AgiBot presentó en Shanghái la vista previa de GO-3, su próximo modelo base para robots, y una unidad de medida para contar trabajo útil en lugar de unidades fabricadas. Las cifras que acompañan al anuncio son suyas y nadie las ha comprobado todavía.
Qué es GO-3 Preview y qué significa WRAM
El 29 de octubre, en el Innovation Day 2026 de Shanghái, la empresa china presentó GO-3 Preview. No es un robot nuevo: es el modelo que va dentro del robot, un modelo base de inteligencia encarnada. La diferencia importa.
"Encarnada" significa que el sistema no solo procesa texto o imágenes: actúa en el mundo físico. Para eso necesita entender una orden dicha en voz alta, imaginar qué va a pasar si mueve el brazo de una manera y convertir esa decisión en una trayectoria concreta.
La arquitectura que AgiBot dice haber construido se llama WRAM, siglas de World Reasoning Action Model, algo así como modelo de razonamiento, mundo y acción. La idea es encadenar las tres piezas: razonar la tarea, predecir el resultado y generar el movimiento.
En la mayoría de los robots industriales, esas piezas viven separadas. Un sistema planifica, otro calcula la ruta y un tercero controla los motores. Unirlas en un solo modelo permite que el robot corrija sobre la marcha cuando algo sale distinto de lo previsto.
Cómo aprende un robot con vídeo de personas y sus propios movimientos
AgiBot describe dos fuentes de datos. La primera es vídeo en primera persona de personas haciendo cosas: abrir un cajón, servir un plato, doblar una camisa. Son grabaciones que enseñan el orden de los pasos y qué aspecto tiene una tarea bien hecha.
La segunda son trayectorias de robots: la secuencia de posiciones, fuerzas y resultados que produjo una máquina al intentar lo mismo. Ahí está la información que el vídeo no tiene, porque un vídeo muestra el resultado y no el esfuerzo.
La mezcla busca algo concreto. Que el robot aprenda la intención viendo a una persona y la ejecución viendo a otra máquina. Si funciona, un movimiento aprendido en una cocina puede servir en otra con utensilios distintos.
El entrenamiento se organiza en tres fases: preentrenamiento en entornos de casa, cocina y varios robots a la vez, ajuste posterior y despliegue. La empresa afirma que en la primera fase el modelo ejecuta tareas desconocidas sin necesidad de un ajuste específico para cada movimiento nuevo.
Genie Evolver: cien robots que practican dentro de un simulador
El sistema de ajuste posterior se llama Genie Evolver. Combina datos de alrededor de cien robots físicos con simulación física y modelos del mundo, de modo que el robot pueda repetir una tarea miles de veces sin gastar material ni tiempo real.
Ese bucle hace viable el aprendizaje por prueba y error. Un robot real que intenta meter una pieza en una ranura tarda segundos y puede romper algo. Uno simulado falla diez mil veces en una tarde. Nada se rompe.
El riesgo de entrenar en simulación es conocido: lo aprendido allí no siempre se traslada al mundo físico, porque la simulación no reproduce del todo la fricción, la luz o el desgaste. La empresa dice que combina ambos mundos para reducir esa distancia.
Las demostraciones que AgiBot puso sobre la mesa
Los ejemplos del anuncio son deliberadamente domésticos, y eso no es casualidad. En una mesa de curling, la empresa dice que el robot superó la media de las personas que probaron la misma tarea tras cuatro horas de práctica.
También mostró un brazo retirando cinco bloques seguidos de una torre sin que se cayera, una tarea que castiga cualquier error de fuerza. Y describió la preparación de un plato chino de crepes rellenas, el jianbing guozi, con varias etapas y un poco de habilidad manual, aprendido con pocas demostraciones.
En lo industrial, habló de montar piezas de Lego tras un ajuste fino, con un agente de IA coordinando los pasos. Y presentó Genie Master, un marco que conecta decisión, ejecución y respuesta para que el robot detecte errores y conserve lo aprendido. En la demostración, una unidad G2 trabajaba en una tienda real.
Los tres rankings y el 85 % que nadie ha replicado
AgiBot dice que GO-3 Preview ocupa el primer puesto en tres clasificaciones de robótica: RoboDojo, RoboTwin y RoboColiseum. Son nombres que suenan técnicos y lo son: miden tareas de manipulación en entornos controlados, y cada una tiene su propio conjunto de pruebas.
El 85 % corresponde, según la cobertura periodística, a la tasa de éxito en pruebas reales. Es la cifra que más se citará, y sale de la empresa, no de un laboratorio independiente.
¿Alguien ha verificado esos números? No. Eso no significa que los resultados sean falsos. Significa que, por ahora, son afirmaciones de la compañía y no hechos comprobados.
Worken: contar trabajo en vez de contar máquinas
La propuesta más interesante del evento no es el modelo, sino la unidad de medida. AgiBot presentó Worken, un término formado con las palabras inglesas work y token, definido como horas de trabajo inteligente efectivo.
La fórmula es una multiplicación de tres factores. Primero, el número de robots activos, contando solo los que están trabajando de verdad y no los que están en fábrica o en almacén. Segundo, las horas de trabajo autónomo, sin contar el tiempo en que la máquina está encendida pero parada. Tercero, una ratio de eficiencia que traduce la producción a trabajo aceptable según un estándar humano.
El objetivo declarado es cambiar la conversación del sector. Hoy las empresas de robótica humanoides compiten por cuántas unidades fabrican y cuántas entregan. Worken propone hablar de cuánto trabajo útil producen.
Es una idea atractiva y también un arma comercial. Si una empresa define la unidad, define cómo se mide a sus competidores. Ahí está el riesgo. Cualquiera que adopte Worken acepta de paso los criterios de eficiencia que AgiBot elige para calcular la tercera parte de la fórmula.
AHA3, G2 Max y el resto del Innovation Day de AgiBot
El evento sirvió para enseñar una línea completa. AgiBot presentó AHA3, su tercera arquitectura humanoide, descrita como la primera plataforma comercial que unifica movimiento, interacción y manipulación, con refrigeración líquida y articulaciones IP67 para ambientes con polvo y agua.
También apareció WITA-Omni, un modelo de interacción que trabaja con varias modalidades a la vez, y G2 Max, un robot industrial de dos brazos con 21 grados de libertad y 40 kilos de carga por brazo. El sistema operativo Link-U OS 1.0 se publicará como código abierto antes de que acabe 2026, igual que el modelo completo GO-3.
Qué falta para que las cifras de GO-3 signifiquen algo
Tres comprobaciones. La primera es la reproducción externa de los resultados en los tres rankings, con el mismo protocolo y sin intervención de la empresa. La segunda es el código: la promesa de abrir el modelo a finales de año se puede verificar, y ahí se verá si el WRAM es tan distinto como se presenta.
La tercera es el trabajo sostenido. Un robot que hace curling cuatro horas o retira cinco bloques demuestra control fino. Uno que pasa ocho horas en una tienda demuestra otra cosa: resistencia, recuperación de errores y capacidad de seguir cuando la tarea se sale del guion.
AgiBot ya anunció ese paso con una prueba en una tienda real, la clase de demostración que se puede medir sin depender de una tabla. Ahí el 85 % y el Worken dejarán de ser una promesa y pasarán a ser algo que cualquiera pueda contar.
Una advertencia para quien cite el anuncio: el 85 % sale de pruebas en escenarios reales, según la prensa, y el liderazgo en los tres rankings viene de entornos de evaluación. Son dos afirmaciones con niveles de prueba distintos.
