Claude controlaba un perro robot 20 veces más rápido que los humanos en un experimento de Anthropic que muestra el avance de la IA en robótica, código y agentes físicos.
Un experimento pequeño con una señal enorme
La frase impresiona: Claude controlaba un perro robot 20 veces más rápido que los humanos. Suena a titular de ciencia ficción, pero viene de un experimento real publicado por Anthropic dentro de su proyecto Project Fetch, una prueba diseñada para medir hasta qué punto un modelo de inteligencia artificial puede interactuar con hardware físico.
El protagonista fue Claude Opus 4.7, una versión avanzada del modelo de Anthropic. La tarea no consistía en mantener una conversación ni escribir un texto, sino en trabajar con un robot cuadrúpedo comercial, conectarse a sus sensores, generar código, interpretar datos y avanzar hacia una misión aparentemente sencilla: hacer que el robot localizara y recuperara una pelota de playa.
La cifra de las 20 veces más rápido no significa que Claude sea ya mejor que un ingeniero experto en robótica. Tampoco significa que pueda controlar cualquier robot en cualquier situación. Pero sí muestra algo muy relevante: los modelos de IA están empezando a cruzar la frontera entre el mundo digital y el mundo físico.
Y esa frontera es una de las más importantes de los próximos años.
Qué era Project Fetch
Project Fetch fue un experimento de Anthropic para comprobar cómo podía ayudar Claude en tareas de robótica. En la primera fase, realizada en 2025, la compañía reunió a empleados sin experiencia profunda en robots y los dividió en dos grupos: uno con acceso a Claude y otro sin acceso a IA.
Ambos equipos tenían que aprender a manejar un perro robot, conectarse a sus sensores, escribir programas de control y avanzar hacia la tarea de buscar una pelota. El equipo con Claude logró mejores resultados y completó varias tareas más rápido.
La segunda fase fue más ambiciosa. En lugar de usar Claude como asistente de humanos, Anthropic probó qué podía hacer Claude Opus 4.7 por sí mismo, con intervención humana mínima. Un investigador conectaba el portátil al robot, introducía el prompt inicial y aprobaba comandos, pero el trabajo de programación y resolución lo hacía el modelo.
Ahí apareció el dato llamativo: Claude completó ciertas tareas robóticas mucho más deprisa que los equipos humanos del experimento anterior.
Qué hizo exactamente Claude
Conviene explicar bien el alcance del experimento. Claude no “poseyó” al robot ni lo manejó como si fuera un animal autónomo. Lo que hizo fue escribir código y configurar herramientas para comunicarse con el perro robot.
Entre las tareas estaban conectarse a la cámara, acceder al sensor lidar, escribir programas para controlar el movimiento, detectar una pelota de playa y combinar parte de esa información para que el robot se orientara hacia el objetivo.
Estas tareas son más difíciles de lo que parecen. Un robot comercial puede traer documentación, APIs, controladores y sensores, pero conectar todo de forma útil requiere leer instrucciones, elegir enfoques, descartar rutas incorrectas, depurar errores y probar código.
Ahí Claude fue especialmente fuerte. Identificó caminos de conexión más rápido, generó menos código que el equipo humano asistido por IA y logró resultados eficaces con menos vueltas.
La ventaja no estuvo tanto en la fuerza física del robot como en la capacidad de programación y adaptación del modelo.
Por qué fue 20 veces más rápido
La comparación viene de las tareas que podían medirse frente al experimento anterior. En las pruebas realizadas, Claude Opus 4.7 completó en minutos tareas que los equipos humanos habían tardado horas en resolver.
En las cuatro tareas completadas por todos, el equipo sin Claude tardó aproximadamente seis horas, el equipo con Claude unas tres horas, y Claude Opus 4.7 solo tardó menos de diez minutos. En la comparación general de tareas de la segunda fase, Anthropic resume el resultado diciendo que Claude fue alrededor de 20 veces más rápido que el equipo humano más veloz.
La razón principal parece estar en la reducción de fricción. Los humanos perdían tiempo decidiendo entre varias opciones, probando documentación, debatiendo enfoques, corrigiendo errores y coordinándose. Claude, en cambio, podía avanzar de forma más directa.
Esto no significa que el modelo entendiera el robot como lo entiende un especialista humano. Pero sí fue muy eficiente traduciendo una meta técnica en pasos concretos de software.
Menos código y más eficacia
Uno de los datos más interesantes es que Claude no solo fue rápido. También escribió menos código que el equipo humano asistido por IA. En la primera fase, el equipo con Claude generó muchísimo código, en parte porque la IA facilitaba probar muchas soluciones en paralelo. Eso puede ser útil, pero también puede distraer.
