El otro día hablaba con un amigo que trabaja como diseñador e ingeniero. Su pronóstico era bastante claro: la IA terminará haciendo buena parte de su trabajo, pero a un fontanero todavía le queda mucho tiempo.
La intuición parece razonable. Un modelo ya puede producir planos, calcular alternativas, escribir documentación o generar código. Ningún robot de propósito general puede entrar hoy en una vivienda desconocida, localizar el origen de una fuga y repararla con la fiabilidad de un profesional.
Pero en esa comparación se mezclan dos preguntas diferentes. Una es qué trabajos están más expuestos a las capacidades actuales de la IA. Otra es a qué velocidad puede cambiar la frontera de la robótica cuando parte de su software empieza a beneficiarse de los mismos avances.
La primera favorece claramente al fontanero. La segunda hace que convenga no confiar demasiado en un calendario lineal.
La pregunta interesante no es si la IA puede describir cómo se cambia una tubería. Es qué parte de la distancia hasta un robot fontanero depende de inteligencia y qué parte depende de manos, energía, fiabilidad, seguridad y coste.
Un trabajo no es una sola tarea
Cuando decimos que la IA puede sustituir a un diseñador o que no puede sustituir a un fontanero, tratamos cada profesión como una unidad indivisible. En la práctica, ambas contienen tareas con grados de automatización muy distintos.
Un diseñador puede investigar requisitos, proponer alternativas, calcular, modelar, negociar restricciones, verificar normativa y asumir decisiones. La IA no necesita dominar el conjunto para afectar a su trabajo. Basta con que reduzca mucho el tiempo de algunas partes digitales.
Un fontanero también diagnostica, planifica, estima materiales, prepara presupuestos, documenta y se comunica con el cliente. Después debe desplazarse, acceder a lugares incómodos, cortar, sujetar, sellar, comprobar presiones y responder a lo que encuentre detrás de una pared. Parte de ese trabajo es información. Otra parte exige intervenir sobre un entorno físico poco controlado.
La Organización Internacional del Trabajo estimó en 2025 que uno de cada cuatro trabajadores estaba en una ocupación con algún grado de exposición a la IA generativa. Las ocupaciones administrativas eran las más expuestas y la exposición crecía también en trabajos técnicos muy digitalizados. Su conclusión principal, sin embargo, no era una sustitución completa, sino una transformación de tareas.
Esa distinción importa también fuera de la oficina. La automatización suele entrar en una profesión por partes, no ocupando de una vez el puesto entero.
La IA sí está acelerando la robótica
Durante décadas, gran parte de la automatización industrial ha funcionado reduciendo la variabilidad. Se fija el robot al suelo, se conoce la posición de las piezas, se separa la máquina de las personas y se programa una secuencia que se repetirá miles de veces.
El planteamiento de los modelos recientes es distinto. Los modelos de visión, lenguaje y acción —conocidos como VLA— reciben imágenes e instrucciones y producen movimientos. Intentan transferir lo aprendido entre objetos, tareas y, cada vez más, cuerpos robóticos diferentes.
Esa transferencia puede reducir varios costes que antes se pagaban para cada aplicación:
- reconocer objetos y comprender instrucciones nuevas;
- dividir un objetivo en acciones intermedias;
- aprender una tarea a partir de demostraciones en vez de programar cada trayectoria;
- reutilizar datos recogidos por otros robots;
- generar variaciones de entrenamiento mediante simulación y datos sintéticos;
- recuperarse de algunos cambios sin reconstruir todo el sistema.
Los resultados ya superan la simple ejecución de una secuencia conocida. Physical Intelligence mostró con π0.5 tareas de limpieza de entre diez y quince minutos en viviendas que no estaban en los datos de entrenamiento. Google DeepMind afirma que Gemini Robotics On-Device 2 puede adaptarse a un robot nuevo con menos de 200 ejemplos y unas horas de adaptación.
Son resultados de investigación publicados por sus propios desarrolladores, no pruebas de producto en miles de hogares. Aun así, señalan un cambio importante: mejorar el modelo puede ampliar el repertorio de muchas máquinas sin rediseñar cada una desde cero.
Ese es el mecanismo por el que el avance de la IA se traslada a la robótica. No inventa una batería mejor ni evita el desgaste de un tendón mecánico, pero reduce parte del trabajo necesario para que un cuerpo robótico perciba, planifique y aprenda.
No todos los cuellos de botella son software
Un robot capaz de trabajar fuera de una célula industrial necesita resolver varias capas a la vez.
