Por Canuto  

Skild AI afirma que superó los USD $100 millones en ingresos anuales recurrentes apenas 10 meses después de iniciar sus despliegues comerciales, con más de 60 clientes y proyectos junto a NVIDIA, Foxconn, Sumitomo y Mitsui.
***

  • Skild AI afirma que alcanzó más de USD $100 millones en ingresos anuales recurrentes y reconoció USD $50 millones en ingresos desde el inicio de sus despliegues comerciales.
  • La empresa señala que el 90% de sus ingresos proviene de aplicaciones de manipulación robótica, mientras la movilidad representa el 10% restante.
  • Su modelo S1 busca que los robots aprendan nuevas tareas mediante un solo video, sin actualizar los pesos del sistema, para adaptarse a entornos productivos cambiantes.

Skild AI afirma haber superado los USD $100 millones en ingresos anuales recurrentes, apenas 10 meses después de comenzar los despliegues comerciales de su tecnología de inteligencia artificial para robots. La compañía sostiene que ya trabaja con más de 60 clientes de pago en aplicaciones que abarcan movimiento de materiales, entregas, inspección de sitios, seguridad, preparación de alimentos, almacenes, fábricas y centros de datos.

La cifra de ARR, una medida que proyecta los ingresos recurrentes actuales a un año, llegó acompañada de USD $50 millones en ingresos reconocidos desde el inicio de esas implementaciones, según los cofundadores Deepak Pathak y Abhinav Gupta. Ambos ejecutivos ocupan los cargos de CEO y presidente, respectivamente, en Skild AI. Presentaron los datos para defender una estrategia centrada en operar robots en entornos reales, en lugar de medir el avance principalmente mediante videos de demostración.

Una expansión concentrada en la manipulación robótica

Pathak y Gupta aseguran que cerca del 90% de los ingresos de Skild AI procede de aplicaciones de manipulación robótica, un segmento que incluye tareas donde los sistemas deben tomar, mover, ensamblar o procesar objetos con precisión. La movilidad representa aproximadamente el 10% restante e incorpora soluciones de robots móviles autónomos vinculadas con Zebra Technologies y Fetch Robotics.

Las soluciones asociadas con Zebra Technologies y Fetch Robotics representan, por sí solas, alrededor del 4% de los ingresos de la empresa, de acuerdo con la distribución divulgada por sus fundadores. El desglose muestra que Skild AI está priorizando actividades industriales y operativas donde la confiabilidad, la velocidad y la capacidad de adaptación pueden influir directamente en la continuidad de una línea de trabajo.

La compañía describe esta orientación como una decisión tecnológica y comercial, no únicamente como una forma de vender servicios a clientes corporativos. Según la empresa, Pathak y Gupta sostienen que el despliegue forma parte de la propia tecnología porque expone a los modelos a las condiciones concretas que deben resolver, desde cambios en los objetos hasta restricciones de tiempo dentro de una operación.

Ese planteamiento también modifica la manera de evaluar el progreso de la robótica. Un sistema puede completar una tarea en un video cuidadosamente seleccionado, pero fallar cuando cambian el tamaño de una pieza, la disposición de una estación de trabajo o la velocidad exigida por una fábrica, diferencias que suelen permanecer ocultas en una demostración breve.

Proyectos con NVIDIA, Foxconn y Sumitomo

Skild AI trabaja con NVIDIA y Foxconn para desplegar su tecnología Skild Brain en manipuladores robóticos de doble brazo destinados al ensamblaje de alta precisión de sistemas NVIDIA Blackwell. La empresa explica que estos procesos de fabricación cambian con cada ciclo de producto, por lo que tradicionalmente ha sido necesario reprogramar los robots cada vez que se modifican los requisitos de producción.

El reto no consiste solamente en lograr que un brazo robótico ejecute una secuencia determinada, sino en mantener el rendimiento cuando la línea cambia sus componentes o sus instrucciones. Para Skild AI, la capacidad de adaptarse a esas variaciones puede reducir la dependencia de ajustes manuales y hacer más viable el uso de robots en procesos con ciclos de producto relativamente cortos.

En otro despliegue, la compañía trabaja con Sumitomo Wiring Systems para automatizar procesos de fabricación de arneses de cables que hasta ahora han resultado difíciles de robotizar. La complejidad de esas tareas exige coordinar piezas flexibles, movimientos delicados y configuraciones que pueden variar, un escenario que pone a prueba la generalización de los modelos más allá de una única demostración.

Skild AI también colabora con Mitsui & Co para probar robots de propósito general impulsados por su modelo S1 en cocinas comerciales. La empresa señala que las cadenas de suministro asociadas con Mitsui sirven 1,4 millones de comidas al día en todo Japón, una escala que podría ofrecer múltiples situaciones de operación y, al mismo tiempo, revelar los límites prácticos de los robots en ambientes cambiantes.

La confiabilidad como diferencia frente a las demos

Los fundadores de Skild AI cuestionan que la industria utilice los videos de demostración como principal indicador del avance tecnológico. A su juicio, una grabación exitosa puede verse prácticamente igual si el robot ejecuta una tarea de forma consistente o si solo consigue completarla de manera ocasional, porque el espectador no observa los intentos fallidos ni las condiciones que quedaron fuera de cámara.

