En pocas palabras: En 2026 Anthropic probó a Claude controlando robots reales —desde un péndulo hasta un Unitree Go2 cuadrúpedo— con cuatro métodos de control. El mejor rendimiento llega dando instrucciones de alto nivel (steering), no comandos de motor individual: el modelo percibe, razona y ejecuta acciones físicas.
Anthropic publicó pruebas donde Claude controla robots reales, incluido un Unitree Go2, y en paralelo negoció este año con la startup Physical Intelligence. Los agentes de IA para robots ya perciben una escena, razonan y ejecutan acciones físicas, aunque su rendimiento depende muchísimo de cómo se conecta el modelo al robot.
Los agentes de IA para robots son sistemas que combinan un modelo de lenguaje con sensores y actuadores para percibir el entorno, entender el estado del robot y emitir acciones que cambian el mundo físico. A diferencia de un chatbot, no se quedan en el texto: mueven un brazo, hacen caminar a un cuadrúpedo o agarran un objeto. Anthropic los probó con Claude sobre varios cuerpos robóticos en 2026.
En resumen
- Anthropic probó a Claude controlando desde un péndulo hasta un Unitree Go2 real, con cuatro métodos de control de distinto nivel de abstracción.
- El rendimiento del modelo depende del método: anda mejor dando instrucciones de alto nivel (steering) que comandando torques de motor directo.
- Physical Intelligence, cofundada por Lachy Groom, levantó más de USD 1.000 millones; su modelo π0 es de los más usados en investigación robótica.
- Anthropic y Physical Intelligence tuvieron charlas de adquisición esta primavera boreal, pero el CEO Karol Hausman negó el acuerdo por un mensaje de Slack (julio 2026).
- Anthropic comprometió USD 10 millones CAD para investigación de IA en Canadá (Amii, Mila, Vector Institute).
¿Por qué Anthropic invierte en agentes de IA para robots?
Porque quiere saber si lo que hace bueno a Claude con texto sirve también para el mundo físico. En su investigación “Claude plays robotics”, el equipo de Shmuel Berman, Michael Ilie, Jia Deng y Daniel Freeman le dio a varios modelos de lenguaje el control de distintos robots para medir si podían percibir una escena y actuar sobre ella con precisión.
La conclusión honesta del propio paper: los modelos mejoran rápido, pero qué tan capaces son depende mucho de cómo se los enchufa al robot. No es que Claude “entienda” el cuerpo del robot por arte de magia. Le va bien cuando el sistema le da palancas de alto nivel, y le cuesta cuando tiene que bajar hasta la fuerza de cada motor.
Ojo con leer esto como marketing. Es un experimento con resultados mezclados, publicado por la misma empresa que hace el modelo (tomalo con esa pinza). Aun así marca la dirección: la inteligencia física dejó de ser un tema de nicho para pasar a la agenda de los laboratorios de LLM más grandes.
¿Qué son los agentes autónomos de IA?
Un agente autónomo de IA es un sistema que percibe, razona y ejecuta acciones para cumplir un objetivo sin que le dictes cada paso. Le das una meta (“movés esa caja a la mesa”) y él decide la secuencia, invoca herramientas, evalúa el resultado y corrige. La diferencia con un chatbot es que el chatbot te responde; el agente hace. Lo explicamos a fondo en todo lo que necesitás saber de Claude.
Para armar uno con Claude está el Agent SDK de Anthropic, que te deja construir agentes personalizados con acceso a herramientas, memoria y bucles de decisión. En robótica ese “toolbox” son los actuadores y sensores del robot. El modelo razona sobre el estado y elige la acción; el resto de la stack la traduce a movimiento.
Ponele que le pedís a un agente que ordene un depósito. No le explicás cómo mover cada articulación. Le decís el resultado, él planifica, prueba, se equivoca, ajusta. Ahí está la gracia (y también el riesgo).
¿Cómo controla Claude distintos tipos de robots?
Anthropic probó a Claude en tres áreas: control clásico (por ejemplo, balancear un péndulo), locomoción y navegación (que robots con patas se paren, caminen y se muevan en el espacio) y manipulación (usar un brazo robótico para agarrar y mover objetos). Los cuerpos incluyeron juguetes de control clásico, un cuadrúpedo y un humanoide simulados, un brazo robótico y un Unitree Go2 real.
El detalle clave está en cómo se le dio el control. Anthropic le ofreció al modelo cuatro caminos distintos, desde comandar torques de motor (lo más “crudo”) hasta darle instrucciones de alto nivel a una política preentrenada, que es una red neuronal aparte que convierte órdenes generales en movimientos coordinados de las articulaciones.
¿Y qué pasó cuando le tocó lo más difícil? Le costó. Con torques directos, el modelo tiene que resolver a mano una física que normalmente maneja un controlador dedicado. Con steering, en cambio, delega esa parte y se concentra en el “qué”, no en el “cómo”. Por eso el mismo modelo puede parecer torpe o competente según cómo lo conectes. Más contexto en comparar Sonnet con Opus.
