Lo esencial
- Hitachi y FANUC anunciaron el 30 de septiembre de 2026 una alianza para comercializar implementaciones de Physical AI en robots industriales.
- Las fábricas del grupo Hitachi actuarán como “Customer Zero” para que la IA aprenda reglas reales de producción antes del despliegue a clientes.
- Los primeros casos citados por FANUC son picking de piezas de distintas formas y cambios de preparación cuando cambia el producto fabricado.
- La diferencia frente a un gemelo digital es que la Physical AI percibe, razona y actúa en planta mediante robots y máquinas, no solo simula escenarios.
- Para una pyme industrial española, los procesos candidatos son los que combinan variabilidad, repetición, escasez de mano de obra y conocimiento experto difícil de transferir.
Physical AI industria significa llevar la IA desde la oficina hasta la planta: robots y máquinas que perciben piezas, razonan sobre la situación y actúan físicamente. La alianza anunciada por Hitachi y FANUC el 30 de septiembre de 2026 importa porque apunta a despliegues comerciales desde el año fiscal 2027, empezando por picking, cambios de formato y tareas dependientes de operarios expertos.
Physical AI industria: qué han anunciado Hitachi y FANUC
Hitachi y FANUC han anunciado una alianza estratégica para comercializar implementaciones de Physical AI combinando HMAX Industry con robots industriales de FANUC equipados con IA. Según el comunicado oficial de FANUC, la validación usará fábricas del grupo Hitachi como “Customer Zero” y el despliegue a clientes empezará en el año fiscal 2027.
La propuesta no es un chatbot conectado a una línea, ni una capa de reporting sobre el MES. La idea es que la IA aprenda reglas específicas de producción en entornos reales y después controle acciones físicas: reconocer una pieza, decidir cómo cogerla, ajustar el movimiento del robot y comprobar si el resultado cumple calidad.
Según FANUC, la Physical AI es la IA que “percibe, razona y actúa en el mundo físico mediante robots y máquinas”.
El matiz relevante está en la validación. Hitachi usará instalaciones de fabricación en la región de Ibaraki para probar aplicaciones como picking de piezas de distintas formas y cambios de preparación cuando cambian los productos fabricados. FANUC indica que medirán reconocimiento, movimiento del robot, takt time y eficacia de calidad.
Para una pyme industrial española, esto no significa que en 2027 haya que comprar una solución cerrada sin más. Significa que la inteligencia artificial en fabricación está entrando en tareas donde antes la automatización clásica fallaba por variabilidad: piezas no siempre iguales, referencias cambiantes, utillajes heredados y conocimiento práctico que vive en la cabeza de dos personas.
Qué es la IA física en fábricas y en qué se diferencia de automatizar “a la antigua”
La IA física en fábricas es una capa de percepción, aprendizaje y decisión que permite a robots y máquinas adaptarse a condiciones variables de producción. La automatización tradicional funciona muy bien cuando el entorno está controlado; la Physical AI busca operar cuando el entorno cambia sin rediseñar todo el proceso desde cero.
En una célula clásica, el robot repite trayectorias predefinidas. Si la pieza llega desplazada, si el contenedor trae formatos mezclados o si cambia el producto, la ingeniería debe ajustar utillajes, visión, lógica de PLC y programa del robot. Esa rigidez es aceptable en series largas; en series cortas y mezcla alta, se convierte en coste oculto.
La alianza Hitachi-FANUC apunta a otro patrón: capturar datos reales, aprender reglas de planta y mejorar el comportamiento de movimiento. Como antecedente técnico, Hitachi publicó el 23 de marzo de 2026 una tecnología de Physical AI que aprende de datos de comportamiento y know-how de tareas en entornos reales, usando visión y sensores de fuerza o táctiles para controlar interacciones con objetos.