En la segunda fase, Claude Opus 4.7 fue más directo. Produjo un volumen de código mucho menor y aun así logró resultados iguales o mejores en las tareas evaluadas.
Esto importa porque una IA rápida pero caótica puede crear nuevos problemas: archivos innecesarios, dependencias mal elegidas, soluciones difíciles de mantener o errores escondidos. En cambio, si el modelo empieza a escribir código más limpio y más orientado al objetivo, su utilidad crece mucho.
En robótica, cada línea mal pensada puede tener consecuencias físicas. No es lo mismo romper una web que enviar un robot contra una mesa.
Lo que Claude todavía no consiguió
El matiz más importante es que Claude no resolvió del todo la tarea final. Logró avanzar en la conexión, sensores, detección y movimiento, pero tuvo problemas con la parte más fina: conseguir que el robot empujara la pelota de forma controlada hasta la base.
Aquí aparece una diferencia clave entre el mundo digital y el mundo físico. En software, si algo falla, puedes corregir código y volver a ejecutar. En robótica, el entorno cambia constantemente. La pelota se mueve de manera impredecible, el robot calcula distancias con ruido, el suelo puede afectar al desplazamiento y cada pequeño error modifica la siguiente acción.
Los humanos son muy buenos en ese tipo de bucle: mirar, ajustar, corregir, empujar un poco, frenar, recolocarse. Claude todavía tuvo dificultades para cerrar ese ciclo con precisión.
Por eso Anthropic fue clara: el experimento no demuestra que los modelos de lenguaje hayan resuelto la robótica.
Por qué esto importa para la IA física
Durante años, la inteligencia artificial generativa ha vivido sobre todo dentro de pantallas. Escribe textos, genera código, resume documentos, analiza datos, responde preguntas y usa herramientas digitales. Pero el mundo físico es otra cosa.
Controlar robots implica conectar percepción, movimiento, seguridad, sensores, incertidumbre y consecuencias reales. Si un agente de IA comete un error en un documento, se corrige. Si lo comete controlando una máquina, puede romper algo o hacer daño.
Project Fetch apunta a una transición importante: los modelos empiezan a ser capaces de usar herramientas físicas comerciales sin haber sido entrenados específicamente para ese robot. No diseñan el hardware desde cero, pero pueden aprender a interactuar con él a través de documentación, código y pruebas.
Eso abre posibilidades enormes en logística, inspección industrial, mantenimiento, agricultura, laboratorios, asistencia doméstica y entornos peligrosos para humanos.
También abre riesgos.
La diferencia entre ayudar y actuar solo
La primera fase de Project Fetch mostraba que Claude podía ayudar a humanos. La segunda fase muestra algo más delicado: Claude podía hacer parte del trabajo solo.
Ese cambio es central en el debate sobre los agentes de IA. Una cosa es pedirle a un modelo que sugiera código. Otra es darle acceso a herramientas, sensores, comandos y capacidad para ejecutar acciones. En el primer caso, la IA aconseja. En el segundo, actúa.
Anthropic lo plantea como una evolución ya vista en otros campos. Primero, los modelos ayudan a una persona. Después, las personas ayudan al modelo a completar tareas. Finalmente, el modelo realiza muchas partes por sí mismo con supervisión mínima.
En robótica, esa evolución debe tratarse con más cuidado que en tareas puramente digitales. La autonomía física requiere límites claros.
Qué aplicaciones podría tener
La idea de un modelo capaz de conectar con robots y escribir software de control puede ser muy valiosa. En fábricas, por ejemplo, podría acelerar la configuración de máquinas, sensores o robots móviles. En almacenes, podría ayudar a adaptar robots a nuevos espacios. En agricultura, podría facilitar tareas de inspección o recolección asistida.
También podría ser útil en entornos peligrosos: incendios, plantas industriales, zonas contaminadas, rescates o inspecciones en infraestructuras. Un robot capaz de ser configurado rápidamente por IA podría reducir riesgos humanos.
En laboratorios, la combinación de IA y robótica puede acelerar experimentos, preparar muestras, mover instrumentos o automatizar procesos repetitivos.
La clave está en que muchos robots actuales son potentes, pero difíciles de programar y adaptar. Si una IA reduce esa barrera, más personas podrían usar robots sin ser expertas en robótica.
Los riesgos de conectar IA y robots
El entusiasmo no debe ocultar los peligros. Cuando una IA se conecta a hardware físico, los errores dejan de ser abstractos. Un robot mal programado puede chocar, caer, dañar objetos o actuar de forma inesperada.