¿Cuál es la diferencia entre los niveles de control según abstracción?
La abstracción es cuán “alto nivel” es la instrucción que da el modelo. Cuanto más bajo (torques), más carga física resuelve el LLM y peor le va. Cuanto más alto (steering), más se apoya en una política ya entrenada y mejor rinde. Esta tabla resume los cuatro métodos que usó Anthropic.
| Método de control | Abstracción | Qué hace el modelo | Rendimiento de Claude |
|---|---|---|---|
| Torques de motor | Baja | Comanda la fuerza de cada articulación | El caso más difícil, flojo |
| Escribir código de controlador | Media-baja | Programa el controlador que mueve el robot | Mejora respecto a torques |
| Entrenar un controlador con RL | Media | Entrena una política desde cero | Variable según la tarea |
| Instrucciones de steering | Alta | Da órdenes a una política preentrenada | El mejor de los cuatro |
La lectura práctica: si mañana montás un agente para un robot, el nivel de abstracción de la interfaz define casi todo el resultado. Es una decisión de arquitectura, no un detalle.
¿Qué es Physical Intelligence y qué pasó con el rumor de adquisición?
Physical Intelligence es una startup de robótica cofundada por Lachy Groom que levantó más de USD 1.000 millones y, según reportes, estuvo en charlas esta primavera boreal por una ronda a una valuación de USD 11.000 millones. Su modelo π0 es de los “cerebros de robot” más usados en investigación. En julio de 2026 corrió el rumor de que Anthropic la iba a comprar.
El rumor se disparó a partir de un posteo del bloguero Robert Scoble en X y voló, incluso después de un desmentido. Acá viene lo interesante: no era del todo falso. Según TechCrunch, citando a The Information, Anthropic y Physical Intelligence sí tuvieron charlas de adquisición esta primavera. Scoble pudo haber errado los detalles sin errar del todo en que algo había pasado.
El desmentido tampoco fue el más contundente de la historia. El CEO Karol Hausman les dijo a sus empleados que los reportes no eran ciertos con un mensaje de Slack que incluía un gif. Traducción: hubo conversaciones reales, la compra hoy no está confirmada, y todo lo que se lea sobre un acuerdo cerrado entra en la categoría de especulación.
¿En qué se diferencian los agentes de IA del control robótico tradicional?
El control robótico tradicional (y la automatización tipo RPA) sigue reglas fijas: si pasa A, hacé B. Funciona bárbaro mientras el entorno no cambie. El problema aparece apenas la escena se mueve un centímetro fuera del guion. Un agente de IA, en cambio, razona sobre un estado nuevo y decide una acción que nadie programó explícitamente. Relacionado: integración con Make.com.
- Reglas vs. razonamiento: la automatización clásica ejecuta secuencias predefinidas; el agente planifica en función del objetivo y del estado actual.
- Rigidez vs. adaptación: un brazo con RPA repite el mismo movimiento; un agente ajusta si el objeto está corrido o cambió de forma.
- Determinismo vs. incertidumbre: lo bueno de las reglas es que son predecibles; lo bueno del agente es que generaliza, aunque a veces se mande cualquiera.
Ninguno reemplaza al otro todavía. En tareas ultra repetitivas, la “vieja” automatización determinista sigue ganando en confiabilidad. El agente pinta cuando hay variabilidad que las reglas no cubren.
¿Qué casos de uso aparecen con agentes de IA para robots?
Los casos que se testean hoy son manipulación (brazos que agarran y mueven objetos), locomoción (cuadrúpedos que navegan un espacio) y automatización de flujos de trabajo donde el robot es un actor más en una cadena que orquesta un agente. Las pruebas de Anthropic con el Unitree Go2 y con brazos robóticos apuntan justo a ese terreno.
Del lado de software, el mismo enfoque de agente que mueve un robot sirve para orquestar tareas que encadenan varios sistemas: subís datos, el agente los procesa, dispara acciones en otras herramientas, verifica y reintenta si algo falla. Si vas a orquestar una flota de agentes o correr los servicios que los coordinan, vas a necesitar infraestructura confiable; para hosting y servidores en Argentina podés mirar donweb.com.
Eso sí: hay una distancia enorme entre un experimento controlado y una línea de producción real. Subís el agente, anda hermoso en el laboratorio con el robot quieto y buena luz, lo llevás a un depósito con cajas mal apiladas, sombras raras y un piso disparejo, y de golpe la “inteligencia” se pone a dudar de cosas que un operario resuelve sin pensar. Por eso la mayoría de los despliegues serios todavía viven en piloto.
¿Cuál es el futuro de la inteligencia física con Claude?
La apuesta es que la inteligencia física sea un pilar de la próxima etapa: modelos que entiendan el mundo real con la misma soltura con la que hoy entienden texto. Las pruebas de robótica de Anthropic y las charlas con Physical Intelligence van en esa línea, aunque la compra no esté confirmada.