La primera es comprender la situación. Debe reconocer objetos, estimar su posición, interpretar una petición y decidir una secuencia de acciones. Los modelos multimodales están empujando esta capa con rapidez.
La segunda es controlar el contacto. Girar una llave sobre una unión corroída no consiste solo en llegar a unas coordenadas. Hay que alinear la herramienta, aplicar fuerza sin deformar la pieza, percibir si resbala y cambiar el movimiento según la resistencia. La visión ayuda, pero no sustituye a la detección táctil, al control de fuerza ni a una mecánica precisa.
La tercera es disponer de un cuerpo que aguante el trabajo. Actuadores, reductoras, cables, recubrimientos y sensores tienen que soportar golpes, polvo, agua y miles de ciclos. El robot necesita además suficiente carga útil y autonomía energética. Una revisión sobre humanoides en construcción publicada en Scientific Reports identifica precisamente la batería, la capacidad de carga, la precisión mecánica y la resistencia en condiciones adversas entre las barreras para el despliegue.
La cuarta es completar la tarea de forma fiable. Una demostración puede seleccionar el mejor intento. Un servicio profesional tiene que funcionar un martes cualquiera, en una vivienda que nadie preparó para el vídeo.
Los datos publicados por Google DeepMind en julio de 2026 ilustran bien la distancia. En sus propias pruebas, Gemini Robotics 2 alcanzó un 92 % al desenroscar una bombilla, pero un 36 % al enroscarla, un 44 % al atar una bolsa y un 40 % al cerrar una bolsa hermética con una mano robótica de cinco dedos. Con una pinza de dos dedos llegó al 89,6 % en tareas de inserción precisa. Son avances reales y, a la vez, resultados insuficientes para ofrecer un servicio autónomo.
La fiabilidad se vuelve más difícil cuando la tarea se alarga. Si una operación tuviera veinte pasos independientes y cada uno funcionara el 95 % de las veces, la probabilidad de terminar todo sin un fallo sería aproximadamente del 36 %. El ejemplo simplifica el problema, pero muestra por qué pasar de una habilidad vistosa a una jornada de trabajo exige mucho más que mejorar unos puntos en una prueba.
La última capa es hacer que el sistema tenga sentido económico y legal. Al coste de la máquina hay que sumar transporte, preparación, supervisión, mantenimiento, seguro y tiempo fuera de servicio. También hay que decidir quién responde si el robot rompe una conducción, provoca una inundación o lesiona a alguien.
La IA acelera mucho la primera capa, empieza a mejorar la segunda y ayuda a probar las demás. No elimina sus ritmos materiales.
Una vivienda es un entorno especialmente difícil
Los robots ya trabajan a gran escala, pero lo hacen sobre todo donde el entorno colabora.
La Federación Internacional de Robótica registró casi 200.000 robots de servicio profesional vendidos en 2024 dentro de su muestra de 294 proveedores. Más de la mitad correspondían a transporte y logística, principalmente movimiento de mercancías en espacios interiores sin tráfico público. El patrón no es accidental: suelos regulares, rutas conocidas, objetos estandarizados y operaciones repetibles reducen el número de sorpresas.
Una reparación doméstica ofrece casi lo contrario.
Cada edificio reúne épocas, materiales y decisiones anteriores diferentes. Las conducciones pueden estar ocultas. El espacio de trabajo puede ser un mueble, un falso techo o un hueco en el que apenas cabe una persona. Hay piezas rígidas, juntas deformables, líquidos, suciedad y reflejos que complican la percepción. La misma avería aparente puede venir de causas distintas.
Además, el diagnóstico y la reparación se afectan mutuamente. A veces no se conoce el problema hasta desmontar una pieza. Al hacerlo puede aparecer corrosión, una instalación fuera de plano o un repuesto incompatible. El profesional no ejecuta un plan cerrado: investiga mientras modifica el entorno.
La construcción comparte muchas de estas dificultades. Los espacios cambian cada día, los materiales se mueven, el polvo degrada sensores y varios oficios trabajan a la vez. Una fábrica puede adaptarse alrededor de la máquina. Una vivienda existente difícilmente se reconstruirá para facilitar la llegada ocasional de un robot.
Por eso un fontanero no es solo un manipulador con mejores manos. Es una combinación de técnico de diagnóstico, sistema de movilidad, taller de herramientas, planificador y responsable de una intervención con consecuencias físicas.
