NVIDIA GTC 2026: fábricas de tokens, robotaxis y el stack de IA física
Si Automate es donde la robótica industrial muestra qué llega a los almacenes, NVIDIA GTC es donde se fija el precio del stack completo: cómputo, modelos, simulación y la ruta regulatoria hacia la autonomía en vías públicas. Nuestro equipo estuvo en San José durante GTC 2026 (16-18 de marzo), y el hilo conductor fue directo: la IA dejó de ser novedad de laboratorio para convertirse en infraestructura de producción. Las aplicaciones del mundo físico (vehículos, almacenes, ciudades) ocuparon el programa principal.
Nuestra lectura tras tres días en el piso: la superficie invertible se está desplazando. Los anuncios de hardware siguen dominando las diapositivas del keynote, pero el valor duradero se mueve hacia la orquestación, la simulación, la validación de seguridad y las capas de servicio que hacen que la autonomía y la robótica funcionen a escala. El demo se lleva los aplausos. El depósito decide quién se queda con los ingresos.
La inflexión de la inferencia: centros de datos como fábricas de tokens
Jensen Huang abrió con una cifra que pesó más que cualquier gráfico de benchmarks: NVIDIA ve ahora al menos un billón de dólares en demanda de alta confianza hasta 2027 para sistemas Blackwell y Vera Rubin, el doble de los 500 mil millones del año anterior. Los hyperscalers concentran aproximadamente el 60%; el resto se reparte entre nubes regionales, empresa, robótica, edge y HPC.
El encuadre más interesante fue económico. Huang describió los centros de datos de IA modernos como fábricas de tokens: instalaciones optimizadas para tokens por vatio dentro de un sobre de potencia fijo. La potencia es la restricción vinculante; un sitio de 1 GW no puede convertirse simplemente en 2 GW. La efectividad de la fábrica es cuánta inteligencia útil produces por vatio.
Ese cambio de marco importa para quien evalúe empresas de movilidad o logística nativas en IA. La inferencia es la carga de trabajo que escala con el uso. Los modelos de razonamiento multiplican el cómputo por consulta. El uso pasó de experimentos de laboratorio a flujos de producción. Las cifras de NVIDIA en escenario apuntaban a un aumento del orden del millón en la demanda total de cómputo en aproximadamente dos años.
Una estructura escalonada de precios por token está emergiendo en el discurso público (desde niveles gratuitos hasta razonamiento ultra-premium). Aún no tenemos claro qué tan rápido esos puntos de precio se commoditizan, pero la dirección es clara: la economía unitaria de los productos de IA se juzgará por eficiencia de inferencia. El ARR del logo, por sí solo, no sostiene el underwrite.
El cambio agéntico se apoya en esto. La narrativa pública de NVIDIA recorre generativo → razonamiento → agéntico. En GTC, OpenClaw se posicionó como capa de plataforma para agentes personales, con NemoClaw añadiendo salvaguardas empresariales (sandboxing, controles de política, enrutamiento híbrido local/nube). Huang afirmó que el 100% de los ingenieros de NVIDIA usan herramientas de codificación con IA. Tómalo con la sal habitual de un keynote, pero el patrón coincide con lo que vemos en conversaciones con portafolio: los productos que no operan como agentes (planificación, uso de herramientas, ejecución en varios pasos) se sentirán estáticos en 18 meses.
Vehículos autónomos: la convergencia supera la fragmentación
El contenido de movilidad más rico en GTC fue la autonomía, y el mensaje fue consistente en keynotes, sesiones técnicas y el panel de OEM: el L4 pasa de “si” a “cuándo, dónde y bajo qué caso de seguridad.”
Se está formando un stack estandarizado
La arquitectura de producción de AV de NVIDIA se divide públicamente en tres capas:
| Capa | Función |
|---|---|
| DRIVE Hyperion | Hardware de referencia, cómputo AGX Thor, suites de sensores multi-cámara/radar/lidar |
| Halos | Base de seguridad. SO y middleware orientados a ASIL-D para vehículos impulsados por IA |
| Alpamayo | Familia de modelos de razonamiento, stack visión-lenguaje-acción para escenarios de cola larga |
Alpamayo ya pasó la etapa de curiosidad de diapositivas. NVIDIA lo posicionó como una familia de modelos abierta y basada en razonamiento (Alpamayo 1.5 en GTC) que narra decisiones en términos legibles: esperar un hueco en el tráfico contrario, manejar vehículos mal estacionados, responder a comandos de voz. El patrón híbrido de producción importa: un modelo aprendido corre junto a un stack clásico en un solo SoC, con un árbitro de seguridad que puede transferir al instante cuando la física lo exige (escenarios de balanceo, violaciones de restricciones duras).
La velocidad de desarrollo en escenario fue notable: miles de iteraciones de modelo en 18 meses, simulación a escala de millones de pruebas, ciclos cortos desde eventos de campo hasta validación. Si cada OEM adoptará el stack completo de NVIDIA sigue siendo una pregunta abierta, pero más de 100 empresas automotrices están ahora alineadas públicamente con arquitecturas tipo Hyperion.
