Todo comenzó con una provocación en X. Mehmet Aykul, comentarista de inteligencia artificial, cuestionó públicamente si los robots humanoides de Figure AI eran capaces de encargarse de una tarea tan poco vistosa como clasificar 10.000 paquetes desordenados sin cometer errores. La respuesta del CEO de la compañía, Brett Adcock, fue directa: publicar un vídeo de 60 minutos con su robot haciendo justo eso.
“¿Te parece suficientemente aburrido?”, escribió Adcock al compartir el clip.
Helix en acción: una hora entera de trabajo continuo
El vídeo muestra al robot de Figure, equipado con el sistema de IA Helix, realizando una tarea que parece simple, pero que en la práctica es muy exigente: recoger paquetes de diferentes tamaños, formas y materiales, localizar la etiqueta de cada uno y colocarlos en una cinta transportadora con la orientación adecuada para su escaneado.
La demostración dura una hora completa. Sin pausas, sin reinicios y sin intervención humana.
Lo interesante no es que el robot se mueva de forma espectacular. De hecho, sus movimientos son deliberadamente lentos y precisos. Lo que impresiona es la consistencia. Durante todo ese tiempo manipula bolsas de plástico blandas, cajas rígidas, sobres planos y paquetes deformados, ajustando el agarre según cada caso.
Helix: el sistema que convierte datos en habilidad
Helix es la arquitectura de aprendizaje de extremo a extremo que Figure ha desarrollado para este tipo de tareas. A diferencia de la robótica industrial clásica, donde cada movimiento suele programarse de forma explícita, aquí el sistema aprende a partir de demostraciones y mejora con la experiencia acumulada.
Eso permite que aparezcan comportamientos útiles que no se habían definido de antemano. En el vídeo, por ejemplo, el robot aplana con la palma algunas bolsas de plástico antes de soltarlas sobre la cinta. El gesto no fue programado como tal: surge porque el sistema ha aprendido que una superficie más plana mejora la visibilidad del código de barras y reduce errores de lectura.
La propia Figure lo explica así en su nota técnica sobre Helix:
“Este comportamiento sutil de ‘aplanado’, aprendido de demostraciones, asegura que el código de barras sea completamente visible para el escáner. Tal comportamiento adaptativo pone de relieve la ventaja del aprendizaje de extremo a extremo: el robot aprende directamente de los datos estrategias que nunca fueron explícitamente programadas”.
Los números que realmente importan
Figure ha compartido algunas métricas del sistema Helix en condiciones reales de almacén:
- Tiempo medio por paquete: algo más de 4 segundos
- Mejora de velocidad: un segundo menos que hace seis meses
- Etiquetas correctamente orientadas para escaneo: 95%
- Mejora en orientación: +25% frente al sistema anterior
- Tipología de paquetes: bolsas deformadas, cajas rígidas, sobres planos y paquetes irregulares
Estas cifras son relevantes porque la rentabilidad de un robot logístico depende de dos variables muy concretas: cuántos paquetes puede procesar por hora y cuántos errores comete. A un ritmo de 4 segundos por unidad, el sistema se sitúa en torno a 900 paquetes por hora. Todavía hay margen frente a los operarios humanos más rápidos, pero la distancia se reduce.
Una carrera que ya no parece tan lejana
Figure no compite sola. Tesla con Optimus, Agility Robotics con Digit o el Roadrunner del RAI Institute —fundado por Marc Raibert, creador de Boston Dynamics— forman parte de la misma carrera: llevar robots de propósito general a entornos industriales donde puedan aportar valor económico real.
Y ahí está el mensaje que Figure quiere lanzar con este vídeo. En robótica industrial no basta con que un robot baile, salte o haga una demo llamativa. Lo que importa es que pueda repetir una tarea útil durante horas, con fiabilidad y sin supervisión constante.
La demostración de los 60 minutos responde a los escépticos, sí. Pero también deja algo más claro: los humanoides ya no se están evaluando por lo bien que impresionan en vídeo, sino por lo bien que aguantan el trabajo repetitivo.
¿Y qué papel juega Figure 03?
El nuevo Figure 03 busca trasladar parte de esas capacidades fuera del almacén y llevarlas al hogar. Aunque su enfoque es distinto, comparte la misma base tecnológica: visión contextual, aprendizaje por demostración y adaptación en tiempo real.
Por eso, la cuestión ya no es tanto si estos robots pueden hacer tareas útiles. En ciertos casos, ya pueden. La pregunta de fondo es otra: cuándo será rentable desplegarlos a gran escala y qué empresa llegará antes a ese punto.
El reloj corre. Y esta vez no solo para las startups.