Skild AI está desarrollando un «cerebro robótico» de propósito general capaz de controlar varios tipos de máquinas, en lugar de estar diseñado para un único cuerpo robótico. Su modelo S1 puede intentar realizar una tarea que no ha visto antes después de una sola demostración en vídeo, sin ajuste fino específico para la tarea ni actualizaciones de pesos. La startup, fundada en 2023, declaró unos ingresos recurrentes anuales superiores a $100 millones en septiembre de 2026, pero sus afirmaciones de rendimiento más llamativas aún carecen de evaluaciones comparativas independientes.
¿Qué está desarrollando Skild AI?
Skild AI is building Skild Brain, an “omni-bodied” robotics foundation model designed to operate different robot forms with a shared intelligence layer. According to the company’s 2026 technical explanation, the model learns from simulation, internet video and real-world robot data rather than depending exclusively on demonstrations collected for one machine.
Un modelo fundacional de robótica es un sistema de IA que aprende habilidades físicas reutilizables y las aplica en distintas tareas, entornos o configuraciones de hardware. Esto difiere de la automatización industrial convencional, en la que un integrador puede programar un brazo robótico para una secuencia concreta en un puesto de trabajo fijo.
Los profesores de Carnegie Mellon Deepak Pathak y Abhinav Gupta fundaron la empresa en 2023. Su apuesta central es que la robótica puede seguir el patrón de los modelos fundacionales observado en el lenguaje y la visión: entrenar de forma amplia y después adaptar el modelo resultante a muchas aplicaciones.
La dificultad reside en la variación física. Un robot móvil con ruedas, un cuadrúpedo y un manipulador de dos brazos tienen sensores, límites de movimiento y modos de fallo diferentes. Skild Brain está pensado para traducir los conocimientos compartidos en acciones adecuadas para cada cuerpo, en lugar de tratar cada plataforma de hardware como un proyecto independiente.
Esa ambición también diferencia la IA física de los agentes de software. Problemas como la latencia en los agentes de IA conversacional pueden producir pausas incómodas; la latencia o una acción equivocada en un robot en movimiento pueden afectar a equipos, productos y personas.
¿Cómo aprende una tarea nueva el modelo S1 de Skild AI?
Skild AI S1 utiliza aprendizaje en contexto para intentar realizar una tarea física que no había visto antes después de recibir una única demostración en vídeo. Skild AI afirmó en agosto de 2026 que S1 no requiere ajuste fino específico para la tarea ni actualizaciones de los pesos del modelo, lo que podría sustituir parte de la teleoperación y la recopilación de datos repetitivas que normalmente se utilizan para enseñar nuevos comportamientos.
Se muestra al modelo un vídeo breve de la acción deseada, como una secuencia en la que intervienen objetos y herramientas, y el robot interpreta la demostración como contexto. Después, el modelo debe conectar la intención visual con las capacidades del cuerpo robótico disponible.
NVIDIA informó en septiembre de 2026 de que Skild estimaba que una demostración breve en vídeo equivalía aproximadamente a 380 ejemplos de entrenamiento práctico. Considere esa proporción una estimación de la empresa, no una tasa de conversión universal. El valor de una demostración variará según el ángulo de la cámara, la complejidad de la tarea, el hardware y la similitud entre las condiciones de entrenamiento y las de implementación.
Según ambas empresas en 2026, S1 se investigó y desarrolló con tecnologías de NVIDIA, entre ellas Cosmos, Omniverse, Isaac Sim e Isaac Lab. Los datos sintéticos y la simulación pueden exponer a un modelo a más situaciones que la recopilación de datos físicos por sí sola, mientras que las pruebas en el mundo real revelan fricción, deformación y errores de los sensores que la simulación puede pasar por alto.
Skild also published a physical self-play experiment on September 23, 2026. Robots practiced simulated soccer by competing against themselves, a method intended to develop dynamic and dexterous behavior. No independent benchmark accompanied the result, so the experiment shows a training direction rather than settled proof of broad capability.
¿Qué solidez tienen los resultados publicados de S1?
