La carrera por dominar la Inteligencia Artificial Física (Embodied AI) ha alcanzado un nuevo hito con el lanzamiento de Gemini Robotics 2 por parte de Google DeepMind y su integración en el robot humanoide Apollo 2 desarrollado por la empresa estadounidense Apptronik. A diferencia de las generaciones anteriores, que dependían de programas rígidos y scripts pregrabados, la combinación de modelos de visión, lenguaje y acción (Vision-Language-Action o VLA) está permitiendo que los robots entiendan el entorno, razonen sobre tareas complejas y ejecuten movimientos con una flexibilidad y destreza sin precedentes.

1. El Cerebro: Gemini Robotics 2 y Gemini Robotics ER 2

Presentado a mediados de 2026, el ecosistema de inteligencia artificial para robótica de Google DeepMind se compone de tres pilares principales:

• Gemini Robotics ER 2 (Embodied Reasoning): Es el modelo de orquestación de alto nivel. Analiza secuencias de video en tiempo real y razona instrucciones ambiguas en lenguaje natural (por ejemplo: recoge los envases vacíos y ordénalos por color), convirtiéndolas en planes lógicos estructurados.
• Gemini Robotics 2 (VLA): Conecta la percepción con el control físico directo. Opera como un modelo unificado de Whole-Body Control (control de cuerpo completo), gestionando simultáneamente la locomoción bipedal, el equilibrio del torso y la manipulación bimanual con las manos.
• Gemini Robotics On-Device 2: Modelo ligero optimizado para ejecutarse localmente en el hardware del robot. Permite adaptar el sistema a nuevas tareas físicas o herramientas en menos de 200 demostraciones guiadas.

2. El Hardware: Apollo 2 de Apptronik

Apptronik, la empresa derivada de la Universidad de Texas nacida del programa Valkyrie de la NASA, ha presentado la plataforma Apollo 2. El diseño destaca por su enfoque modular y de grado industrial:

• Configuración Doble (Bipedal / Torso Móvil): La plataforma cuenta con una versión bipedal de cuerpo completo (1,73 metros de altura y aproximadamente 73 kg de peso) y una versión de torso modular montada sobre una base robótica móvil o estación fija.
• Capacidad de Carga (Payload): Soporta hasta 25 kg, superando a competidores como Figure 02 o Tesla Optimus.
• Autonomía y Batería: Ofrece unas 4 horas de operación continua con un sistema de batería intercambiable en caliente (hot-swappable), diseñado para operar sin pausas prolongadas por carga en enchufe.
• Manos y Manipulación Fina: Soporta manos de alta destreza (como SharpaWave o Inspire Hands de hasta 16-22 grados de libertad) que combinan Actuadores Elásticos en Serie (SEA) con sensores táctiles para medir fuerza y prevenir roturas ante impactos.

Rendimiento registrado en tareas de manipulación:

• Destornillar bombillas: 92,0% de éxito.
• Tomar objetos de estantes: 76,3% de éxito.
• Tomar objetos del suelo (agachándose): 45,7% de éxito.
• Atar bolsas de basura o cierre Ziplock: 40,0% a 44,0% de éxito.

3. ¿Cuánto cuesta un robot de Apptronik?

A diferencia de productos de consumo con catálogo comercial abierto, Apptronik no maneja un precio de venta al público general. La empresa comercializa Apollo únicamente mediante contratos corporativos y programas piloto bajo pedido:

• Modelo Robot-as-a-Service (RaaS): Es el canal principal utilizado por empresas como Mercedes-Benz o GXO Logistics. Consiste en una suscripción anual vinculada a las horas operativas del robot. En el sector financiero se proyecta una tarifa de servicio de aproximadamente 80.000 dólares anuales por unidad.
• Meta de Costo a Escala: Jeff Cardenas, CEO de Apptronik, ha declarado que el objetivo a largo plazo de la compañía al fabricar masivamente el robot es llevar el costo por unidad a menos de 50.000 dólares. Sin embargo, la empresa aclara que esa cifra es un objetivo de escala futura (asociado a la próxima generación, Apollo 3) y no refleja el precio actual de un piloto individual.
• Respaldo e Inversión: En febrero de 2026, Apptronik extendió su ronda de inversión Serie A hasta los 935 millones de dólares (alcanzando una valuación superior a los 5.000 millones de dólares) con el respaldo de inversores y socios estratégicos de la talla de Google, Mercedes-Benz, John Deere y AT&T Ventures.