En paralelo, Anthropic anunció que compromete USD 10 millones CAD para investigación de IA en Canadá en 2026, con alianzas con los tres institutos regionales líderes: Amii, Mila y el Vector Institute. Canadá no es casualidad: Toronto, Montréal y Alberta fueron cuna del deep learning moderno y del aprendizaje por refuerzo, que es exactamente lo que necesitás para robots.
¿Significa esto que en 2026 vas a tener un robot autónomo con Claude en tu casa? No. Significa que la inversión y la investigación se están moviendo hacia ahí, con resultados todavía dependientes de la arquitectura de control. Te puede servir nuestra cobertura de capacidades de la API Claude.
Qué está confirmado y qué no
- Confirmado: Anthropic publicó pruebas de Claude controlando robots, incluido un Unitree Go2 real, con cuatro métodos de control de distinta abstracción.
- Confirmado: Anthropic y Physical Intelligence tuvieron charlas de adquisición esta primavera boreal, según The Information vía TechCrunch.
- Confirmado: Anthropic comprometió USD 10 millones CAD para investigación de IA en Canadá.
- No confirmado: la adquisición de Physical Intelligence por parte de Anthropic; el CEO Karol Hausman la negó por Slack en julio de 2026.
- No confirmado: qué modelo exacto de Claude rinde mejor en cada tarea de robótica y cuándo (o si) esto llega a un producto comercial.
Errores comunes al pensar en agentes de IA para robots
- Creer que el modelo “controla” el robot solo: el rendimiento depende de la política preentrenada y de la interfaz. Sin steering de alto nivel, hasta un modelo capaz se traba con los torques.
- Confundir demo con producción: un video lindo en laboratorio no dice nada sobre cómo se comporta con variabilidad real. Preguntá siempre por las condiciones de la prueba antes de comprarte el hype.
- Dar por hecha la adquisición de Physical Intelligence: hubo charlas, sí, pero la compra fue negada. Repetir el rumor como noticia cerrada es exactamente el error que se viralizó en X.
- Pensar que reemplaza a la automatización clásica: en tareas repetitivas y de entorno fijo, las reglas deterministas siguen siendo más confiables que un agente que razona.
Preguntas Frecuentes
¿Qué son los agentes de IA para robots?
Son sistemas que combinan un modelo de lenguaje con sensores y actuadores para percibir una escena, razonar sobre el estado del robot y ejecutar acciones físicas hacia un objetivo. Se diferencian de un chatbot en que no producen solo texto: mueven brazos, caminan o manipulan objetos en el mundo real.
¿Cómo puede Claude controlar sistemas robóticos?
Claude se conecta al robot por métodos de distinta abstracción: comandando torques de motor, escribiendo código de controlador, entrenando una política con aprendizaje por refuerzo o dando instrucciones de alto nivel a una política preentrenada. Según las pruebas de Anthropic, rinde mejor con instrucciones de alto nivel (steering) que comandando la fuerza de cada motor.
¿Qué es Physical Intelligence y por qué importa?
Physical Intelligence es una startup de robótica cofundada por Lachy Groom que levantó más de USD 1.000 millones y cuyo modelo π0 es de los más usados en investigación robótica. Importa porque Anthropic tuvo charlas de adquisición con ella esta primavera boreal, una señal de que los laboratorios de LLM buscan capacidad de inteligencia física.
¿Anthropic compró Physical Intelligence?
No hay compra confirmada. Hubo charlas de adquisición esta primavera boreal según The Information, pero el CEO Karol Hausman negó el acuerdo en un mensaje de Slack en julio de 2026. Cualquier afirmación de que la operación está cerrada es especulación, no un hecho verificado.
¿Cuál es la diferencia entre agentes de IA y control robótico tradicional?
El control tradicional ejecuta reglas fijas y predefinidas, ideal para entornos que no cambian. Un agente de IA razona sobre el estado actual y decide acciones que no fueron programadas explícitamente, lo que le permite adaptarse a situaciones nuevas. La contra del agente es que es menos predecible en tareas donde las reglas ya funcionan bien.
Conclusión
Lo que cambió en julio de 2026 es que la inteligencia física dejó de ser una promesa lejana y pasó a la mesa de los laboratorios grandes: Anthropic publicó pruebas reales de Claude sobre robots y admitió charlas con Physical Intelligence. Lo que no cambió es la realidad técnica: el modelo rinde según cómo se lo conecta, y le sigue costando el control de bajo nivel.
Si estás evaluando esto para tu equipo, hacé dos cosas. Primero, no compres el rumor como noticia cerrada; separá lo confirmado de lo especulado. Segundo, cuando pruebes un agente, mirá el nivel de abstracción de la interfaz antes que la marca del modelo: ahí se juega casi todo el resultado.