También existe el riesgo de uso malintencionado. Si los modelos se vuelven buenos controlando robots comerciales, podrían emplearse en vigilancia, intrusión, sabotaje o actividades peligrosas. No hace falta imaginar escenarios extremos para entender la preocupación: cualquier sistema que actúe en el mundo físico necesita reglas de seguridad muy estrictas.
Por eso se habla cada vez más de controles, permisos, supervisión humana, límites de movimiento, auditorías, entornos de prueba y sistemas que impidan acciones peligrosas.
La robótica con IA no puede avanzar solo preguntando “qué puede hacer”. También debe preguntar “qué no debe poder hacer”.
Una prueba con limitaciones
Project Fetch es interesante, pero tiene limitaciones claras. No fue un estudio masivo con cientos de equipos. No comparó a Claude con ingenieros expertos en robótica. No probó robots distintos en entornos reales complejos. Tampoco demostró una autonomía completa.
La tarea de buscar una pelota de playa era útil para medir capacidades, pero no representa todos los desafíos de la robótica avanzada. Programar sensores y control básico no es lo mismo que operar en una fábrica, un hospital o una calle llena de personas.
Además, el experimento fue realizado por Anthropic, la propia empresa que desarrolla Claude. Eso no invalida los resultados, pero sí aconseja leerlos con prudencia y esperar pruebas independientes.
La noticia es importante, pero no debe convertirse en exageración.
Por qué el salto ha sido tan rápido
Uno de los puntos más llamativos es que el progreso no vino de entrenar a Claude específicamente para robótica, según Anthropic. La mejora surgió del avance general del modelo: mejor razonamiento, mejor programación, mejor uso de herramientas y mayor capacidad para seguir objetivos técnicos.
Esto encaja con una tendencia más amplia. Los modelos de lenguaje no solo mejoran en tareas para las que fueron optimizados directamente. A veces, al mejorar en código, planificación y comprensión de documentación, se vuelven más útiles en campos nuevos.
La robótica puede beneficiarse mucho de esa mejora transversal. Muchos problemas robóticos incluyen capas de software, integración, lectura de manuales, conexión con APIs y depuración. Ahí los modelos avanzados pueden aportar velocidad.
La parte física pura sigue siendo difícil. Pero la capa de programación se está acelerando mucho.
Qué significa para los trabajadores
Este tipo de avance no significa que los ingenieros de robótica vayan a desaparecer. Más bien sugiere que cambiará la forma de trabajar. Las tareas más rutinarias de conexión, configuración, prueba de código y lectura de documentación podrían acelerarse mucho.
Los expertos seguirán siendo necesarios para diseñar sistemas seguros, elegir arquitecturas, entender dinámica física, validar resultados, gestionar riesgos y resolver problemas que la IA no comprende bien.
En cierto modo, la IA puede bajar la barrera de entrada. Personas no expertas podrían hacer más cosas con robots. Pero, al mismo tiempo, los expertos podrían volverse más productivos, porque tendrían una herramienta capaz de automatizar partes lentas del proceso.
La pregunta ya no es si la IA ayuda a programar. La pregunta es cuánto tardará en ayudar a programar máquinas que se mueven en el mundo.
Una señal del futuro de los agentes
La imagen de Claude controlando un perro robot es llamativa porque resume una idea de futuro: agentes de IA capaces de usar herramientas físicas. No solo abrir documentos, escribir correos o ejecutar código, sino interactuar con sensores, cámaras, motores y objetos.
Ese futuro puede ser muy útil si se desarrolla con responsabilidad. Robots más fáciles de configurar pueden ayudar en sectores con falta de mano de obra, trabajos peligrosos o tareas repetitivas. Pero también exige una conversación seria sobre seguridad, permisos y límites.
El experimento de Anthropic no demuestra que los robots inteligentes ya estén aquí. Pero sí muestra que el camino hacia ellos puede ser más corto de lo que parecía.
El perro robot como advertencia y promesa
Claude fue mucho más rápido que los humanos en varias tareas técnicas relacionadas con el perro robot, pero todavía falló donde el mundo físico se vuelve sutil: controlar con precisión una acción continua y adaptarse al resultado en tiempo real.
Esa combinación resume perfectamente el momento actual de la IA. Es brillante en código, planificación y búsqueda de soluciones. Todavía tropieza cuando necesita entender el mundo como lo entiende un cuerpo.
Aun así, el avance es importante. Hace poco, la idea de que un modelo de lenguaje pudiera aprender a manejar hardware desconocido parecía lejana. Ahora empieza a ser una línea de investigación concreta.
El perro robot de Anthropic no es solo una curiosidad. Es una señal de hacia dónde puede ir la inteligencia artificial: fuera de la pantalla, entrando poco a poco en el mundo físico.
Leer también: Qué es ivoox y cómo funciona