4. Comparativa Estratégica: El Modelo Abierto vs. Integración Vertical

• Google / Apptronik (Apollo 2): Estrategia: Plataforma Abierta / Modular (Ecosistema). Google aporta el software e inteligencia artificial (Gemini) y Apptronik el hardware. Capacidad de carga: 25 kg. Autonomía: 4 horas (batería intercambiable en caliente). Aproximación comercial: Pilotos RaaS en logística y automotriz (Mercedes-Benz, GXO Logistics).
• Tesla (Optimus): Estrategia: Integración Vertical Cerrada. Construye hardware, actuadores, chips propios (FSD) y software internamente. Capacidad de carga: 20 kg. Autonomía: 2 a 4 horas (batería integrada). Aproximación comercial: Producción masiva proyectada para flotas propias y clientes directos.
• Figure AI (Figure 02): Estrategia: Ecosistema Mixto. Hardware propietario con alianzas de software (OpenAI) e integración industrial (BMW). Capacidad de carga: 20 kg. Autonomía: 5 horas (batería integrada). Aproximación comercial: Pilotos de ensamble pesado en plantas automotrices.

Conclusión

El ecosistema que forman Gemini Robotics 2 y Apollo 2 demuestra que la robótica humanoide ha dejado de ser una demostración de laboratorio para convertirse en una tecnología de prueba operativa en entornos industriales reales. Mientras empresas como Tesla buscan una integración vertical propia, la alianza entre Google y Apptronik está trazando el camino hacia una infraestructura de IA modular y abierta, capaz de adaptar diferentes tipos de cuerpos robóticos a las necesidades específicas de la manufactura y la logística global.

Fuentes y Referencias:

• Google DeepMind Blog: Gemini Robotics 2 and Embodied Reasoning (ER 2) Technical Report, 2026.
• Apptronik Inc.: Apollo 2 Technical Specifications and Hardware Architecture, 2026.
• Reuters / Bloomberg: Apptronik Series A Extension and Valuation Report, Febrero 2026.
• Mercedes-Benz Media / GXO Logistics: Pilots and Robot-as-a-Service (RaaS) Deployment Announcements, 2025-2026.
• IEEE Spectrum: Comparative Analysis of Bipedal Humanoid Actuators and Tactile Sensing (Apollo 2, Optimus Gen 2, Figure 02).

Más de 15 bancos globales tienen programas cuánticos, pero ninguno los usa en operaciones reales. La diferencia entre quienes abandonan y quienes redoblan la apuesta muestra cuánto falta para que la tecnología rinda en las finanzas.

Más de 15 bancos globales, entre ellos JPMorgan, Goldman Sachs, BBVA, Barclays, BNP Paribas y HSBC, tienen programas de investigación cuántica en optimización de portafolios, riesgo, derivados, fraude y simulaciones Monte Carlo, y ninguno ha desplegado sistemas listos para producción en operaciones en vivo. Ese es el punto de partida de un sector que invierte en talento y alianzas con IBM, Quantinuum, Pasqal, Multiverse Computing e IonQ, pero todavía no traduce esa inversión en resultados operativos. La distancia entre el entusiasmo y la realidad se hizo visible en abril de 2026, cuando Bloomberg describió el quiebre entre dos gigantes de Wall Street: Goldman Sachs redujo sus esfuerzos cuánticos tras concluir que las aplicaciones prácticas eran inalcanzables con el hardware actual, mientras JPMorgan siguió invirtiendo. The Quantum InsiderSeeking Alpha

