Bezos, Arnault y Premji apuestan por el mismo robot humanoide

Jeff Bezos, Bernard Arnault y Azim Premji han respaldado iniciativas de robótica independientes, pese a la escasa evidencia de que los robots humanoides puedan ofrecer ya rendimientos fiables a gran escala.

Sus inversiones abarcan tres capas distintas del mercado. Bezos ha respaldado fabricantes de robots y modelos de robótica de propósito general. La red de inversión familiar de Arnault se unió recientemente a un fabricante europeo de humanoides. La oficina de inversión de Premji lideró una gran ronda para software diseñado para entrenar robots industriales a partir de vídeos en línea.

La apuesta compartida importa más que cualquier anuncio individual de financiación. Los family offices pueden mantener inversiones ilíquidas durante años, financiar enfoques técnicos rivales y tolerar fracasos que los fondos de capital riesgo convencionales tienen dificultades para absorber.

Ese capital paciente está entrando en la robótica mientras las valoraciones crecen más rápido que los datos sobre despliegues comerciales. Tesla, Figure AI, Apptronik, Agility Robotics y varios fabricantes chinos persiguen diferentes partes de la misma oportunidad.

La disputa central enfrenta ahora al capital paciente con la prueba comercial. Los inversores acaudalados pueden financiar años de desarrollo, pero el dinero no puede eliminar los límites físicos de las baterías, los actuadores, los sistemas de seguridad y el entrenamiento en el mundo real.

Tres fortunas, tres vías hacia la IA física

Las inversiones conforman una cartera que abarca cuerpos robóticos, sistemas de control y métodos de entrenamiento, en lugar de una apuesta coordinada por un único diseño humanoide.

Bezos ha construido la cartera de robótica visible más amplia entre los tres inversores. A través de Bezos Expeditions e inversiones personales, ha respaldado Figure AI, Skild AI y Physical Intelligence.

Figure desarrolla robots humanoides completos. Skild AI y Physical Intelligence se centran más en modelos de control de propósito general que pueden operar en distintas máquinas.

Esa distinción es importante. Un fabricante de robots debe resolver conjuntamente problemas de hardware, fabricación, seguridad y software. Una empresa de modelos puede suministrar inteligencia a varios diseños de robots sin producir por sí misma todos los componentes.

Bezos se unió a Microsoft, Nvidia, Intel, OpenAI y otros inversores en la financiación de Figure de 2024. La empresa recaudó 675 millones de dólares con una valoración de 2.600 millones de dólares, según el anuncio de financiación.

La propuesta de Figure fue ambiciosa desde el principio. Planteó trabajadores humanoides autónomos para fabricación, logística y, con el tiempo, entornos domésticos.

La empresa recaudó posteriormente otros 1.000 millones de dólares con una valoración reportada de 39.000 millones de dólares en 2025. Ese fuerte aumento reflejaba las expectativas de los inversores, no un incremento público comparable en los despliegues de robots ni en los ingresos.

La vía de Bernard Arnault pasa por Aglaé Ventures, que opera dentro de la red de inversión de su familia. Aglaé participó en la Serie A de Humanoid de julio de 2026 junto con Bosch, Schaeffler y otros inversores.

La empresa londinense recaudó 152 millones de dólares con una valoración post-money de 1.350 millones de dólares. Afirmó que la financiación elevó su capital total recaudado a 270 millones de dólares.

Humanoid está desarrollando versiones con ruedas y bípedas de su plataforma HMND 01. La empresa planea empezar a instalar robots beta en las instalaciones de clientes durante el cuarto trimestre de 2026.

Ese calendario sigue siendo un objetivo de la empresa. No debe confundirse con un despliegue masivo probado ni con una operación comercial sostenida.

La oficina de inversión de Azim Premji eligió un punto distinto de la pila tecnológica. Premji Invest lideró una Serie A de 450 millones de dólares para Rhoda AI, con sede en Palo Alto, en marzo de 2026.

La ronda valoró Rhoda en 1.700 millones de dólares, incluido el nuevo capital. La startup salió del modo sigiloso tras 18 meses con un sistema llamado FutureVision.

Rhoda no vende principalmente un robot con forma humana. Está desarrollando control predictivo basado en vídeo, un método que entrena software para anticipar acciones mediante el estudio de vídeos y conecta esas predicciones con el movimiento de robots.

La empresa sostiene que el entrenamiento convencional de robots depende en exceso de la teleoperación. En la teleoperación, una persona controla a distancia un robot mientras el sistema registra las acciones como datos de entrenamiento.

La teleoperación produce ejemplos precisos, pero recopilar esos ejemplos es costoso y lento. También captura menos variaciones de las que contiene internet abierto.

Rhoda propone aprender patrones visuales más amplios a partir de vídeos disponibles públicamente y, después, fundamentar ese conocimiento con una cantidad menor de datos de robots. Premji Invest describió el enfoque como una alternativa a los modelos estándar de visión-lenguaje-acción.

Un modelo de visión-lenguaje-acción conecta imágenes y comandos en lenguaje natural con acciones físicas. Podría procesar la vista de una cámara y una instrucción, y luego generar los movimientos necesarios para recoger un objeto.

Por tanto, cada inversor financia una respuesta distinta a la misma pregunta. La cuestión es si la IA puede hacer que los robots sean lo bastante adaptables como para justificar su despliegue fuera de demostraciones controladas.

Por qué los family offices encajan con el calendario de los robots humanoides

Los family offices poseen el horizonte temporal, la flexibilidad y la tolerancia concentrada al riesgo que exige la robótica humanoide.

Un fondo de capital riesgo tradicional suele operar dentro de un ciclo de vida definido. Sus gestores deben invertir, respaldar a las empresas de la cartera y devolver capital a los socios limitados dentro de esa estructura.

Un family office invierte la riqueza de una sola familia. Puede adoptar un periodo de inversión más largo, modificar rápidamente su asignación y aceptar estructuras de operación inusuales.

Esa libertad importa en robótica porque los ciclos de desarrollo rara vez siguen los plazos del software. Una empresa de software puede distribuir una actualización al instante. Un fabricante de robots debe abastecerse de piezas, fabricar máquinas y probarlas cerca de personas.

Los problemas de hardware también se multiplican. Un motor más potente puede aumentar el peso y el consumo energético. Una batería más grande puede reducir la movilidad. Una mano más capaz puede añadir costes y puntos de fallo mecánico.

Las startups de humanoides deben resolver estas interacciones mientras sus sistemas de IA aprenden a manejar entornos impredecibles. Cada despliegue plantea cuestiones de ingeniería, seguros y operaciones.

Los family offices también pueden invertir sin prometer una fecha fija de salida a inversores externos del fondo. Eso les permite esperar adquisiciones, salidas a bolsa o contratos industriales recurrentes.

El enfoque se parece a una experimentación estratégica. Bezos puede mantener participaciones en Figure, Skild AI y Physical Intelligence sin decidir qué capa técnica captará más valor.

Si los fabricantes integrados de humanoides dominan, Figure ofrece exposición. Si los modelos de robots de propósito general se convierten en la capa más defendible, Skild AI o Physical Intelligence podrían beneficiarse.

La inversión de Arnault da a su familia exposición a una empresa europea de hardware sin exigir que LVMH se convierta en desarrollador de robótica. Bosch y Schaeffler aportan experiencia de fabricación y posibles casos de uso industrial.

La posición de Premji Invest en Rhoda apunta al cuello de botella de los datos. Si el vídeo se convierte en una fuente escalable de entrenamiento de robots, Rhoda podría suministrar inteligencia a distintas máquinas e industrias.

Las carteras también reflejan los antecedentes que rodean a cada fortuna. Bezos construyó Amazon en torno a la logística, los almacenes y la automatización antes de expandirse a otros sectores.

Premji transformó un negocio familiar en Wipro, una de las empresas tecnológicas más conocidas de India. Su oficina de inversión ha desarrollado una operación profesional con experiencia en tecnología empresarial.

Arnault construyó LVMH mediante marcas, control de fabricación y propiedad paciente. Desde entonces, Aglaé Ventures ha ampliado la exposición de la familia a empresas tecnológicas más allá de los artículos de lujo.

Ninguna de esas trayectorias garantiza una inversión exitosa en robótica. Sí ayudan a explicar por qué estos inversores pueden evaluar largos periodos de desarrollo de forma distinta a los accionistas de los mercados públicos.

También pueden aportar más que dinero. Sus redes pueden conectar startups con fabricantes, proveedores de nube, operadores logísticos e inversores de etapas posteriores.

Los clientes industriales rara vez compran robots porque una demostración de laboratorio parezca impresionante. Necesitan planes de integración, procedimientos de seguridad, soporte de mantenimiento y productividad medible.

Un family office bien conectado puede ayudar a una startup a llegar a esos clientes. También puede respaldar otra ronda de financiación si el despliegue tarda más de lo previsto.

Esta ventaja genera presión sobre las firmas de capital riesgo convencionales. Deben competir con inversores que pueden extender grandes cheques sin seguir las mismas reglas de construcción de cartera.

También presiona a los inversores corporativos. Empresas como Nvidia, Microsoft, Alphabet, Amazon, Bosch y Schaeffler deben decidir si respaldan varias plataformas o favorecen a socios seleccionados.

El resultado es una estructura de capital inusualmente mixta. Las rondas de robótica reúnen ahora a multimillonarios, firmas de capital riesgo, proveedores tecnológicos, fabricantes e inversores soberanos.

Esos grupos no siempre buscan el mismo resultado. Una empresa de chips quiere una mayor demanda de computación. Un fabricante quiere máquinas productivas. Un family office puede esperar la revalorización del capital en cualquiera de las dos capas.

Esa alineación es suficiente durante la recaudación de fondos. Se vuelve más difícil de mantener cuando las empresas deben elegir proveedores de hardware, socios de software y relaciones comerciales exclusivas.

El capital paciente avanza por delante de la prueba comercial

La robótica humanoide ha atraído capital de largo plazo antes de que el sector haya establecido una economía unitaria repetible o una operación fiable a escala.

El caso de inversión parte de una observación razonable. Los lugares de trabajo humanos fueron diseñados en torno a cuerpos humanos.

Puertas, escaleras, estanterías, herramientas y puestos de trabajo presuponen a una persona con dos brazos, dos piernas y manos. Una máquina con forma humana podría entrar en esos espacios sin obligar a las empresas a rediseñar cada instalación.

Esa compatibilidad teórica da a los humanoides una gama potencial de tareas mayor que la de muchos robots industriales fijos. No convierte a un humanoide en la máquina más barata para cada tarea.

Un almacén que solo mueve contenedores estandarizados podría funcionar mejor con cintas transportadoras, robots móviles autónomos o brazos robóticos especializados. Esos sistemas ya operan en entornos estrictamente definidos.

Los humanoides se vuelven valiosos cuando la flexibilidad compensa la especialización. Deben manejar tareas variadas, trabajar en espacios cambiantes y cambiar de asignación sin una reconfiguración costosa.

Ese estándar sigue siendo difícil. Los robots pueden ejecutar secuencias impresionantes en demostraciones cuidadosamente preparadas, pero tener dificultades cuando cambian la iluminación, la colocación de los objetos o las condiciones de la superficie.

Figure ha proporcionado uno de los ejemplos industriales más visibles del sector a través de su trabajo con BMW. Las empresas han mostrado robots realizando tareas de producción automotriz.

Sin embargo, ninguna de las dos empresas ha divulgado suficientes datos operativos o financieros para establecer un rendimiento económico amplio. Entre las incógnitas se encuentran el tiempo de actividad, las tasas de intervención, los costes de mantenimiento y el número de máquinas productivas.

Una intervención ocurre cuando una persona debe rescatar o redirigir al robot. Las intervenciones frecuentes pueden socavar el ahorro laboral que justificaba un despliegue.

Humanoid también afirma tener una cartera comercial y relaciones con empresas industriales. Sus previstos despliegues beta deberían generar evidencia más útil que las demostraciones controladas.

La empresa todavía debe demostrar que sus máquinas pueden operar durante turnos largos cerca de personas. También debe convertir los prototipos en una producción manufacturera repetible.

Rhoda afronta una carga probatoria diferente. Su tesis depende de que los vídeos de internet contengan información útil que pueda traducirse en acciones de robots.

Un video muestra apariencia y movimiento, pero por lo general carece de mediciones directas de fuerza, profundidad y posición de las articulaciones. Los robots necesitan esas señales para manipular objetos de forma segura.