Anuncios de OEM y plataforma
GTC añadió o reforzó asociaciones listas para L4 con Mercedes-Benz, BYD, Geely, Nissan, Hyundai/Motional, JLR, Lucid y otros. La vía de comercialización más visible es Uber: un despliegue por fases que comienza en Los Ángeles y el área de la Bahía de San Francisco en el primer semestre de 2027, escalando a 28 ciudades en cuatro continentes para 2028, usando el stack completo de software DRIVE AV de NVIDIA y Alpamayo.
El argumento de Uber para desarrolladores de AV: mayor utilización vía agregación de demanda, datos de viaje semánticos, incorporación por fases en cada ciudad (recolección de datos → operador a bordo → sin conductor), fue la sesión más operativa que captamos. La vida útil de la flota no es la matemática del auto particular: 250.000-300.000 millas en ~4 años, planificación de carga en depósitos y red eléctrica, limpieza y reposicionamiento, incluso modos de falla mundanos como puertas abiertas. La economía del robotaxi es un negocio logístico con halo tecnológico.
Tres filosofías, un cuello de botella
Un panel de autonomía con Tesla, Waabi y Motional hizo legible la escisión de la industria:
- Waabi: arquitectura verificable de extremo a extremo multi-sensor; enfatiza generalización con menos ingeniería por ciudad
- Motional / Hyundai: modelos de conducción a gran escala entrenados con millas simuladas masivas, herencia híbrida de seguridad
- Tesla: solo visión, sin mapas; apuesta por escala y amplitud de despliegue
El debate lidar vs. cámaras no está resuelto, y quizá no haya que resolverlo. El consenso implícito del panel: la generalización entre ciudades y condiciones es el diferenciador real. El stack que evita ingeniería a medida por metro gana la economía de plataforma.
Regulación: California abre vehículos pesados, con cuidado
Para la movilidad comercial, la señal regulatoria puede importar tanto como el stack de sensores. El DMV de California finalizó reglas en abril de 2026 que crean una vía para vehículos autónomos pesados de más de 10.001 lbs, terminando una exclusión prolongada para despliegue a escala Clase 8. El marco no es un libre albedrío: permisos por niveles, casos de seguridad, umbrales de millaje acumulado (incluyendo millas sustanciales en el estado) y nuevas herramientas de cumplimiento.
Nuestra lectura: los titulares de robotaxi seguirán robando la atención, pero el transporte autónomo de carga y las flotas comerciales son donde los operadores en mercados intensivos en flete deben vigilar réplicas regulatorias. Texas llegó primero; California hace más difícil descartar la categoría como marginal. Para LATAM, la lectura de corto plazo no es copiar la escalera de permisos de California, sino qué operadores de corredor pueden absorber carga en depósitos, casos de seguridad y flotas mixtas sin esperar una narrativa de robotaxi al estilo estadounidense.
Robótica: despliegues reales, problemas duros de escala
Si las sesiones de autonomía trataban de cronogramas de despliegue, las de robótica fueron un contrapeso sobrio. La robótica empresarial en 2026 no es “los humanoides reemplazan tu almacén.” Es deuda de integración, fragilidad de percepción y SLAs de disponibilidad que no puedes simular.
Los practicantes fueron explícitos: los pilotos funcionan; la producción multi-sitio se rompe. Cambios de iluminación, variación de SKU, polvo y expectativas de disponibilidad 24/7 exponen la brecha entre precisión de laboratorio y fiabilidad operativa. La capa invertible es orquestación, coordinación de flotas, percepción que generaliza y middleware que habla con WMS/ERP/PLM sin arrancar sistemas incumbentes. Brazos y chasis de AMR son la base.
La plataforma supera las soluciones puntuales
El patrón empresarial repetido: una estrategia de compra robot por caso de uso destruye el ROI. El valor se acumula en una única capa de orquestación: monitoreo de salud, rendimiento de activos, inspección, enrutamiento de flotas, con datos sintéticos reduciendo el costo de entrenar modelos de percepción. NVIDIA y varios presentadores industriales citaron una relación sintético/real práctica del orden de 10:1 mejorando la precisión del modelo frente a solo datos reales (con rendimientos decrecientes al ajustar la proporción).
Otto Group: una arquitectura de referencia
La hoja de ruta pública Koala de Otto Group fue el caso de estudio empresarial más claro en GTC, un camino en cuatro fases desde la digitalización del almacén hasta la intralogística autónoma:
- Visualización: escaneo móvil (incluyendo Boston Dynamics Spot) para construir un gemelo digital más preciso que los planos heredados
- Simulación: cambios de layout probados en Omniverse antes de verter concreto
- Integración robótica: CAL (Coordinated Autonomy Layer), middleware de orquestación independiente del proveedor con adaptadores para WMS, sistemas de edificio y flotas heterogéneas de robots
- Autocontrol (futuro): toma de decisiones autónoma con manejo humano de excepciones
Las decisiones de diseño de CAL merecen estudio: sin reemplazo de WMS, adaptadores plug-in para nuevos proveedores de robots, sincronización con gemelo digital para optimización. Ese es el benchmark que usaríamos para empresas de orquestación robótica: si la capa sobrevive al próximo cambio de proveedor, por delante de si el robot recoge más rápido.