La historia de Goldman es la más reveladora. Hace unos tres años, según el relato de Bloomberg, el banco había reunido un puñado de científicos especializados y se había asociado con Amazon para explorar cómo mejorar los retornos de sus clientes más ricos. La conclusión fue un balde de agua fría: sus investigadores calcularon que tendrían que correr un algoritmo durante millones de años y que el procesador necesitaría al menos 8 millones de qubits lógicos. El equipo terminó desarmándose en medio de un amplio programa de recorte de costos. Conviene no mezclar esa cifra con otras que circulan. El trabajo técnico de Goldman sobre valuación de derivados, hecho junto a IBM, estimó unos 7.500 qubits lógicos, una profundidad de 46 millones de puertas T y un reloj lógico de 10 MHz para lograr ventaja cuántica, y la versión publicada en la revista Quantum habla de unos 8.000 qubits lógicos. Ese cálculo se achicó después: un paper de 2023 de investigadores del propio banco redujo las puertas T unas 16 veces y los qubits lógicos unas 4 veces, y estimó que la ventaja requeriría 4.700 qubits lógicos y dispositivos capaces de ejecutar mil millones de puertas T a 45 MHz. La lectura es que las cuentas mejoran con cada avance algorítmico, pero el cuello de botella sigue siendo el hardware: qubits corregidos de errores y velocidad de ejecución que hoy no existen. Wall Street’s Quantum Computing Divide: Goldman Retreats, JPMorgan Invests – Bloomberg +4

En la vereda opuesta está JPMorgan. El banco mantiene un equipo de más de 50 físicos, matemáticos e informáticos que exploran usos que van de la criptografía al aprendizaje automático. Probó formas de analizar grandes conjuntos de datos con procesadores de Quantinuum, trabajó con Amazon en algoritmos para carteras más diversificadas y espera que aplicaciones útiles empiecen a aparecer en los próximos años, aunque admite que el hardware es la limitación principal. Su resultado más visible no es de trading sino de criptografía: en marzo de 2025 publicó en la revista Nature, junto a Quantinuum y laboratorios nacionales de Estados Unidos, la primera demostración de aleatoriedad certificada con una computadora cuántica. Se usó el sistema H2 de 56 qubits y la certificación se validó con más de 1,1 exaflops de cómputo clásico. Es un avance real, aunque todavía lejos de valuar un derivado o armar un portafolio. Entre los demás bancos, según Bloomberg, UBS capacita a sus analistas en fundamentos cuánticos, mientras BBVA y Crédit Agricole prueban casos puntuales como optimización de portafolios y análisis de crédito. Goldman Sachs and JPMorgan Chart Radically Different Courses on Quantum Computing’s Wall Street Future — BigGo Finance +3

El caso que más se acercó a un resultado con datos reales fue el de HSBC e IBM. En septiembre de 2025, el banco informó una mejora de hasta 34% en la predicción de la probabilidad de que una operación de bonos corporativos se ejecute al precio cotizado, usando datos de escala productiva. Pero el resultado abrió más preguntas que certezas: los propios investigadores reconocieron que la magnitud de la ganancia sigue sin explicarse del todo con la teoría actual, y especialistas sugirieron que un método clásico conocido podría replicar el efecto del ruido del equipo de IBM. La discusión ilustra el riesgo de leer como «ventaja cuántica» cualquier mejora en datos ruidosos. El mismo cuidado corresponde con las propuestas que se acercan a las finanzas desde otro lado: la firma QuantLase, de Abu Dhabi, informó pruebas de su plataforma de computación con luz (fotónica, no cuántica en sentido estricto) con siete datasets bursátiles, pero su relato no ofrece resultados numéricos de precisión ni establece una ventaja sobre los métodos convencionales, y un whitepaper no equivale a una publicación con revisión de pares. HSBC and IBM Demonstrate Quantum-Enabled Algorithmic Trading with up to 34% Improvement – Quantum Computing Report +3

