Manos de robot vs piernas: cuál es más difícil

Manos de robot vs piernas no es una competencia cerrada, y el otoño de 2026 lo demostró. El 15 de septiembre, IEEE Spectrum reportó sobre el Digit 5 de Agility Robotics, un humanoide de 129 kilos diseñado para trabajar más de 20 horas al día en la industria. Dos semanas después, el 1 de octubre, la misma publicación reportó que Boston Dynamics había rediseñado la mano del Atlas desde cero, con su director de comportamiento robótico diciendo que el equipo todavía estaba “averiguando qué tiene que cambiar en los detalles finos de nuestro diseño”.

Las piernas son un producto. Las manos son un proyecto de investigación. Esa brecha tiene seis causas concretas, y ninguna es la capacidad de cómputo.

Puntos clave

• Caminar tiene un objetivo: mantener el centro de masa sobre el apoyo y no caerse. Agarrar no tiene objetivo único, porque el agarre correcto depende del objeto, del siguiente paso y de lo que la persona quería.
• Caminar tiene un puñado de modos de contacto repetibles. La manipulación tiene una cantidad combinatoria de ellos, y cada cambio de contacto es una discontinuidad en la física.
• Las manos meten más articulaciones independientes en menos espacio. La nueva mano del Atlas tiene 13 grados de libertad y la Shadow Dexterous Hand tiene 20 grados accionados en 24 articulaciones.
• Agarrar depende muchísimo del tacto, que es el sentido más difícil de construir. Boston Dynamics lo rodeó usando motores retroaccionables en las articulaciones como sensores de fuerza, en lugar de sensores en las puntas de los dedos.
• La paradoja de Moravec le puso nombre a esto en 1988: las tareas que exigen razonamiento consciente son más fáciles para las computadoras que las habilidades sensorimotoras inconscientes.

Manos de robot vs piernas: seis razones de la brecha

Uno: la función objetivo. Caminar tiene una meta única y medible. Mantener el centro de masa sobre el polígono de apoyo, seguir avanzando, no caerse. Eso se puede escribir como un número y optimizar. Agarrar no tiene número equivalente. La forma correcta de levantar una taza depende de si vas a beber de ella, pasársela a alguien o meterla al lavaplatos. El objetivo lo define una intención futura, a la que el robot no tiene acceso.

Dos: los modos de contacto. Esta es la razón técnica más profunda y la que más se salta. Cuando caminas, tu pie está en el suelo o no lo está. Agrega el golpe de talón y el empuje de punta y tienes tres o cuatro estados de contacto, repitiéndose en ciclo. Cuando manipulas un objeto, el estado de contacto es qué partes de qué dedos tocan qué partes del objeto, y si cada contacto se queda pegado, se desliza o rueda. El número de combinaciones explota. Y peor: cada transición es una discontinuidad, porque las ecuaciones que gobiernan el movimiento cambian en el instante en que un dedo se levanta. La teoría de control maneja bien los sistemas suaves y mucho peor los que cambian de ecuación cientos de veces por segundo.

Tres: densidad de articulaciones. El equilibrio de un bípedo lo dominan unas pocas articulaciones grandes, y por eso el modelo del péndulo invertido te lleva lejos. Una mano apretuja muchas articulaciones chicas e independientes en un espacio del tamaño de un sándwich. La mano nueva del Atlas tiene 13 grados de libertad. La Shadow Dexterous Hand tiene 20 grados accionados en 24 articulaciones, movidos por 20 motores o 20 pares antagónicos de músculos de aire. Cada grado de libertad es otra cosa que accionar, sensar, controlar y reparar.

Cuatro: el sensado. Las piernas tienen excelente propiocepción, fácil de construir: un encoder en cada articulación te dice dónde está la extremidad. Las manos necesitan tacto, y la piel es difícil. Los sensores de presión en las puntas son frágiles, caros y se desgastan. Por eso la solución de Boston Dynamics fue usar motores retroaccionables como sus propios sensores de fuerza, que según IEEE Spectrum reaccionan a la fuerza y al contacto.

Cinco: la variabilidad del mundo. El piso es aproximadamente un plano: a veces inclinado, a veces resbaloso, a veces con un escalón. Ese es un espacio chico y un robot se puede probar en casi todo él. Los objetos no. Delgados, planos, suaves, resbalosos, granulados, deformables, frágiles, pegajosos. Una mano que funciona con una caja no te dice nada sobre si funciona con una bolsa de plástico.