La comparación útil para dirección no es “IA sí o no”, sino dónde está el límite económico de cada enfoque:
| Enfoque | Cuándo encaja | Límite habitual | Qué aporta la Physical AI |
|---|---|---|---|
| Automatización fija | Series largas, piezas estables y entorno controlado | Coste alto ante cambios de referencia | Menos dependencia de trayectorias rígidas |
| Visión artificial clásica | Inspección o guiado con defectos y geometrías acotadas | Necesita reglas claras y buena iluminación | Mayor adaptación ante variabilidad física |
| Gemelo digital | Simulación, diseño de línea y pruebas virtuales | No captura todo el caos de planta | Aprendizaje continuo con datos reales |
| Physical AI | Manipulación, picking, cambios y tareas con criterio experto | Exige datos, seguridad y validación en planta | Percepción, razonamiento y acción física integrados |
Esta lectura conecta con algo que ya vemos en proyectos industriales: antes de hablar de robots autónomos, muchas empresas necesitan ordenar el dato operativo, definir qué decisiones son repetibles y documentar las excepciones. Si no existe una trazabilidad mínima de referencias, incidencias, tiempos y calidad, la IA aprende peor y el retorno se diluye.
Qué tareas industriales pueden automatizarse con robots industriales con IA
Los robots industriales con IA encajan primero en tareas repetitivas con variabilidad física, presión de takt time y dependencia de operarios expertos. FANUC cita expresamente piezas de distintas formas, alimentación de piezas y cambios cuando se sustituyen modelos de producción.
En una fábrica española de metal, alimentación, plástico, maquinaria o componentes, los candidatos suelen aparecer en los bordes del proceso, no en el núcleo más estable. Hablamos de preparar material, mover referencias, cargar máquinas, separar piezas, comprobar orientación, transferir lotes y adaptar pequeñas operaciones cuando cambia una orden.
Picking de piezas variables
El picking industrial con IA es el caso más claro porque mezcla percepción y movimiento. Un sistema debe reconocer piezas en posiciones distintas, estimar agarre, evitar colisiones, coger sin dañar y colocar con precisión. Si las piezas son siempre iguales, quizá baste una solución clásica; si varían forma, posición o acabado, la IA empieza a tener sentido.
El comunicado de FANUC menciona “picking parts of various shapes”, y ese detalle es importante. No habla solo de detectar un objeto, sino de actuar sobre objetos heterogéneos. Ahí se nota la diferencia entre una demo visual y una célula que aguanta turnos reales.
Cambios de producción y formato
La IA en cambios de producción puede reducir dependencia de ajustes manuales cuando una línea alterna referencias. En plantas con series cortas, el coste del cambio no es solo el tiempo parado: también hay errores de preparación, microparadas posteriores y pérdida de conocimiento cuando falta el operario que “sabe cómo dejarla fina”.
Hitachi y FANUC citan los changeovers cuando cambian los productos fabricados. Para copiar la lógica a escala pyme, conviene empezar midiendo qué cambios se repiten, qué parámetros toca cada operario, qué incidencias aparecen después y qué señales de máquina permiten anticipar que el cambio no está bien cerrado.
Calidad, movimiento y takt time en una misma decisión
La novedad práctica es que la validación no se limita a “que el robot se mueva”. Según FANUC, evaluarán y mejorarán precisión de reconocimiento, movimiento del robot, takt time y eficacia de calidad. Esa combinación evita una trampa habitual: automatizar una tarea y descubrir después que baja el ritmo, sube el rechazo o aumenta la intervención humana.
Si tu prioridad está en inspección, conviene revisar antes casos de visión artificial en control de calidad, porque muchas plantas necesitan resolver primero la detección fiable antes de pasar a manipulación autónoma. La Physical AI añade acción física, pero la calidad del dato visual sigue siendo una base crítica.
Physical AI frente a gemelo digital: por qué Hitachi habla de planta real
La diferencia entre Physical AI y un gemelo digital es que el gemelo digital simula o representa la operación, mientras la Physical AI aprende y actúa sobre la operación física. FANUC afirma que el objetivo es ir más allá de lo que puede lograrse solo con aprendizaje por imitación o simulaciones en entornos virtuales.
Un gemelo digital sigue siendo útil. Permite probar layouts, estimar cuellos de botella, validar secuencias y formar equipos sin parar producción. Pero una simulación no siempre reproduce fricción, deformaciones, holguras, suciedad, vibraciones, tolerancias acumuladas, improvisaciones de turno o variaciones del proveedor.
