Roboto ha lanzado Roboto Agents, una capa de agentes de IA destinada a revisar los datos que producen robots, drones y vehículos autónomos. El producto permite describir una investigación en lenguaje natural para buscar anomalías, relacionar fallos con código y reunir episodios útiles para entrenamiento.
Del registro de una misión a una investigación automática
Un robot desplegado no genera solo vídeo. Cada misión puede dejar telemetría, estados de articulaciones, estimaciones de posición, órdenes del operador, mensajes del sistema y señales procedentes de varios sensores. Cuando una flota crece, revisar manualmente esa información con visualizadores tradicionales convierte cada incidente en una investigación lenta.
Roboto Agents se presenta como una interfaz sobre la infraestructura de datos de la compañía. El ingeniero formula una petición —por ejemplo, localizar todos los robots con un patrón de fallo o averiguar por qué un dron detuvo el despegue— y el agente busca archivos y conjuntos de datos, analiza señales y crea eventos con los momentos relevantes.
La diferencia que propone Roboto frente a sus «Actions» está en el tipo de trabajo. Una Action ejecuta código determinista preparado por el equipo; un Agent aplica juicio de IA a una tarea de búsqueda o análisis expresada en lenguaje natural. No sustituye necesariamente a los procesos programados: ambos se pueden encadenar para que un agente actúe cuando llega información nueva.
La documentación de la plataforma organiza el sistema alrededor de agentes y conversaciones persistentes, objetivos, procedimientos reutilizables denominados Skills y conexiones MCP con servicios externos. Puede utilizarse desde la aplicación web, una interfaz de línea de comandos o el SDK de Python. Los permisos de cada cuenta delimitan a qué datos y herramientas puede acceder el agente.
De encontrar un fallo a crear datos de entrenamiento
El lanzamiento se desplegó durante una «Agent Week» celebrada entre el 21 y el 23 de julio de 2026. La primera parte se centró en revisar nuevas misiones y clasificar cuáles necesitan atención. Después, Roboto mostró análisis interactivo, trazado de causas hasta el código y curación automática de datos.
Esta última función intenta cerrar el ciclo entre operación y aprendizaje. Según la explicación técnica publicada por Roboto, el usuario puede describir un episodio —una subida de escaleras, una recuperación tras un resbalón o una interacción inusual— y el agente busca coincidencias en vídeo, series temporales y registros. Cada hallazgo se guarda como un evento con marca de tiempo y después se agrupa en una Collection.
Esas colecciones se pueden revisar, llevar a un cuaderno de análisis o exportar a formatos de aprendizaje automático como LeRobot, el ecosistema abierto de Hugging Face para robótica. El planteamiento resulta especialmente relevante para modelos de control aprendidos: si el comportamiento de un robot depende de su conjunto de entrenamiento, localizar automáticamente casos raros puede servir tanto para depurar como para preparar la siguiente versión del modelo.
La compañía aporta dos ejemplos de uso en clientes. BRINC, fabricante de drones para emergencias, afirma que su equipo ha reducido investigaciones de vuelos complejos de horas o días a minutos mediante la búsqueda contextual en registros y código. Moon Surgical, que desarrolla robots colaborativos para cirugía de tejidos blandos, utiliza la curación para reunir fragmentos de vídeo y telemetría de procedimientos que después puede evaluar y convertir en datos de entrenamiento.
También se citan equipos de ANYbotics entre los usuarios de estos flujos. Son referencias de operación real, aunque proceden de testimonios seleccionados por el proveedor y no de una evaluación independiente.
Lo que queda por demostrar
Roboto Agents ataca un cuello de botella menos visible que la locomoción o la manipulación: convertir el historial de una flota en información útil para ingeniería. Automatizar la primera revisión puede ahorrar tiempo y, sobre todo, evitar que incidentes poco frecuentes queden enterrados en grandes volúmenes de datos.
El anuncio, sin embargo, no publica una tasa de acierto, un benchmark comparativo ni cifras detalladas sobre el volumen máximo que puede procesar. Tampoco elimina la necesidad de validar los resultados. Una correlación entre una anomalía y un cambio de código no demuestra por sí sola causalidad, y una colección creada automáticamente necesita controles antes de alimentar un entrenamiento.
La utilidad también depende de que las señales estén bien ingeridas, sincronizadas y descritas. Roboto sostiene que su plataforma ya estructura e indexa datos multimodales, pero integrar una flota heterogénea sigue siendo trabajo de ingeniería. El producto está activo y cuenta con documentación pública, aunque la compañía orienta a los nuevos clientes hacia una demostración con sus propios registros.
El avance es, por tanto, más operativo que espectacular: no hace que el robot ejecute una tarea nueva delante de una cámara, sino que intenta acortar el tiempo entre un fallo, su diagnóstico y la mejora siguiente. Si mantiene trazabilidad y supervisión humana, ese ciclo puede ser una pieza importante para llevar robots desde demostraciones aisladas hasta flotas más fiables.