La robótica ya ha entrado en la fontanería
Que no exista un fontanero autónomo generalista no significa que el sector esté esperando a que aparezca uno.
Hilti presentó Jaibot como un robot móvil semiautónomo para perforaciones de techo. Utiliza datos BIM para localizar y ejecutar los agujeros necesarios en instalaciones mecánicas, eléctricas y de fontanería. Un operario lo desplaza y prepara; el robot automatiza la parte repetitiva, exigente y bien especificada.
En otro extremo, investigadores de Carnegie Mellon han desarrollado un sistema modular que recorre tuberías de gas, crea mapas, detecta defectos y aplica una resina para repararlas desde dentro. La IA ayuda a evaluar los datos recogidos, pero la ventaja principal procede de acotar el mundo: el robot no debe atravesar una cocina y decidir qué herramienta utilizar; trabaja dentro de una tubería con una geometría y una misión determinadas.
En 2026, otro equipo publicó SPPIRO, un robot blando y sin cable capaz de inspeccionar tuberías con cambios de diámetro, curvas de 90 grados y bifurcaciones. También resuelve una parte concreta del oficio, precisamente una a la que el cuerpo humano no puede acceder.
Los tres ejemplos comparten una estrategia. No intentan reproducir al profesional completo. Rediseñan el problema hasta que una máquina especializada pueda resolver una parte valiosa.
Antes del robot fontanero veremos otra cosa
La trayectoria más probable no empieza con un humanoide llamando al timbre y termina con la desaparición del oficio. Empieza en los bordes del trabajo.
La IA puede asistir en la clasificación inicial de una incidencia, consultar manuales, preparar presupuestos, documentar intervenciones y localizar repuestos. Los sensores y robots de inspección pueden acceder a conducciones, producir mapas y detectar anomalías. Herramientas semiautónomas pueden encargarse de medir, marcar, perforar o repetir uniones en condiciones controladas. La prefabricación puede trasladar más operaciones desde la obra a un taller organizado para máquinas.
Entre la herramienta manual y la autonomía completa hay además un espacio grande para la supervisión remota. Un sistema puede ejecutar movimientos habituales y pedir ayuda cuando encuentra una excepción. Eso no elimina a la persona, pero permite que una misma experiencia humana se reparta entre más intervenciones y que el robot acumule datos precisamente sobre los casos difíciles.
La distinción útil no será siempre humano frente a máquina. Será qué combinación de software, máquina especializada, autonomía supervisada y oficio humano resuelve mejor cada tramo.
Hay dos relojes y tres distancias
La conversación sobre automatización suele mirar un solo reloj: el de las capacidades. Una demostración nueva parece acercar de golpe el futuro; un fallo torpe parece devolverlo varias décadas atrás.
En realidad hay al menos dos relojes. El primero mide lo que puede hacer el mejor sistema en condiciones favorables. El segundo mide cuándo esa capacidad es suficientemente fiable, segura y barata para desplegarse en un trabajo real.
Entre una cosa y otra quedan tres distancias:
- de la demostración a la repetición fiable;
- de la repetición a una secuencia larga con excepciones;
- de la capacidad técnica a una operación económicamente razonable.
La IA está acortando la primera distancia y parte de la segunda con una velocidad que hace poco parecía improbable. El hardware, la seguridad y el despliegue mantienen más larga la tercera.
Mi amigo probablemente acertaba en el orden inmediato: muchas tareas de cuello blanco están más expuestas hoy porque ya ocurren dentro de un ordenador. Pero de ahí no se deduce que los oficios físicos estén quietos ni que podamos extrapolar su ritmo actual durante veinte años.
Un robot fontanero generalista todavía está lejos. La fontanería robotizada ya ha empezado.
La diferencia entre ambas afirmaciones es donde ocurrirá casi todo el cambio.
Fuentes
- OIT y NASK: Generative AI and Jobs — A Refined Global Index of Occupational Exposure
- International Federation of Robotics: World Robotics 2025
- Google DeepMind: Gemini Robotics 2
- Physical Intelligence: π0.5 — A Vision-Language-Action Model with Open-World Generalization
- Firoozi et al.: Foundation models in robotics — Applications, challenges, and the future
- Uthai et al.: Opportunities, challenges and roadmap for humanoid robots in construction
- Hilti: Jaibot, BIM-enabled construction jobsite robot
- Carnegie Mellon University: robot for detecting and repairing gas pipelines
- Chen et al.: SPPIRO, an autonomous soft robot for pipe inspection