Por eso el concepto “Customer Zero” tiene peso industrial. Hitachi no plantea validar solo en laboratorio, sino en fábricas propias donde la IA aprenda reglas específicas de producción. En nuestro criterio, esa es la parte más seria del anuncio: una tecnología de planta se gana con turnos, rechazos, paradas, piezas reales y mantenimiento real.
El 3 de septiembre de 2026, Hitachi explicó la ampliación de HMAX y señaló que la implementación de Physical AI requiere extraer e integrar datos operativos y conocimiento tácito de personal experto en formatos interpretables por IA. Esa frase aterriza el problema: la IA física no se compra como una licencia aislada; se alimenta de cómo trabaja realmente tu planta.
Esto también cambia el perfil del proyecto. No basta con un integrador de robots ni con un equipo de datos separado de producción. Hace falta juntar OT, mantenimiento, calidad, ingeniería de procesos, responsables de turno y especialistas en IA. Si quieres profundizar en cómo cambia el trabajo operativo, el análisis sobre mercado laboral e inteligencia artificial ayuda a separar sustitución, asistencia y transferencia de conocimiento.
Cuándo llegará la Physical AI a las fábricas y qué debe preparar una pyme
La llegada comercial confirmada por Hitachi y FANUC está prevista a partir del año fiscal 2027, sin precios ni catálogo público detallado a 11 de octubre de 2026. El anuncio oficial no permite afirmar tarifas, modelos de suscripción, referencias de robot concretas ni disponibilidad por país.
Para una pyme, esperar pasivamente al catálogo sería un error. La ventana útil está en preparar la planta para que, cuando estas soluciones maduren, el caso de uso sea medible, seguro y defendible ante dirección. Las empresas que llegan con procesos mal definidos suelen pagar más integración y obtienen menos autonomía.
Una hoja de ruta sensata tiene cuatro fases:
- Mapa de procesos variables: identifica tareas con muchas referencias, intervención manual frecuente, errores repetidos o dependencia de operarios concretos.
- Datos y señales disponibles: revisa si existen imágenes, sensores, trazabilidad de lotes, tiempos de ciclo, rechazos, paradas y cambios de formato registrados con calidad suficiente.
- Prueba acotada: elige una célula o tarea donde medir reconocimiento, movimiento, takt time y calidad, los mismos ejes que FANUC cita para su validación.
- Escalado con seguridad: documenta riesgos, límites de autonomía, intervención humana, mantenimiento, auditoría y criterios para parar el sistema.
En costes, hoy no hay una cifra verificable para esta alianza. Lo razonable es presupuestar por proyecto, no por herramienta: análisis de proceso, datos, sensórica, integración con robot, validación de seguridad, conexión con sistemas de planta y mantenimiento evolutivo. En proyectos de automatización con IA, el precio rara vez lo marca el modelo; lo marca la complejidad del entorno físico.
También conviene distinguir entre preparar datos internos y automatizar la acción física. Muchas pymes pueden avanzar ya con documentación técnica, históricos de incidencias, instrucciones de cambio y asistentes internos. Para esa parte, un enfoque como IA interna con datos propios puede ayudar a capturar conocimiento antes de conectarlo a máquinas.
Riesgos, cumplimiento y criterio para invertir en automatización industrial con IA
La automatización industrial con IA exige tratar seguridad, responsabilidad, datos y continuidad operativa como requisitos de diseño, no como una revisión al final. Cuando la IA mueve un robot, un error deja de ser una respuesta incorrecta en pantalla y puede convertirse en daño material, parada de línea o riesgo para personas.
Hay cuatro riesgos que dirección debe pedir por escrito antes de aprobar un piloto:
- Seguridad funcional: define zonas, límites de movimiento, paradas, validaciones y condiciones en las que el sistema no puede actuar de forma autónoma.
- Calidad y trazabilidad: registra qué decisión tomó la IA, con qué señales y qué resultado produjo en pieza, lote o ciclo.
- Dependencia tecnológica: evita que el know-how de proceso quede encerrado en una caja negra imposible de mantener por tu equipo o tu integrador.