Autonomía industrial a escala de PIB
Un panel aparte reunió a Caterpillar, GXO, Kion Group y Honeywell: billones de dólares de PIB del mundo físico entre ellos. El playbook compartido fue casi aburrido en su consistencia: simular → entrenar → desplegar. Caterpillar destacó ciclos de vida de máquinas de décadas frente a ciclos de cómputo de 2-3 años, una tensión que las plataformas edge tipo Thor pretenden resolver. GXO enmarcó la seguridad (fatalidades globales con montacargas) y el volumen de transacciones como combustible de entrenamiento. Kion describió gemelos digitales dirigiendo gemelos físicos en centros de distribución.
El playbook aburrido es el punto. Los ganadores de IA física se parecen menos a marcas de robots novedosas y más a habilitadores de flujo de trabajo: simulación, datos sintéticos, inferencia en edge, percepción vertical específica. Ese patrón viaja. Almacenes, minas, puertos y centros de distribución en Chile, Perú y Colombia enfrentan la misma deuda de integración que describieron los practicantes en GTC. La pregunta es qué capas de orquestación sobreviven stacks WMS locales, reglas laborales y condiciones de sitio.
IA física en ciudades
Los despliegues de ciudad inteligente son fáciles de descartar como teatro de pilotos municipales. El ejemplo de Kaohsiung en GTC fue más difícil de ignorar: ~30.000 cámaras en un stack unificado (Mirra para simulación, Dataverse para curación de datos, Observe para inferencia), manejando detección de accidentes, monitoreo de obras, respuesta a inundaciones y deslizamientos durante tifones, y evaluación de daños en infraestructura.
La estrategia de cómputo también importa aquí: inferencia en el edge (cerca de torres celulares) con escalado elástico durante eventos. Para inversores en movilidad, el vínculo es indirecto pero real, las redes de percepción municipal y la telemática de flotas convergerán. Los vehículos con sensores son nodos de sensor móviles; la IA urbana y el enrutamiento de flotas compartirán modelos de datos, aunque la política vaya detrás de la tecnología.
Patrones de venture del panel de NVentures
Los fundadores del portafolio de NVentures en GTC reforzaron tres temas de diligencia que ya estamos ponderando:
“Cita los modelos, cásate con el harness.” Factory (agentes autónomos de código) y Lovable (generación de apps con IA) argumentaron que la defensibilidad vive en la orquestación: enrutar tareas entre modelos, memoria de flujo de trabajo y evaluación.
Los fosos de datos se estrechan, y no desaparecen. La historia de detección de defectos de Instrumental dependía de un dataset de 11 años que los competidores no pueden replicar porque los OEM dejaron de otorgar derechos amplios de datos alrededor de 2023. Las nuevas ventajas de datos requieren disciplina contractual temprana.
La precisión es específica del dominio. Somaya (finanzas) enfatizó corrección casi exhaustiva, el 90% de precisión se compone en fallo en flujos de varios pasos. La manufactura tolera economías de error distintas: una tasa del 10% puede ser valiosa en I+D si revela defectos desconocidos; producción exige superar líneas base humanas con tolerancia a falsos positivos según contexto. Los agentes de software heredan CI/CD y linters; la barra es operativa.
General Robotics (sentido común físico) hizo la versión robótica del mismo argumento: el bucle de aprendizaje entre modelo e interacción física es el foso.
Qué vigilamos a continuación
Las narrativas públicas de GTC envejecen mal, la certeza del año pasado se vuelve nota al pie este año. Aun así, seis señales sobrevivieron el vuelo de regreso:
- La economía de inferencia es ahora central en cualquier modelo de negocio de movilidad o logística con IA.
- Los stacks de AV se estandarizan alrededor de hardware de referencia, SO de seguridad y modelos de razonamiento, con Uber como agregador comercial.
- La autonomía de vehículos comerciales recibe impulso regulatorio a medida que maduran las reglas para vehículos pesados (California primero, otros siguiendo).
- El valor de la robótica empresarial está en orquestación y simulación.
- Simular-entrenar-desplegar es el estándar industrial. CAL de Otto Group es el blueprint empresarial.
- La IA agéntica es una capa horizontal. OpenClaw/NemoClaw es la apuesta de NVIDIA por poseer el runtime junto con la GPU.
Empresas en nuestro radar por sesiones y anuncios públicos incluyen Waabi, Motional, General, Instrumental y el ecosistema OpenClaw: no como endosos, sino como representativas de dónde se concentran capital y atención de OEM.
Salimos de GTC más convencidos de que la IA física es una oportunidad de escala decenal, y más escépticos de quien venda autonomía o robótica sin una ruta creíble por simulación, casos de seguridad y la capa poco glamorosa de operaciones de flota. San José fija el precio del stack. Los operadores en América Latina pondrán a prueba si ese stack sobrevive flotas reales, sitios reales y regulación real. La tecnología en escenario impresionó. Los depósitos, los requisitos de millaje y los adaptadores de middleware decidirán quién se queda con los ingresos.
— Mauricio Morales, Managing Partner at güil