NVIDIA afirmó en septiembre de 2026 que Skild AI S1 completó nuevas tareas de varios pasos con una tasa de éxito aproximada del 66% por paso en las pruebas de Skild, frente al 9% de un sistema de comparación. El resultado es considerable, pero NVIDIA no lo presentó como una evaluación comparativa estandarizada e independiente que abarcase distintos robots, ubicaciones y distribuciones de tareas.
| Measure | S1 | Sistema de comparación | Fuente o método |
|---|---|---|---|
| Éxito publicado por paso | Aproximadamente 66% | Aproximadamente 9% | NVIDIA, septiembre de 2026, citando pruebas de Skild |
| Éxito calculado en tres pasos | Aproximadamente 28.7% | Aproximadamente 0.07% | Tasa elevada al cubo, suponiendo pasos independientes |
| Éxito calculado en cinco pasos | Aproximadamente 12.5% | Aproximadamente 0.0006% | Tasa elevada a la quinta potencia, suponiendo pasos independientes |
El cálculo pone de manifiesto un problema que las comparaciones de los titulares ocultan. Si cada paso tiene un éxito independiente del 66%, una tarea de tres pasos solo alcanza 0.66 × 0.66 × 0.66, es decir, aproximadamente un 28.7%. Una secuencia de cinco pasos baja hasta aproximadamente un 12.5%. Los pasos reales pueden estar correlacionados, por lo que estas cifras ilustran la acumulación de probabilidades, pero no predicen una implementación concreta.
Una tasa del 66% por paso puede representar un avance de investigación impresionante y, aun así, resultar insuficiente para una línea de producción sin supervisión. También importa el comportamiento de recuperación: un robot que reconoce un error y vuelve a intentarlo de forma segura puede ser más útil que otro con una puntuación inicial más alta, pero sin una política de recuperación.
Los compradores deberían solicitar pruebas en sus propias condiciones operativas. La evaluación debería abarcar estos cinco aspectos:
- Finalización de la tarea de principio a fin, no solo éxito por paso.
- Resultados en distintos turnos, con cambios de iluminación y variaciones de los objetos.
- Tasas de recuperación tras objetos caídos, bloqueados o colocados incorrectamente.
- Intervenciones humanas por hora de funcionamiento en las pruebas de 2026.
- Límites de seguridad, registros de auditoría y comportamiento tras la pérdida de conexión de red.
En definitiva, la cifra del 66% resulta útil como señal de progreso, no como especificación de compra. Las empresas que aplican sistemas autónomos también necesitan controles comparables, en esencia, a la seguridad de los agentes de IA respaldada por hardware, adaptados a máquinas que ejercen fuerza en el mundo físico.
¿Cuánta financiación e ingresos tiene Skild AI?
Skild AI anunció una ronda Serie C de $1.400 millones el 14 de enero de 2026, con una valoración superior a $14.000 millones. Posteriormente, la empresa declaró unos ingresos recurrentes anuales superiores a $100 millones el 10 de septiembre de 2026, aproximadamente 10 meses después de su primera implementación comercial, junto con más de 60 clientes de pago o acuerdos de implementación.
El aumento de la financiación fue vertiginoso. El 9 de julio de 2024, la startup salió de su fase de desarrollo confidencial con una ronda Serie A de $300 millones y una valoración de $1.500 millones. Lightspeed Venture Partners, Coatue, SoftBank Group y Bezos Expeditions lideraron o participaron en esa ronda. SoftBank lideró la Serie C de 2026, con la participación de NVentures, Macquarie Capital y Bezos Expeditions.
Los ingresos recurrentes anuales no son lo mismo que los ingresos ya reconocidos. Skild afirmó en septiembre de 2026 que había reconocido $50 millones desde que comenzaron las implementaciones comerciales unos 10 meses antes, mientras que la tasa de ingresos recurrentes anualizada superaba los $100 millones. Mezclar esas cifras inflaría las ventas completadas.
La empresa también afirmó que aproximadamente el 90% de los ingresos procedía principalmente de trabajos de manipulación. La movilidad aportó el 10%, incluido el 4% procedente del negocio de robots móviles autónomos de Zebra Technologies y Fetch Robotics adquirido. Esos porcentajes han sido comunicados por la empresa y no se han presentado junto con estados financieros auditados.
Según el anuncio de septiembre de 2026, más de 60 clientes o socios de implementación pertenecían a los sectores de fabricación, logística, inspección, seguridad, preparación de alimentos, almacenes y centros de datos. Skild también afirmó que estaba trabajando con NVIDIA y Foxconn para implementar manipuladores de doble brazo destinados al ensamblaje de sistemas NVIDIA Blackwell.
Con una valoración superior a $14.000 millones y un ARR ligeramente superior a $100 millones, el múltiplo implícito de valoración sobre ARR era inferior a 140 veces en términos de enero a septiembre de 2026. Las fechas no coinciden perfectamente, pero el cálculo aproximado muestra cuánto crecimiento futuro estaban descontando los inversores. Los equipos de compras que consideren una automatización similar deben distinguir el potencial técnico de los controles comerciales necesarios para los sistemas B2B autónomos.
