Agentes de IA autónomos logran entrenar robots físicos sin intervención humana

Un framework de agentes desarrollado por investigadores de robótica permite que modelos de IA diseñen, ejecuten y refinen regímenes de entrenamiento robótico de forma completamente autónoma, con implicaciones directas para la automatización industrial.

Agentes de codificación con inteligencia artificial demostraron capacidad para dirigir de forma autónoma el entrenamiento de brazos robóticos físicos, incluyendo tareas de precisión como cortar cinchos plásticos e insertar tarjetas GPU en ranuras de tarjetas madre. El experimento, documentado en un artículo de investigación publicado el 16 de junio de 2026, representa un avance concreto en la automatización de ciclos completos de aprendizaje robótico sin supervisión humana continua.

El sistema que hizo posible esto es ENPIRE, un framework tipo "harness" que envuelve modelos de IA para habilitarlos con herramientas, memoria, contexto, restricciones y ciclos de retroalimentación. Desarrollado por el laboratorio NVIDIA GEAR (Generalist Embodied Agent Research) en colaboración con Carnegie Mellon University y la Universidad de California en Berkeley, el harness opera con cuatro módulos funcionales: verificación y reinicio automático de tareas, refinamiento de políticas de comportamiento robótico, evaluación en paralelo sobre múltiples robots físicos, y diagnóstico de fallas mediante análisis de registros e ingesta de papers de investigación. El sistema fue probado con tres agentes de codificación distintos —OpenAI Codex con GPT-5.5, Claude Code de Anthropic con Opus 4.7, y Kimi Code de Moonshot AI con Kimi K2.6— que desarrollaron de forma independiente enfoques algorítmicos diferentes, los ejecutaron en entornos reales y retuvieron únicamente los cambios que elevaron la tasa de éxito en ciclos sucesivos.

Para los equipos directivos que evalúan estrategias de automatización industrial, el dato operativo relevante es que el sistema opera de forma no supervisada durante ventanas nocturnas, generando reportes listos para revisión al inicio de la jornada. Entorno identifica en este modelo un patrón que anticipa cómo las organizaciones con infraestructura robótica podrían reducir la dependencia de ingenieros especializados en el loop de entrenamiento, trasladando ese rol a agentes de IA con capacidad de autoevaluación. El equipo detrás de ENPIRE anunció que liberará el framework como código abierto, lo que abre la posibilidad de que cualquier organización pueda replicar un laboratorio robótico con entrenamiento autónomo en sus propias instalaciones.