Mientras la ventaja de cómputo espera hardware, la presión más inmediata para los bancos es la seguridad. Un informe del Foro Económico Mundial del 10 de septiembre de 2026 plantea que algunos bancos están pasando de estrategias «a prueba de cuántica» a estrategias «potenciadas por cuántica», y que la escasez de talento especializado es una preocupación seria. El mismo texto atribuye a la entidad turca Yapı Kredi haber resuelto en siete segundos un problema de análisis de riesgo que antes demandaba años, un dato que conviene tomar con cautela hasta que haya detalles verificables. En el frente defensivo, el Grupo de Expertos Cibernéticos del G7 adoptó en enero de 2026 una hoja de ruta para la transición a la criptografía poscuántica, y desde el sector advierten que las entidades no deberían esperar a que existan sistemas cuánticos potentes, porque para parte de sus datos podría ser tarde. Para el lector argentino, el mensaje práctico es doble: no hay señales de que la cuántica vaya a cambiar el trading ni la valuación de instrumentos en el corto plazo, pero sí importa seguir la agenda de seguridad y la migración criptográfica que van a exigir los reguladores y los proveedores tecnológicos del sistema financiero. En las fuentes consultadas no aparecen programas cuánticos de bancos argentinos. For banks, quantum computing is both a threat to security and a chance to build resilience | World Economic Forum +2

De cara a los próximos años, la pregunta para los bancos deja de ser si la tecnología funciona y pasa a ser cuánto cuesta esperar. Goldman decidió que la cuenta no cierra y recortó; JPMorgan paga una prima para tener equipos y experiencia el día que el hardware madure; el resto va probando casos acotados. Nadie ha demostrado todavía cuál de las dos posturas resultará acertada, y las cifras de recursos, que bajaron con cada mejora algorítmica, muestran que el horizonte puede acortarse sin dejar de estar lejos.

Fuentes:
The Quantum Insider (15 bancos globales con programas cuánticos): https://thequantuminsider.com/2026/03/27/15-plus-global-banks-probing-the-wonderful-world-of-quantum-technologies/
Bloomberg (Goldman se retira, JPMorgan invierte): https://www.bloomberg.com/news/features/2026-04-26/wall-street-s-quantum-computing-divide-goldman-retreats-jpmorgan-invests
Bloomberg Law: https://news.bloomberglaw.com/banking-law/goldman-jpmorgan-take-divergent-paths-in-quantum-computing-race
NewFortuneTimes (resumen del reportaje de Bloomberg): https://www.newfortunetimes.com/quantum-computing-faces-reality-check-as-banks-take-different-paths/
Seeking Alpha: https://seekingalpha.com/news/4579764-wall-street-s-quantum-dream-meets-reality-as-banks-diverge
David A. Bader (extractos del reportaje): https://davidbader.net/post/20260426-bloomberg/
BigGo Finance: https://finance.biggo.com/news/7cE70J0BmHHDnbgyN2ab
Finadium (estimación de recursos de Goldman): https://finadium.com/goldman-sachs-threshold-for-quantum-advantage-in-derivative-pricing/
Quantum (paper de Goldman, 2021): https://quantum-journal.org/papers/q-2021-06-01-463/
arXiv (Derivative Pricing using Quantum Signal Processing): https://arxiv.org/abs/2307.14310
JPMorganChase (aleatoriedad certificada): https://www.jpmorganchase.com/about/technology/blog/certified-randomness1
The Quantum Insider (aleatoriedad certificada): https://thequantuminsider.com/2025/03/26/joint-research-team-achieves-certified-quantum-randomness-makes-once-theoretical-experiments-into-real-world-quantum-computing-uses/
HSBC (comunicado del ensayo con IBM): https://www.hsbc.com/news-and-views/news/media-releases/2025/hsbc-demonstrates-worlds-first-known-quantum-enabled-algorithmic-trading-with-ibm
The Quantum Insider (análisis del estudio HSBC-IBM): https://thequantuminsider.com/2025/09/28/bond-trading-quantum-bond-trading-a-deeper-look-at-hsbc-and-ibms-bond-trading-study/
Global Trading (críticas al resultado de HSBC): https://www.globaltrading.net/experts-pour-cold-water-on-hsbc-quantum-computing-breakthrough/
The Quantum Insider (QuantLase): https://thequantuminsider.com/2026/09/30/quantlase-tests-photonic-computing-platform-on-financial-market-data/
Foro Económico Mundial: https://www.weforum.org/stories/financial-and-monetary-systems/quantum-computing-for-banks-both-threat-and-opportunity/
finews (Q-Day y criptografía poscuántica): https://www.finews.com/news/english-news/73519-banks-quantum-problem-q-day-post-quantum-cryptography-cybersecurity
Banking.Vision (hoja de ruta del G7): https://banking.vision/en/the-year-of-quantum-computing

