OpenAI Disuelve su División de Robótica: Giro Hacia la IA Encarnada en Modelos Generales

TL;DR / KEY POINTS

• OpenAI disuelve formalmente su equipo independiente de robótica y reasigna su talento entre el grupo central de investigación de Mark Chen y la división de ingeniería aplicada de Greg Brockman.
• La compañía consolida un cambio doctrinal mayor: abandona los stacks de robótica aislados al demostrar que modelos frontera multimodales como GPT-6 Astra superan a arquitecturas especializadas en simulación motriz (74,8% frente a 51,0%).
• El movimiento responde a una optimización de capital previa a la OPV de 2027, eliminando proyectos satélite mientras retiene la meta de presentar su propio humanoide comercial el próximo año.

Reestructuración Estructural: El Fin de los Silos en IA Física

El 13 de noviembre de 2026, una investigación exclusiva de Fortune confirmó que OpenAI ha disuelto formalmente su división independiente de robótica (stand-alone robotics team). La maniobra, ejecutada con una celeridad operativa tal que el stand reservado por la compañía en la conferencia CoRL (Conference on Robot Learning) en Austin quedó desierto, redistribuye de inmediato a todos sus ingenieros y científicos en dos divisiones nucleares.

Por un lado, el equipo de investigación teórica pasa a depender directamente del Chief Research Officer, Mark Chen, integrándose en el desarrollo de modelos troncales. Por el otro, los perfiles dedicados a integración de hardware y robótica aplicada han sido absorbidos por la división Applied, bajo el mando directo del cofundador y presidente Greg Brockman.

Lejos de implicar una retirada de la robótica —como la ocurrida en 2020 bajo el argumento de la escasez de datos físicos—, la dirección ejecutiva liderada por Sam Altman califica esta reestructuración como una aceleración táctica: los sistemas físicos ya no requieren modelos dedicados, sino interfaces directas con modelos generales de frontera.

ESTRUCTURA DE REASIGNACIÓN EN OPENAI (NOVIEMBRE 2026)
┌────────────────────────────────────────────────────────┐
│           División Independiente de Robótica           │
│                      [DISUELTA]                        │
└──────────────────────────┬─────────────────────────────┘
                           │
             ┌─────────────┴─────────────┐
             ▼                           ▼
┌─────────────────────────┐ ┌─────────────────────────┐
│    Core Research Org    │ │   Applied Operations    │
│       (Mark Chen)       │ │     (Greg Brockman)     │
│ • Fundamentos Físicos   │ │ • Hardware & Firmware   │
│ • Integración Multimodal│ │ • Validación Comercial  │
│ • GPT-6 Astra Motor     │ │ • Pipeline Humanoide 27 │
└─────────────────────────┘ └─────────────────────────┘

El Foso Competitivo: GPT-6 Astra y la Obsolescencia de Stacks Aislados

Validación Empírica en Entornos de Simulación

El catalizador de esta decisión doctrinal radica en los resultados arrojados por GPT-6 Astra. Durante pruebas exhaustivas coordinadas en entornos de simulación de Nvidia, un agente orquestado por Astra alcanzó una tasa de éxito del 74,8% en tareas complejas de manipulación física y resolución espacial, frente al 51,0% obtenido por los mejores modelos especializados de robótica del mercado actual.

Evaluaciones paralelas en el benchmark StationeryBench sobre brazos robóticos duales mostraron que los modelos de frontera son capaces de inferir relaciones de fricción, palanca y geometría tridimensional directamente a partir de pesos preentrenados a escala masiva, neutralizando la ventaja que tradicionalmente ostentaban los modelos entrenados exclusivamente mediante teleoperación.

La Ecuación de Costes y Latencia Operativa

Pese a la superioridad de razonamiento, la centralización en modelos fundacionales introduce fricciones de despliegue industrial que el mercado vigila de cerca:

• Coste de Inferencia: Las pruebas de manipulación con GPT-6 Astra registraron un gasto medio de 36,40 dólares en tokens por intento, una cifra insostenible para líneas de ensamblaje intensivas sin optimizaciones de destilación local.
• Latencia de Ciclo de Control: El retardo promedio se situó en 18,56 segundos por llamada al modelo general, lo que exige desacoplar el razonamiento estratégico (a nivel de nube) de las políticas reactivas de baja latencia (a nivel de actuadores locales).

Geopolítica de Hardware y Camino Hacia la Salida a Bolsa (OPV 2027)

Ruptura de Dependencias y Alianzas Pasadas

Este viraje completa el ciclo de distanciamiento que OpenAI inició tras el cese de su alianza técnica con Figure AI a inicios de 2025, cuando la startup optó por construir sus propias redes neuronales propietarias. Con el control absoluto del software y el diseño mecatrónico interno, la firma busca consolidar un foso propietario indivisible.

Expertos del sector, como Russ Tedrake (MIT) y Guanya Shi (Carnegie Mellon), destacan que, si bien OpenAI apuesta por la supremacía de la inferencia general, competidores puros de hardware retienen una ventaja crítica: los datos directos de despliegue en fábricas y almacenes reales que la simulación sintética aún no replica al milímetro.

Disciplina Financiera y Focalización de Cómputo

Con una oferta pública de venta (OPV) proyectada para inicios de 2027, Altman ha impuesto una política estricta de erradicación de proyectos paralelos (side quests) para frenar el consumo disperso de cómputo. La absorción del equipo de robótica permite reconducir clústeres masivos de GPU hacia el entrenamiento unificado de sus modelos bandera, manteniendo firme el compromiso de presentar su primer robot humanoide comercial antes de que concluya 2027.