Toyota cifra en 6.400 millones y 400.000 robots el salto de la «IA física» del laboratorio a la cadena de producción

Introducción

Toyota Motor ha confirmado a sus inversores que el salto a gran escala de la robótica industrial en sus fábricas, filiales y proveedores principales puede requerir alrededor de 400.000 robots y un gasto anual cercano al billón de yenes —unos 6.400 millones de dólares— a partir de 2028. La cifra, comunicada a inversores a primeros de septiembre según Reuters, no es un plan firmado, pero sí la primera vez que un fabricante del tamaño de Toyota pone un número concreto a lo que hasta ahora se venía llamando «IA física».

El dato importa menos como titular económico que como señal de fondo: la fase de prototipos en robótica industrial está cerrándose. El cuello de botella se está moviendo de los algoritmos a la fiabilidad, los datos de entrenamiento y la integración con líneas de producción existentes.

Por qué Toyota habla de «physical AI»

En su informe integrado de 2025 y en los resultados de FY2026, Toyota utiliza physical AI como término paraguas para tres capacidades: percepción del entorno mediante sensores, aprendizaje u optimización de acciones según el contexto, y ejecución autónoma en el mundo real.

En la práctica, son robots que no se limitan a repetir una secuencia prefijada, sino que ajustan su movimiento en función de lo que ven y de lo que tocan. Es el mismo desplazamiento que ya vivimos con los LLM: del ejecutar una regla al razonar sobre lo que tienes delante.

ELEY: el robot que se golpea con las cosas y aprende de ello

El prototipo más visible es ELEY —Embodied Learning robot for Enhanced Yield— con dos brazos de tipo humanoide y una base omnidireccional. Está pensado para tareas en las que el robot acabará chocando o siendo empujado por un objeto que no estaba exactamente donde esperaba.

Lo interesante no es la mecánica. Es que la propia Toyota reconoce tres problemas que la investigación todavía no tiene cerrados y los enumera sin maquillar:

• Fiabilidad sostenida: que el robot funcione igual en el turno 1 que en el turno 1.000.
• Repetibilidad posicional fina cuando se trabaja con tolerancias de pocos milímetros.
• Infraestructura de datos para entrenar y reentrenar con cada incidente real.

La compañía entrena a ELEY en condiciones próximas a la planta y, clave, alimenta al modelo con los intentos exitosos y también con los fallidos. Esa idea —trivial en el papel y difícil en la práctica— es lo que separa un robot industrial clásico de uno que aprende.

KumiPro: visión más control de fuerza

El otro ejemplo ya en producción es KumiPro, un sistema de picking que usa cámaras para identificar piezas colocadas «a ojo», sin posicionamiento fino previo. Funciona en líneas reales de Toyota Motor East Japan.

La clave está en combinar visión con control háptico: cuando la cámara se equivoca, el robot corrige el movimiento justo en el instante de inserción de la pieza. Es la misma arquitectura —cámara, modelo, accionamiento— que se vio en 2025 con Atlas y Boston Dynamics, y la razón por la que Toyota insiste en que visión sola no basta.

El problema Sim2Real y por qué entrenan en paralelo

Toyota lo resume con una frase que cualquier persona que haya hecho RL entiende: «lo que funciona en simulación no siempre se transfiere al robot físico». El motivo es conocido —sensores que leen distinto, fricción del suelo diferente, actuadores con holguras—, pero la solución merece atención:

• Lanzan miles de instancias simuladas de cada robot en paralelo para acelerar el aprendizaje.
• Introducen variaciones deliberadas durante el entrenamiento (texturas, masas, retardos, ruido de sensor) para evitar que el modelo se sobreajuste a una simulación demasiado limpia.
• Capturan datos desde robots reales y los usan para reducir lo que llaman «Sim2Real gap».

Ese bucle —simulación masiva, datos reales, reentrenamiento— es lo que en software llamaríamos fine-tuning continuo. En robótica industrial, donde cada hora parada de una línea cuesta miles de euros, este bucle vale mucho dinero.

Atlas y los Large Behavior Models

En paralelo, el Toyota Research Institute trabaja con Boston Dynamics en sistemas de control para el humanoide Atlas. En 2025 mostraron a Atlas caminando, levantando, clasificando y embalando con un único Large Behavior Model (LBM), al que se iban añadiendo habilidades a partir de demostraciones humanas.

Un LBM es el primo industrial de un LLM: en vez de predecir el siguiente token, predice la siguiente «acción motora» —la secuencia de movimientos de un brazo, una pierna o todo el cuerpo—. Es la misma dirección en la que están Figure, 1X, Apptronik y, con sus matices, Tesla con Optimus.

Lo que la cifra de 400.000 robots significa en realidad

Un billón de yenes al año equivale a unos 6.400 millones de dólares anuales, durante varios ejercicios, solo en automatización industrial. Para ponerlo en perspectiva, las ventas anuales de robots industriales en todo el mundo rondan las 500.000–600.000 unidades. Toyota estaría hablando de un volumen comparable al de toda la industria en un único año.

• La fase de prototipos de la IA física se cierra.
• El cuello de botella pasa de los algoritmos a la fiabilidad, los datos y la integración con líneas existentes.
• Los grandes fabricantes ya tratan la IA física como infraestructura, no como demo.

El reverso: lo que sigue sin estar resuelto

• Mantenimiento: algunas plantas en el extranjero se quedaron sin personal cualificado para mantener líneas automatizadas y tuvieron que volver a producción manual durante años.
• Transferencia de conocimiento entre plantas: una fábrica japonesa automatizada no es directamente portable a otra región sin adaptación humana.
• Coste energético y de cálculo del entrenamiento masivo en paralelo.

Conclusión

La cifra de 400.000 robots y 6.400 millones de dólares anuales que Toyota ha puesto sobre la mesa no es el titular económico de la semana, pero sí lo es desde el punto de vista de la inteligencia artificial: es la primera vez que un fabricante global grande dimensiona con números serios lo que cuesta mover la IA del texto y las imágenes al mundo físico.

Para los que trabajamos en software, la lectura práctica es directa: el entrenamiento en paralelo, los datos de fallos reales y los Large Behavior Models están pasando de papers a líneas de producción. El siguiente gran salto de la IA no será un chat mejor: será un robot que se tropieza y, a la siguiente vuelta, ya no se tropieza.