- Datos y cumplimiento: revisa RGPD si hay datos personales, controles de acceso, retención, proveedores y ubicación de datos, especialmente si se combinan sistemas cloud y edge.
El enfoque edge merece atención. Hitachi y FANUC también validarán la combinación del semiconductor edge AI de Hitachi con robots industriales de FANUC. Además, Hitachi Research & Development afirmó el 24 de abril de 2026 que evaluaciones con datos de equipos reales mostraron más de 10 veces mayor eficiencia energética que enfoques convencionales en su semiconductor edge AI para HMAX Industry.
Ejecutar inferencia cerca de la máquina puede reducir latencia, dependencia de red y exposición de datos, aunque no elimina la necesidad de gobierno. Para sectores como alimentación, farmacéutica, automoción o logística, citados por FANUC, la trazabilidad y la validación del proceso pesan tanto como la precisión del modelo.
El criterio de inversión debería ser simple: no compres Physical AI por novedad; invierte cuando el proceso tenga variabilidad suficiente, volumen suficiente y dolor suficiente. Si la tarea se resuelve con una guía mecánica, una visión clásica o una automatización sencilla, esa será normalmente la mejor decisión. Si necesitas adaptar agarres, aprender excepciones y transferir criterio experto, la automatización industrial con IA empieza a justificar una prueba seria.
Para identificar casos menos físicos pero igualmente rentables, puedes comparar esta línea con herramientas de automatización con IA. La madurez digital de oficina y backoffice no sustituye a la planta, pero suele crear disciplina de datos, responsables y métricas que después hacen más viable un proyecto industrial.
Preguntas frecuentes
¿Qué es la Physical AI en la industria?
La Physical AI en la industria es IA que percibe, razona y actúa en el mundo físico mediante robots y máquinas. En una fábrica, esto implica reconocer piezas, decidir movimientos, adaptar acciones a cambios de producción y aprender reglas reales de planta, no solo generar texto o analizar datos desde una oficina.
¿Cómo se aplica la IA física en una fábrica?
La IA física se aplica conectando modelos de IA con robots, sensores, visión, datos de proceso y reglas operativas. Hitachi y FANUC empezarán validando en fábricas de Hitachi tareas como picking de piezas variables y cambios de preparación, midiendo reconocimiento, movimiento del robot, takt time y calidad.
¿Qué tareas industriales pueden automatizarse con robots e IA?
Los primeros casos encajan en tareas repetitivas con variabilidad: picking de piezas de distintas formas, alimentación de máquinas, transferencia de material, cambios de formato y operaciones dependientes de criterio experto. No todas las tareas necesitan Physical AI; si el entorno es estable, una automatización convencional puede ser suficiente.
¿Qué diferencia hay entre Physical AI y un gemelo digital?
Un gemelo digital representa o simula una operación, mientras la Physical AI aprende y actúa sobre la operación física real. FANUC afirma que su objetivo con Hitachi es superar lo que puede lograrse solo con aprendizaje por imitación o simulaciones virtuales, usando fábricas reales como entorno de aprendizaje.
¿Cuándo llegará la IA física a las fábricas?
Hitachi y FANUC prevén empezar a desplegar soluciones comerciales de Physical AI a clientes en el año fiscal 2027. A 11 de octubre de 2026 no hay precios, catálogo detallado ni fecha más precisa confirmada, por lo que las pymes deberían prepararse identificando procesos candidatos y datos disponibles.
Fuentes
- FANUC Corporation — Hitachi and FANUC enter strategic partnership toward joint commercialization of physical AI implementation
- Hitachi Global — Hitachi and FANUC enter strategic partnership toward joint commercialization of Physical AI implementation
- Hitachi Global — Physical AI technology that learns at manufacturing sites
- Hitachi Research & Development — Edge AI semiconductor for HMAX Industry
- Hitachi Global — Expansion of HMAX for Physical AI
¿Quieres aplicar esto en tu empresa?
Somos una consultoría de IA y automatización especializada en la industria. Cuéntanos qué tarea os quita más horas y te decimos, sin compromiso, qué se puede automatizar y cuánto costaría.