Seis: el costo de entrenar. Las piernas se pueden entrenar contra un simulador de física que modela bien el suelo. La manipulación rica en contacto es donde los simuladores son más débiles, porque la fricción, la deformación y el impacto son lo más difícil de simular con exactitud. El estudio de OpenAI de 2018 sobre manipulación diestra usó aprendizaje por refuerzo en una Shadow Dexterous Hand con propiedades físicas aleatorizadas, incluidos coeficientes de fricción, precisamente porque no se podía confiar en que la simulación coincidiera con la realidad.

Ahora la analogía. Caminar es como andar en bicicleta: una habilidad continua, un modo de falla, y cuando tu cuerpo la tiene, la tiene para siempre. Agarrar es como cocinar: miles de juicios chicos y específicos de la situación, sin criterio único de éxito.

La comparación en una tabla

Propiedad	Piernas y caminar	Manos y agarrar
Objetivo	Uno, medible: no caerse	Depende del objeto y de la intención
Modos de contacto	Tres o cuatro, cíclicos	Combinatorios, con discontinuidades
Articulaciones independientes	Pocas y grandes	Muchas y chicas, 13 a 20 en diseños actuales
Sentido clave	Propiocepción, fácil de instrumentar	Tacto, difícil de construir y frágil
Variabilidad del mundo	Un plano casi siempre	Prácticamente sin límite
Calidad de simulación	Buena	La más débil justo donde importa el contacto
Estado en 2026	Producto industrial en venta	Rediseñándose desde cero

La última fila es el resumen honesto. Un bípedo de 129 kilos se está vendiendo para operar más de 20 horas al día, mientras una empresa líder de robótica todavía está decidiendo cuántos dedos debe tener una mano.

Por qué esto sorprende a todo el mundo

Porque es al revés de la experiencia humana, y eso tiene nombre.

Hans Moravec escribió en 1988 que “es comparativamente fácil hacer que las computadoras exhiban desempeño de nivel adulto en pruebas de inteligencia o jugando damas, y difícil o imposible darles las habilidades de un niño de un año en percepción y movilidad”. Steven Pinker lo resumió en 1994: “la lección principal de treinta y cinco años de investigación en IA es que los problemas difíciles son fáciles y los problemas fáciles son difíciles”.

La explicación de Moravec fue evolutiva. “Codificada en las grandes y muy evolucionadas porciones sensoriales y motoras del cerebro humano hay mil millones de años de experiencia sobre la naturaleza del mundo y cómo sobrevivir en él”, escribió, mientras el pensamiento abstracto “es un truco nuevo, tal vez de menos de cien mil años”. La dificultad de reconstruir una habilidad sigue a cuánto tiempo le dedicó la evolución.

Y eso da una predicción limpia que se cumple. Caminar en dos piernas es una adaptación comparativamente reciente en la línea de los homínidos. Las manos capaces de agarrar son mucho más antiguas entre los primates. La regla de Moravec predice que la habilidad más vieja es la más difícil de reconstruir, y eso es lo que encuentran los ingenieros.

Cómo enseñarle esto a tu hijo

De 5 a 8 años: camina la línea y después junta el arroz

Materiales: cinta adhesiva, una cuchara, un montoncito de arroz o lentejas, dos vasos.

Primero, pega una línea en el piso, de dos metros, y que tu hijo la camine talón-punta. Después de reversa. Después con los ojos casi cerrados. Es fácil, es repetible, y se va a aburrir.

Segundo, pon veinte granos de arroz en un plato y que los mueva uno por uno a un vaso, usando solo una cuchara agarrada con el puño cerrado. Cronometra. Después con dos dedos. Después con palillos o dos lápices.

Di la comparación en voz alta: caminar se volvió aburrido en dos minutos, y el arroz sigue siendo una lata. “Ese es exactamente el problema que tienen los robots.”

De 9 a 12 años: cuenten los modos de contacto

Materiales: una taza, una hoja y un lápiz.

Pídele a tu hija que liste todas las formas distintas en que una mano puede sostener la taza. Por el asa. Por el borde con dos dedos. Rodeando el cuerpo con toda la mano. De cabeza, por la base. Con dos manos. Pinzada en el borde con pulgar e índice. La mayoría llega a entre ocho y doce y sigue.

Después pídele que liste todas las formas distintas en que un pie toca el suelo al caminar. Talón abajo. Pie completo. Punta empujando. Pie en el aire. Cuatro.

Escriban los dos números uno junto al otro. Doce contra cuatro ya es una brecha, y después explícale que un robot tiene que decidir entre los doce y predecir qué pasa en cada uno, mientras los cuatro se repiten en el mismo orden para siempre. Esa proporción es la proporción de dificultad, deducida por una niña de diez años a partir de una taza.