Pathak y Gupta recuerdan que enseñar a su modelo a preparar huevos tomó una semana para cocinar el primero, pero otros dos meses para hacerlo de manera confiable con huevos diferentes y en configuraciones distintas. El ejemplo busca ilustrar que el último tramo de rendimiento exige mucho más trabajo que el primer resultado llamativo, especialmente cuando el sistema debe responder a variaciones que no aparecieron durante el entrenamiento inicial.

La velocidad representa un problema similar, incluso cuando la precisión parece elevada. En una línea con estaciones humanas y robóticas, la parte más lenta puede limitar el rendimiento de toda la operación; por eso, un robot con 99,9% de precisión, pero diez veces más lento de lo necesario, seguiría sin ser apto para un despliegue productivo.

Esta perspectiva lleva a la empresa a optimizar desde el principio el éxito bajo restricciones de tiempo, en vez de corregir esa variable después de alcanzar una demostración convincente. El objetivo es que la métrica relevante combine precisión, velocidad, adaptación y continuidad, porque una falla en cualquiera de esos elementos puede impedir que el robot genere valor económico en la práctica.

S1 y el aprendizaje a partir de un solo video

Los cambios constantes en las fábricas influyeron en el desarrollo de S1, el modelo más reciente de Skild AI. Los proveedores pueden sustituir componentes, las plantas pueden reorganizar sus estaciones y los clientes pueden modificar sus procedimientos después de instalar un sistema, lo que obligaría a recopilar nuevos datos y volver a entrenar el modelo cada vez que ocurre una variación.

S1 está diseñado para aprender una tarea nueva a partir de un solo ejemplo de video mediante aprendizaje en contexto. En lugar de actualizar los pesos del modelo, un operador puede entregar una nueva demostración como instrucción para que el robot adapte su comportamiento a la tarea solicitada, según la descripción de la empresa.

La arquitectura busca resolver uno de los obstáculos para escalar despliegues generalistas: la necesidad de crear una solución específica para cada combinación de robot, objeto, proceso y entorno. Skild AI construyó el modelo utilizando infraestructura de inteligencia artificial de NVIDIA para entrenarlo con sus conjuntos de datos de robótica, aunque la experiencia obtenida en cada operación sigue siendo decisiva para comprobar si la adaptación funciona fuera del laboratorio.

Los fundadores argumentan que la prioridad otorgada a esta capacidad surgió de los problemas encontrados en producción y no de una agenda puramente académica. En su visión, el despliegue actúa como un laboratorio permanente donde aparecen preguntas que una investigación aislada podría no formular, desde cuánto tarda una tarea hasta qué ocurre cuando el cliente cambia una pieza o reorganiza la estación.

El volante de datos para los robots generalistas

La estrategia de Skild AI contempla que los datos generados por cada despliegue regresen a sus modelos de propósito general. El proceso comienza con un modelo fundacional entrenado en distintos robots, tareas y formas físicas, que después se adapta a aplicaciones particulares para atender las exigencias de cada cliente.

Una vez que esos sistemas especializados operan en fábricas, almacenes, cocinas o centros de datos, sus datos y experiencias pueden incorporarse nuevamente al modelo más amplio. La compañía espera que ese ciclo reduzca la cantidad de especialización necesaria en futuras implementaciones, porque el modelo generalista llegaría con más conocimiento sobre tareas, objetos y condiciones de trabajo.

Skild AI describe este mecanismo como un volante de datos de despliegue: cada operación fortalece el modelo, el modelo más sólido facilita la siguiente operación y los nuevos despliegues generan más información. La lógica es similar a un ciclo de aprendizaje acumulativo, aunque su efectividad dependerá de la calidad de los datos, de la capacidad para transferir habilidades entre robots y de que las mejoras mantengan la confiabilidad exigida por los clientes.

La empresa sostiene que, cuanto más aprenda su modelo generalista, menor debería ser la especialización requerida en cada nuevo proyecto. Con esa tesis, Skild AI contrapone una cultura que recompensa videos llamativos con otra que premia la instalación, la operación sostenida y la capacidad de cumplir objetivos bajo restricciones reales.

El desafío de convertir ingresos en escala

El reporte de USD $100 millones en ARR ofrece una señal de tracción comercial, pero no elimina los desafíos técnicos asociados con el crecimiento de los despliegues. Atender más de 60 clientes implica enfrentar una diversidad creciente de robots, procesos y entornos, mientras la compañía intenta preservar un comportamiento consistente en aplicaciones que no comparten necesariamente los mismos objetos ni las mismas reglas operativas.

La propia experiencia descrita por Skild AI sugiere que una demostración inicial representa solo una parte del trabajo requerido para alcanzar la producción. La diferencia entre completar una tarea una vez y ejecutarla de forma confiable, rápida y repetible puede determinar si una empresa conserva el sistema instalado o decide limitarlo a una prueba controlada.

Los proyectos con NVIDIA, Foxconn, Sumitomo Wiring Systems y Mitsui & Co exponen a Skild AI a sectores con necesidades distintas, desde el ensamblaje de hardware hasta la preparación de alimentos. Esa variedad puede beneficiar el entrenamiento de sus modelos, aunque también aumenta la presión para demostrar que S1 y Skild Brain pueden adaptarse sin convertir cada cliente en un proyecto completamente aislado.

Por ahora, la compañía presenta el despliegue como el centro de su ventaja competitiva y no como la etapa posterior a la investigación. Su apuesta consiste en transformar los problemas cotidianos de producción en datos para la siguiente generación de robots, con la promesa de que la era de las demostraciones sea reemplazada por sistemas capaces de trabajar de manera confiable en el mundo real.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados