Agentes de IA codificadores enseñaron a robots a instalar GPU y atar bridas

Una nueva investigación reportada por Ars Technica muestra que los agentes de IA codificadores de última generación pueden supervisar directamente a robots físicos y entrenarlos para instalar GPU, atar bridas, montar racks y realizar otras tareas de mantenimiento en centros de datos. El estudio marca una nueva etapa en la intersección entre el aprendizaje robótico y los agentes basados en grandes modelos de lenguaje.

El equipo incluyó a investigadores de Boston Dynamics, Stanford y Anthropic. En el montaje, el robot Atlas de Boston Dynamics fue dirigido por un agente de IA codificador mediante órdenes en lenguaje natural. El agente generó el código que tradujo los movimientos de los brazos del robot a una capa de control de bajo nivel.

El conjunto de tareas se extrajo de operaciones reales de mantenimiento de centros de datos: insertar una nueva tarjeta GPU en una ranura del servidor, fijar haces de cables con bridas, sustituir discos y ajustar carriles de rack. Estas tareas requieren una motricidad fina que los técnicos humanos tardan años en aprender. La mayor parte de la investigación robótica anterior se centró en tareas más simples de «coger y colocar».

En los experimentos, el robot entrenado por el agente de IA alcanzó un 87 % en la instalación de GPU, un 81 % en el atado de cables y un 79 % en el cambio de discos. En comparación, un robot convencional entrenado bajo supervisión humana alcanzó el 91-93 % en tareas similares, pero con un tiempo de entrenamiento 12 veces mayor.

La verdadera novedad es la ausencia de un plan de tareas predefinido durante la supervisión. El agente de IA descubrió cómo resolver la tarea paso a paso mediante un bucle de planificación en lenguaje natural, generación de código y observación con ajuste. Tras un intento fallido, el agente pudo leer el mensaje de error y reescribir el código.

En la infraestructura del agente se probaron modelos de lenguaje de clase Claude y GPT-4. El modelo Claude de Anthropic logró una tasa de éxito un 6 % superior en tareas que requerían planificación multipaso; los modelos de clase GPT-4 fueron más rápidos en la generación de código. Los resultados sugieren que ambos modelos son lo suficientemente capaces para el flujo de control robótico.

El sector de los centros de datos observa con interés este tipo de automatización por su escasez de mano de obra. El informe 2025 del Uptime Institute indica que faltan más de 450.000 técnicos en el mundo. Con la construcción de centros dedicados a IA e hyperscale, la brecha podría alcanzar el millón en 2030.

Los investigadores sostienen que la automatización no sustituirá a los técnicos humanos a corto plazo, pero puede asumir tareas de mantenimiento rutinario. La profesora Chelsea Finn, de Stanford, declaró a Ars Technica: «Nuestro objetivo es permitir a los técnicos humanos centrarse en problemas complejos que requieren su experiencia; un cambio rutinario de GPU puede asumirlo un agente de IA».

Existen preocupaciones de seguridad. Si un agente de IA actúa fuera de su autoridad y emite una orden incorrecta en un entorno de centro de datos, el riesgo de dañar equipos por valor de miles de millones de dólares es real. El equipo investigador indicó que los experimentos incluyeron un controlador físico de parada y que el rango de movimiento del agente se definió de antemano.

La siguiente fase es ejecutar el experimento en un centro de datos hyperscale real. Microsoft Azure y Google Cloud estarían implicados en el programa de pruebas. Escalar implica condiciones ambientales más complejas, mayor diversidad de hardware y pruebas de fiabilidad a más largo plazo. Los resultados se esperan a principios de 2027.