Rhoda afirma que su sistema aborda esa brecha al combinar aprendizaje basado en video con datos de robots. El lanzamiento público de la empresa describió proyectos piloto industriales y trabajo de ingeniería en curso, no una validación completada en todos los sectores.

Esta división entre la comprensión visual y la ejecución física es una de las razones por las que la inteligencia robótica sigue siendo difícil. Predecir el siguiente fotograma no es lo mismo que aplicar la fuerza de agarre correcta.

Los datos de entrenamiento también plantean dudas sobre su procedencia y calidad. Los videos públicos contienen edición, contexto ausente y acciones registradas desde perspectivas distintas a las cámaras de un robot.

Las startups deben demostrar que los grandes conjuntos de datos mejoran el rendimiento en entornos desconocidos. También deben documentar cuándo falla el modelo.

Skild AI y Physical Intelligence persiguen objetivos de generalización relacionados mediante sus propias arquitecturas y conjuntos de datos. La competencia entre estas empresas debería producir comparaciones técnicas útiles.

Sin embargo, las valoraciones privadas pueden ocultar esa competencia. Una valoración más alta en una ronda de financiación mide la demanda de los inversores por participaciones, no la fiabilidad de los robots.

La brecha resulta especialmente visible cuando las valoraciones cambian antes de que los productos alcancen un uso comercial a gran escala. Figure pasó de una valoración de 2.600 millones de dólares en 2024 a una valoración reportada de 39.000 millones de dólares en 2025.

Ese ascenso generó enormes expectativas sobre el volumen de fabricación y el progreso del software. También ofreció a sus rivales un referente para sus propias narrativas de recaudación de fondos.

Apptronik, que trabaja con Google DeepMind y socios industriales, recaudó una importante financiación para su plataforma humanoide Apollo. Su enfoque combina hardware robótico con inteligencia basada en Gemini y alianzas con fábricas.

Agility Robotics ha seguido otra vía con Digit, una máquina bípeda diseñada para tareas logísticas. La empresa acordó en junio de 2026 buscar una cotización pública mediante una operación que la valora en unos 2.500 millones de dólares.

La cotización prevista podría revelar más información financiera y operativa de la que sus competidores privados divulgan actualmente. Eso ofrecería a los inversores un punto de referencia más claro.

Tesla añade más presión con Optimus. Puede financiar la robótica internamente, utilizar sus fábricas como entornos de prueba y aprovechar su experiencia en baterías, fabricación y visión por computadora.

Las empresas chinas, incluidas Unitree y AgiBot, aportan una forma distinta de presión. Sus cadenas de suministro nacionales y su capacidad de fabricación pueden respaldar una producción más rápida y menores costes de componentes.

Por tanto, la competencia es más amplia que una startup frente a otra. Enfrenta a emprendimientos estadounidenses y europeos intensivos en capital con fabricantes integrados y proveedores chinos que escalan rápidamente.

Las oficinas familiares pueden prolongar la pista financiera de una startup en esa competencia. No pueden garantizar que su hardware iguale el coste, la fiabilidad o la velocidad de producción de sus competidores.

El Riesgo Real Son los Datos de Despliegue que Faltan

La evidencia decisiva procederá de horas de trabajo sin guion, no de totales de financiación, valoraciones o demostraciones pulidas.

Las empresas de robótica suelen publicar videos porque el movimiento físico es fácil de comunicar visualmente. Un clip corto puede mostrar una tarea impresionante sin revelar las condiciones que la rodean.

Es posible que la cámara no muestre la supervisión humana, los intentos previos ni los límites impuestos al robot. Rara vez muestra con qué frecuencia la máquina necesita mantenimiento.

Un comprador comercial necesita mediciones diferentes. Estas incluyen la finalización exitosa de tareas, intervenciones por hora, tiempo de actividad, consumo de energía e incidentes de seguridad.

Los compradores también necesitan saber si un robot puede realizar suficiente trabajo valioso durante un turno. Una máquina que completa bien una tarea puede aun así permanecer inactiva entre asignaciones.

Los robots humanoides introducen cuestiones adicionales de seguridad porque operan en espacios diseñados para personas. El peso y las articulaciones en movimiento de una máquina pueden causar daños cuando falla el software de control.