¿Por qué adquirió Skild AI el negocio de Fetch Robotics?
Skild AI adquirió el negocio de Robotics Automation de Zebra Technologies el 15 de abril de 2026, incorporando operaciones anteriormente asociadas a Fetch Robotics. Zebra Technologies recibió efectivo y una participación accionarial, aunque ninguna de las dos empresas reveló el valor de la transacción. La compra añadió a la estrategia de modelos fundacionales de Skild un negocio consolidado de robots móviles autónomos.
La operación adquirida proporciona a la empresa de inteligencia artificial una vía de entrada en almacenes y otras instalaciones donde los robots móviles ya realizan el movimiento de materiales. También aporta hardware desplegado, relaciones con clientes y datos operativos, aunque las empresas no cuantificaron esos activos en el anuncio.
Aquí existe una tensión estratégica. La startup promueve una capa de inteligencia independiente de cualquier cuerpo concreto, pero la adquisición de un negocio vinculado al hardware relaciona parte de su rendimiento comercial con una categoría específica de robótica. Eso no constituye necesariamente una contradicción; las implementaciones reales pueden ayudar a entrenar y probar un modelo más amplio.
Still, integration can be less glamorous than model research. Customers need maintenance, fleet management, spare parts, cybersecurity and predictable support. Robots retired during future upgrades also create asset-disposition questions similar to those covered in los programas empresariales de disposición de activos de TI.
¿Qué sigue sin demostrarse sobre un cerebro robótico universal?
Skild AI ha demostrado una rápida captación de financiación, tracción comercial y un comportamiento prometedor de sus modelos, pero en 2026 todavía no se ha demostrado un cerebro robótico universal mediante pruebas independientes y estandarizadas. Entre las cuestiones abiertas se incluyen la fiabilidad con distintos tipos de hardware, el éxito en la ejecución completa de tareas, la seguridad en condiciones inusuales, la frecuencia de intervención y el coste de adaptar las implementaciones a cada instalación.
La palabra «universal» exige precisión. Controlar varios tipos de robots no demuestra una operación competente con cualquier cuerpo, tarea o ubicación. Cada máquina presenta límites de carga, disposición de sensores, frecuencia de control y restricciones de seguridad distintos.
La generalización también tiene límites. Un vídeo puede mostrar claramente lo que quiere una persona y, al mismo tiempo, ocultar la fuerza, el peso del objeto o la retroalimentación táctil. El vidrio transparente, el metal reflectante, los alimentos deformables y los componentes muy ajustados pueden convertir una acción visualmente sencilla en un problema de control difícil.
La prueba más sólida combinaría referencias independientes con datos operativos a nivel de cliente: finalización completa de tareas, intervenciones por hora, tiempo medio entre fallos y coste total por acción realizada con éxito. Hasta que esas cifras estén disponibles para varias clases de hardware, «omni-bodied» se entiende mejor como el objetivo de diseño de la arquitectura.
Preguntas frecuentes sobre Skild AI
¿Quién fundó Skild AI?
Skild AI fue fundada en 2023 por los profesores de Carnegie Mellon Deepak Pathak y Abhinav Gupta. Los fundadores crearon la empresa para desarrollar un modelo fundacional de robótica de propósito general.
¿Qué es Skild Brain?
Skild Brain es un modelo fundacional «omni-bodied» diseñado para controlar distintos tipos de robots en lugar de una única configuración de hardware fija. Sus fuentes de entrenamiento de 2026 incluyen simulación, vídeos de Internet y datos de robótica del mundo real.
¿Cotiza Skild AI en bolsa?
Skild AI seguía siendo una empresa financiada de forma privada según su anuncio de la Serie C de enero de 2026. La empresa comunicó una valoración superior a $14.000 millones, pero no se anunció ninguna cotización pública en las fuentes de 2026 proporcionadas.
¿Necesita S1 un ajuste fino para cada tarea nueva?
Skild AI afirma que S1 puede intentar realizar una tarea que no haya visto a partir de una única demostración en vídeo, sin ajuste fino específico para la tarea ni actualizaciones de pesos. El rendimiento seguirá dependiendo del robot, el entorno y la tarea, y la afirmación no garantiza una fiabilidad de nivel productivo.
¿Cuántos clientes tiene Skild AI?
Skild AI comunicó que tenía más de 60 clientes de pago o acuerdos de colaboración para implementaciones el 10 de septiembre de 2026. La empresa identificó sectores como la fabricación, la logística, la inspección, la seguridad, la preparación de alimentos, los almacenes y los centros de datos.