Camila Soria junto con SuperPioneros hicieron una presentación al respecto, Acá les presento un resumen de la misma junto al grupo Pioneros — la comunidad de Web3, IA e innovación liderada por José Luis Cáceres (CEO de NWC10, fundador de SuperPioneros y CBO de Bit2Me), que reúne a más de 80.000 personas aprendiendo, ayudando y construyendo juntas en el ecosistema. Los sigo hace años, y no es casualidad que este tema haya salido justo de ese espacio: son de los que están un paso adelante marcando por dónde va el debate técnico y legal de la industria en habla hispana.

La presentación de Camila Soria (CipherLaw)

Camila Soria es Chief Legal Architect en CipherLaw, estudio de Buenos Aires especializado en infraestructura legal estratégica para Web3 e IA. El material es la primera edición de «Legal Design for Builders», creada junto a NWC10 | SuperPioneros.

Su planteo, en sus propias palabras (post de LinkedIn que acompaña la presentación):

«Un agente puede tener permiso técnico para operar una wallet y, aun así, no tener autoridad para realizar cualquier operación.»

Durante la charla analizaron qué cambia cuando la IA deja de recomendar y empieza a decidir, firmar y ejecutar pagos. Su conclusión principal: los límites críticos no pueden vivir solamente en un prompt. El monto, la contraparte, la vigencia, las operaciones permitidas y la posibilidad de revocar el acceso tienen que formar parte de la arquitectura del sistema, no de una instrucción en lenguaje natural.

También plantea la necesidad de poder reconstruir la cadena completa — mandato → decisión → control → firma → ejecución — porque cuando algo sale mal, esa evidencia es lo que permite entender dónde ocurrió la falla y quién estaba en mejores condiciones de evitarla.

Las siete ideas centrales, en el orden del documento:

1. Del agente que habla al agente que paga: «Para el agente que habla, el derecho ya respondió. Para el que paga, recién empieza.»
2. «Autónomo» no significa lo mismo para todos: «Que vos definas el destino no significa que controles todo el camino.»
3. El regulador no mira solo el stack técnico: evalúa dominio, acción y derechos afectados — la combinación define el «perfil regulatorio».
4. Permiso no es lo mismo que autoridad: la autoridad real se define por monto, contraparte, vigencia y tipo de operación.
5. Quien razona no debería autorizar: «El agente puede razonar. No debería darse permiso a sí mismo.»
6. Un prompt no es un control: «Dale una llave de hotel, no una llave maestra.»
7. La responsabilidad sigue al control y al beneficio: como el agente no tiene patrimonio propio, la responsabilidad recae en quien controla el sistema y se beneficia de él.

Cierre su presentación y documento con lo siguiente, si construís agentes que actúan, también tenés que diseñar quién responde por sus acciones.

Fuente: Camila Soria (CipherLaw), presentación «Legal Design for Builders» — primera edición, creada junto a NWC10 | SuperPioneros, LinkedIn.