Los desarrolladores pueden limitar la velocidad y la fuerza, añadir paradas de emergencia y establecer zonas restringidas. Cada medida de seguridad también puede reducir la productividad o exigir cambios en el lugar de trabajo.

La industria carece de un único referente público que capture estas compensaciones entre distintas máquinas. Las pruebas de laboratorio suelen medir capacidades específicas de manipulación o locomoción.

Los despliegues comerciales combinan todas esas capacidades con programación, mantenimiento y coordinación humana. Un robot debe seguir trabajando después de que se muevan las herramientas, cambien las superficies o las personas entren en su trayectoria.

La capa de software tiene su propia incertidumbre. Los modelos de propósito general prometen transferir el aprendizaje entre tareas y cuerpos robóticos.

La transferencia solo es valiosa cuando el rendimiento sigue siendo fiable. Un modelo que funciona en muchas máquinas pero falla de forma impredecible puede ser menos útil que una automatización especializada.

El enfoque de Rhoda centrado en video hace que esta incertidumbre sea particularmente importante. La empresa debe demostrar que una amplia experiencia visual reduce los fallos en situaciones desconocidas.

También debe demostrar que su método no introduce nuevos errores cuando el entorno físico difiere de los ejemplos en línea.

Humanoid debe demostrar que su software KinetIQ y su plataforma robótica se mantienen estables durante el uso por parte de clientes. Su despliegue beta del cuarto trimestre ofrecerá una prueba inicial.

Figure enfrenta presión para divulgar más información sobre el rendimiento sostenido en fábricas. Su valoración ahora implica una trayectoria hacia un negocio comercial muy grande.

Estas son preguntas normales para una tecnología emergente. Se vuelven más urgentes cuando los inversores asignan valores de miles de millones de dólares antes de que las empresas publiquen resultados operativos comparables.

Las suposiciones sobre mano de obra también merecen escrutinio. Los defensores de los humanoides citan con frecuencia la escasez de trabajadores y las tareas poco deseables como razones para su adopción.

Esas condiciones varían según la ubicación, la ocupación y el ciclo económico. Un robot que tiene sentido en una planta automotriz de alto coste puede no encajar en un almacén más pequeño.

El despliegue también puede transformar el trabajo en lugar de eliminarlo. Las empresas pueden necesitar técnicos, operadores remotos, responsables de seguridad y especialistas en integración.

Ese resultado seguiría creando valor, pero difiere de sustituir un turno humano completo por una máquina autónoma.

El desplazamiento laboral sigue siendo otra cuestión sin resolver. Los humanoides fiables podrían reducir la demanda de algunos puestos repetitivos mientras aumentan la demanda de soporte técnico.

El ritmo de ese cambio depende del rendimiento y el coste, no de la velocidad de la financiación de capital de riesgo. Los trabajadores y los responsables políticos deberían tratar con cautela los calendarios de despliegue proyectados.

La regulación puede evolucionar de forma desigual entre mercados. Las autoridades de seguridad laboral pueden aplicar normas existentes, mientras que la responsabilidad por productos y la gobernanza de la IA crean obligaciones adicionales.

Por tanto, los inversores deben valorar varios riesgos a la vez. Estos incluyen fallos técnicos, retrasos de fabricación, una adopción más lenta por parte de los clientes y nuevos requisitos de cumplimiento.

Las oficinas familiares pueden tolerar esos riesgos mejor que muchos inversores. Su paciencia también podría retrasar un ajuste de cuentas honesto si la financiación continuada oculta una débil demanda comercial.

Las startups más sólidas responderán con datos operativos verificables. Publicarán qué hacen sus robots, cuánto tiempo trabajan y con qué frecuencia intervienen los humanos.

Hasta entonces, cada valoración sigue siendo en parte una previsión sobre capacidades que los clientes todavía no han probado a escala suficiente.

Tres Señales Decidirán si la Apuesta Funciona

La próxima fase se juzgará por los despliegues con clientes, métricas operativas comparables y pruebas de que la fabricación puede ir más allá de los lotes pequeños.

La primera señal es el despliegue beta previsto por Humanoid para el cuarto trimestre de 2026. La empresa afirma que las máquinas entrarán en instalaciones de clientes de logística, fabricación, comercio minorista y otros sectores.

