Tesla multiplicó la producción de su robot Optimus, pero su inteligencia artificial no acompaña el ritmo
La automotriz de Elon Musk pasó de ensamblar decenas de unidades por semana a varios cientos, con el objetivo de superar las 1.000 antes de fin de año. El cuerpo del robot avanza más rápido que la inteligencia artificial que debe manejarlo.

Tesla aceleró de forma notable la fabricación de su robot humanoide Optimus, aunque la inteligencia artificial que debe gobernar sus movimientos todavía no avanza al mismo ritmo. Según informó Infobae, que citó un reporte de *The Information* basado en fuentes internas del programa, la compañía pasó de ensamblar apenas unas decenas de unidades semanales durante el segundo trimestre a producir varios cientos por semana en agosto.
La meta que se fijaron adentro del proyecto es superar las 1.000 unidades por semana antes de que termine 2026, lo que implica multiplicar por diez el ritmo actual en cuestión de meses. Ese avance en la línea de montaje contrasta con lo que todavía le cuesta al robot cuando tiene que resolver una tarea para la que no fue entrenado puntualmente.
Cómo fabrica Tesla el robot en Fremont
Todo ocurre en la planta de Fremont, California, donde en julio Tesla sacó de circulación las líneas que hasta entonces armaban el Model S y el Model X para poner ahí el ensamblaje del robot. Esas primeras unidades no salen a la venta: quedan adentro de la empresa, en lo que llaman Optimus Academy, un espacio pensado para juntar datos de funcionamiento y pulir lo que el robot todavía no domina.
El mayor cuello de botella no está en la estructura general, sino en las extremidades. Las manos y antebrazos de Optimus incorporan más de 100 componentes y tornillos de tamaño reducido que todavía requieren montaje manual, lo que generó problemas de alineación en varias unidades que deben retirarse de la línea y volver a trabajarse. A eso se suman fallos en los sensores táctiles, que llevaron a Tesla a diseñar un guante sensorial reemplazable para sustituir la capa dañada sin cambiar la mano completa.
Por qué la IA aprende más lento que la fábrica produce
Ahí aparece el otro costado del proyecto: construir el cuerpo del robot y lograr que ese cuerpo se comporte como un trabajador flexible son dos desafíos que no avanzan al mismo ritmo. Optimus responde bien cuando repite exactamente lo que ya practicó, pero se traba apenas cambia algo del contexto en el que fue entrenado. De acuerdo con lo que *The Information* recogió de sus fuentes, incorporar una habilidad nueva y relativamente sencilla puede demandarle al robot varios días de práctica.
El ejemplo que se usa para explicarlo es mover una caja: no alcanza con poder levantarla, porque el robot también tiene que resolver cambios de peso, objetos que se cayeron, obstáculos que no estaban antes o posiciones distintas a las que ensayó. El problema de fondo es que su sistema necesita ver el movimiento físico ejecutado una y otra vez para aprenderlo; una consigna abstracta no le sirve.
Para achicar esa distancia, Tesla apunta a construir un repertorio de movimientos elementales —agarrar, levantar, caminar, apoyar objetos— que el robot pueda combinar según lo que tenga adelante, incluso en situaciones que nunca ensayó. Esa apuesta depende, sobre todo, de la cantidad de información disponible: la empresa ya suma más de 500.000 horas de registros de Optimus en acción, reunidas con teleoperación, trajes que capturan movimiento y filmaciones de personas haciendo tareas reales, y busca llevar esa cifra al doble antes de que termine el año.
Pero juntar más horas de grabación no cierra, por sí solo, el problema de fondo de un robot humanoide: que sepa arreglárselas frente a algo que jamás vio. Esa es la barrera que, más allá de cuánto acelere Tesla el armado en Fremont, define en la práctica cuándo Optimus puede salir a trabajar de verdad.
El caso se suma a un debate más amplio sobre los límites actuales de la inteligencia artificial: como se vio en la discusión sobre si las empresas que compiten por crear la IA más poderosa deberían ir más despacio, la brecha entre capacidad técnica y control confiable del sistema aparece una y otra vez. También quedó a la vista en el caso de GPT-6 Astra, que completó un videojuego sin ayuda humana pero a un costo de 571 dólares en tokens, otro ejemplo de que más potencia no siempre significa más eficiencia.
Comentarios
Ingresá o creá tu cuenta para comentar esta nota.
Todavía no hay comentarios. Podés ser la primera persona en opinar.







.gif)