Mi visión adicional al documento de Camila (agregado, no parte del documento)

• Hoy conviven dos modelos de agentes: unos con límite libre y otros con tarjetas prepagas recargables, con tope fijo controlado por un humano. Mastercard lanzó Agent Pay el 17 de septiembre de 2026 junto a Alchemy, donde el usuario define límites configurables: tope de gasto, categorías de comercio permitidas y geografías habilitadas, permitiendo que el agente compre sin pedir autorización en cada transacción, pero siempre dentro de esos parámetros.
  Fuente: Mastercard lanza Agent Pay con Alchemy — Ecosistema Startup
• Si un agente se equivoca, el problema es de programación, no «de la IA»: conecta con el punto 5 del documento — un agente bien diseñado debería derivar a un humano antes de ejecutar una decisión compleja, en vez de resolverlo todo por sí solo.
• El FSB (Consejo de Estabilidad Financiera) ya pide ese mismo control a nivel bancario: pidió que bancos limiten la IA agéntica y traten a los agentes como ‘empleados sintéticos’, con aval humano para transacciones por encima de ciertos montos.
  Fuente: Let’s Money — IA Agéntica
• Argentina y la «Sociedad Automatizada»: el gobierno tiene en el Senado un proyecto de ley que introduce esta figura. Según el artículo 14, «la sociedad automatizada responde con su patrimonio frente a terceros por los daños causados por sus sistemas algorítmicos autónomos o agentes de inteligencia artificial».
  Fuente: Xataka — Milei quiere crear nueva categoría empresarial
• Estado actual del proyecto: ingresó al Senado a fines de mayo y se encuentra en debate en la Comisión de Legislación General.
  Fuente: iProfesional — Avanza la ley de empresas sin empleados en Argentina
• Bots que se clonan si ganan y se apagan si pierden: conecta con una tendencia que recién empieza a circular en la industria, los «self-evolving agents». Vale aclarar que esto hoy es más una tendencia conceptual que algo funcionando en producción con dinero real.
  Fuente: Baguete — Vem aí os self-evolving agents

Mirada a futuro: avanzar, pero con cautela y por etapas (opinión propia)

Siguiendo el planteo de Camila Soria como base, mi lectura de hacia dónde debería ir esto es la siguiente: el futuro es avanzar, pero de forma gradual, no de golpe.

En una primera etapa, tiene sentido que los agentes de IA operen únicamente con tarjetas prepagas y topes bajos, sin manejar grandes volúmenes de dinero. No porque la tecnología no esté lista, sino porque el marco legal todavía no lo está — y como bien marca Soria, sin autoridad clara y sin control técnico real, cualquier volumen grande es un riesgo innecesario. Empezar chico, con montos acotados y recargables, permite que la industria (y la ley) vayan madurando al mismo ritmo que la tecnología, en vez de que la tecnología corra sola y la ley llegue tarde a poner orden.

Ahí es donde entra lo que estamos construyendo en AuriTrace.com: trazabilidad de lo que hacen los agentes de IA, siguiendo patrones que deben cumplirse, con la posibilidad de registrar esa información en una blockchain. Esto conecta directo con uno de los pedidos centrales de Camila Soria en el documento — poder reconstruir la cadena completa de mandato → decisión → control → firma → ejecución. Un registro en blockchain le da a esa cadena algo clave: evidencia inmutable y verificable, exactamente lo que hace falta cuando algo sale mal y hay que determinar quién estaba en mejores condiciones de evitar la falla.

En resumen: la tecnología para que los agentes paguen y actúen solos ya existe. Lo que falta madurar es el círculo completo — tope de gasto controlado por humanos, trazabilidad verificable de cada acción, y un marco legal claro sobre quién responde. Avanzando en ese orden, por etapas, se puede construir un ecosistema de agentes de IA confiable sin repetir errores que después sean difíciles de deshacer. Vos que opinás a la presentación de Camila?? cuales son tus sugerencias.. el futuro lo vamos construyendo entre todos.

saludos

Claudio R. Parrinello