La cuestión importante no es si llega un robot. Es si los clientes amplían su uso tras la prueba inicial.

Un pedido posterior sugeriría que la máquina realiza trabajo útil en condiciones industriales normales. Un despliegue retrasado o un piloto estrechamente controlado debilitaría esa conclusión.

Bosch y Schaeffler son especialmente relevantes porque combinan funciones de inversor e industria. Su participación aporta conocimiento de fabricación y entornos realistas para las pruebas.

También crea un posible conflicto al interpretar los resultados. Los inversores estratégicos tienen razones para respaldar la narrativa de la empresa, por lo que las métricas comparables de forma independiente seguirán siendo esenciales.

La segunda señal es la calidad de los datos operativos publicados por Figure, Agility, Apptronik, Rhoda y sus clientes.

Los inversores deberían buscar horas trabajadas, ciclos exitosos, intervenciones humanas y despliegues repetidos. Los ingresos por sí solos pueden incluir acuerdos de desarrollo que revelan poco sobre el rendimiento autónomo.

La propuesta de cotización pública de Agility importa en este aspecto. Las empresas públicas afrontan requisitos de divulgación que pueden aportar más visibilidad financiera que la que ofrecen las startups privadas.

La operación no revelará automáticamente todas las métricas técnicas. Aun así, debería ofrecer al mercado una visión más clara del gasto, los acuerdos comerciales y los riesgos operativos.

Esa transparencia podría reajustar las expectativas en las empresas privadas de robótica. Los resultados sólidos respaldarían las valoraciones actuales, mientras que una demanda débil las pondría en duda.

Los proyectos piloto industriales de Rhoda deberían poner a prueba el control predictivo basado en video. La evidencia más útil compararía su sistema con alternativas entrenadas mediante teleoperación en tareas desconocidas.

Una comparación debería utilizar el mismo hardware y las mismas condiciones de trabajo. De lo contrario, las diferencias en el diseño del robot podrían ocultar la contribución del modelo.

La tercera señal es la escala de fabricación. Las startups deben demostrar que pueden construir máquinas consistentes, asegurar componentes y proporcionar soporte en campo.

Un prototipo puede ensamblarse con atención experta. Cientos o miles de unidades requieren procesos estandarizados, gestión de proveedores y control de calidad.

Aquí es donde Tesla y los fabricantes chinos ejercen la mayor presión. Ya comprenden la producción de gran volumen y el abastecimiento de componentes.

Figure, Humanoid y Apptronik han respondido mediante asociaciones, inversiones en fábricas y nueva financiación. Esos acuerdos ahora deben producir máquinas que los clientes puedan operar.

Si la fabricación se expande mientras bajan las tasas de intervención, la tesis de las oficinas familiares se fortalece. El capital privado paciente habrá superado el difícil período entre la investigación y el despliegue.

Si los programas piloto siguen siendo pequeños y los detalles operativos permanecen privados, se impone la conclusión contraria. El capital habrá acelerado las valoraciones más rápido que la prueba comercial.

La lección más amplia va más allá de la robótica. Las grandes fortunas ahora pueden moldear qué arquitecturas de IA, estrategias de fabricación y modelos laborales reciben tiempo para desarrollarse.

Esa influencia puede financiar experimentos que las empresas públicas evitan. También puede concentrar las decisiones sobre automatización del lugar de trabajo en un pequeño grupo de inversores privados.

Bezos, Arnault y Premji no están realizando apuestas idénticas. Sus inversiones abarcan cuerpos robóticos, modelos de control de propósito general y nuevas fuentes de datos de entrenamiento.

Sin embargo, juntos muestran por qué las oficinas familiares se han vuelto centrales para la IA física. Pueden financiar varias rutas inciertas mientras esperan que una se vuelva comercialmente sostenible.

Para desarrolladores, compradores empresariales y usuarios de IA, el siguiente paso es simple: ignoren el tamaño de la próxima ronda de financiación y sigan lo que ocurre dentro de las instalaciones de los clientes. ¿Qué empresa publicará suficientes datos operativos del mundo real para transformar la historia de los robots humanoides de una carrera de capital en un negocio medible?