas, posiciones predecibles, movimientos repetitivos. Una camiseta viola todas esas condiciones. Puede estar arrugada, al revés, doblada sobre sí misma de formas arbitrarias. Para manipularla, un robot necesita sentir el grosor de la tela, detectar las costuras que marcan la estructura, ajustar la presión en tiempo real, y calcular los movimientos necesarios sin dejar caer la prenda.
Eso requería dos cosas que hasta hace poco no existían juntas: sensores hápticos suficientemente finos y modelos capaces de procesar retroalimentación táctil en tiempo real. La IA física — modelos entrenados para actuar en el mundo físico, no solo procesar texto — es lo que los une.
IA para el Resto de Nosotros
La nueva versión de mi curso estrella para aprender a usar la IA de forma práctica, simple y útil en tu día a día. Comienza el 24 de marzo.
→ Inscríbete hoy 🚀Sim-to-real: cómo se entrena sin romper nada
La técnica clave detrás del avance es sim-to-real: entrenar el robot millones de veces en simulación virtual antes de que toque un objeto real. El robot aprende a manipular textiles simulados con física realista, acumula experiencia sobre qué movimientos funcionan y cuáles no, y llega al mundo real con un modelo ya maduro.
Es la misma filosofía que Ai2 está aplicando en robótica industrial: entrenar completamente en simulación para reducir la dependencia de datos del mundo real. El costo de recolectar datos físicos es altísimo — el de generar datos simulados, mucho menor. Y si la simulación es suficientemente fiel a la física real, la transferencia funciona.
Cuando el robot toma una camisa del cesto, sus sensores detectan las costuras (puntos de mayor rigidez) para determinar la orientación de la prenda. Si está al revés, calcula la maniobra de rotación sin soltarla. Lo que parece trivial para un humano exigía, hasta ahora, una coordinación de percepción táctil y control motor que los robots no podían replicar.
La competencia que define el mercado
El sector se está bifurcando en dos filosofías distintas. De un lado, robots especializados en una tarea — como el LG Chloi, optimizado para manipulación de textiles con cámaras hiperespectrales y pinzas diseñadas específicamente para tela. Del otro, humanoides de propósito general como Tesla Optimus Home, que buscan ser útiles en múltiples contextos a costa de ser menos precisos en cada uno.
Según reportes de marzo 2026, la tasa de éxito en el doblado de prendas del robot especializado supera el 98%, mientras que la del humanoide general ronda el 92% — diferencia que suena pequeña pero que se acumula en el uso cotidiano. La ventaja del humanoide es la movilidad: puede recoger la ropa del suelo, llevarla al armario, y completar tareas que el robot de estación no puede.
Es el mismo debate que existe en otros segmentos de la robótica. RJ Scaringe de Rivian argumenta que el humanoide es la forma equivocada de pensar el robot industrial — que la especialización gana en casi todos los contextos donde importa la productividad real. El hogar podría seguir la misma lógica.
Por qué importa más allá del laundry
El doblado de ropa es llamativo, pero el avance real es más profundo: los robots finalmente pueden manipular objetos blandos y deformables con precisión. Eso abre puertas a aplicaciones mucho más críticas — cirugía, ensamblaje de componentes electrónicos flexibles, agricultura de precisión para frutas delicadas, cuidado de personas mayores.
La investigación de la TU Munich combinando LLMs con mapas 3D para que robots encuentren objetos en entornos domésticos apunta en la misma dirección: los robots de 2026 no solo ejecutan movimientos programados — razonan sobre el entorno y adaptan su comportamiento.
El precio sigue siendo la barrera principal. Los sistemas actuales se sitúan en el rango de los US$2.000-3.000, lo que los hace accesibles para mercados de ingresos altos pero lejos del electrodoméstico masivo. La previsión del sector apunta a que en tres a cinco años, el costo caerá al rango de los grandes electrodomésticos actuales. Cuando eso pase, la pregunta de quién hace la colada va a tener una respuesta distinta.