De 13 en adelante: mide cuánto de agarrar es tacto

Materiales: una bandeja con diez objetos variados, una venda para los ojos, guantes gruesos y un cuaderno.

Ronda uno, normal: levanta cada objeto, anota éxito y tiempo. Es la línea base y va a salir casi perfecta.

Ronda dos, con los ojos vendados: los mismos diez objetos, en las mismas posiciones. La mayoría le va sorprendentemente bien, porque el tacto la saca adelante.

Ronda tres, con guantes y los ojos abiertos: esta es la interesante. Los guantes gruesos quitan el tacto fino y dejan la visión intacta, y el desempeño normalmente baja más de lo que la gente espera, sobre todo con objetos delgados, planos y suaves.

Tres números por objeto, treinta datos. La conclusión se escribe sola: la visión te dice dónde están las cosas, el tacto te dice qué está pasando. Los robots tienen visión excelente y tacto pobre, que es justo lo que simuló la ronda tres.

La pregunta que debes hacer: “¿Por qué un robot puede subir escaleras pero no doblar una camisa?”

¿Y en América Latina?

Aquí la pregunta equivalente no es cuándo llega el robot. Es qué trabajos se automatizan primero, y la respuesta que da este artículo es distinta de la que suele circular.

Si la dificultad la determinan los modos de contacto, los trabajos que se automatizan primero son los que manejan objetos rígidos, uniformes y de forma conocida. Eso describe la bodega: cajas, bultos, tarimas, paquetes. Y la bodega es justo donde crece el empleo logístico de la región, con operaciones de Mercado Libre, de Rappi y de los grandes retailers. Esa es la presión real de corto plazo.

Ahora lo contrario, que casi nadie dice. Los cultivos que se cosechan a mano en la región son el caso más difícil que existe para una mano robótica. El café en Colombia se recolecta grano por grano, con frutos de madurez desigual, en pendiente, entre ramas. La uva de mesa en Chile, las berries y el aguacate en México, el mango en Perú: objetos suaves, deformables, variables, mezclados con hojas y tallos también suaves. Según la lógica de este artículo, esas tareas están estructuralmente protegidas por más tiempo que el trabajo de bodega, y no por política pública: por física. Ojo con cómo lo lees. Es una predicción estructural a partir de los modos de contacto, no un pronóstico de empleo: la economía también decide, y un salario bajo retrasa la automatización igual que la dificultad técnica.

La misma lógica aplica a los oficios. Albañilería, soldadura en obra, instalación eléctrica en una casa vieja: tareas ricas en contacto, con geometría impredecible, en espacios distintos cada vez. La mano del Atlas puede usar herramientas con gatillo, lo que suena amenazante hasta que recuerdas que el problema no es apretar el gatillo. Es decidir dónde apoyarse en una pared que nadie midió.

Qué hacer en casa

Dale crédito a donde está la dificultad de verdad

Cuando un video muestra a un robot dando una vuelta en el aire, la reacción honesta es que la locomoción se puso buena. Cuando muestra a un robot doblando una toalla, ese es el logro más difícil aunque se vea menos impresionante. Enseñarle a un chico a invertir el ranking de lo impresionante es alfabetización técnica.

Usa la idea de los modos de contacto en otras cosas

Explica bastante. Por qué atrapar es más difícil que lanzar. Por qué escribir con lápiz es más difícil que correr. Cualquier tarea donde la cantidad de formas en que las cosas pueden tocarse es grande se les complica a las máquinas, y esa sola heurística predice bien qué trabajos se automatizan primero.

Observa qué se vende, no qué se demuestra

El Digit 5 se está vendiendo para más de 20 horas de operación diaria. La mano del Atlas se está rediseñando pensando en hacer 100,000 unidades al año. Esas dos frases te dicen dónde está cada capacidad en la curva de madurez.

Deja que tu hijo sea malo en una tarea de motricidad fina, a propósito

Palillos, tejido, soldadura, origami, repartir cartas. La frustración es la lección, y vuelve comprensibles las noticias de robótica en lugar de mágicas. Un chico que pasó cuarenta minutos sin lograr levantar un grano de arroz con palillos entiende en el cuerpo por qué Boston Dynamics tiene un director de comportamiento robótico.

Lo que no debes hacer

No le digas a tu hijo que los robots nunca van a doblar la ropa. Eso no es lo que dice la evidencia. La manipulación es un problema más difícil que la locomoción y está recibiendo una cantidad enorme de atención de ingeniería ahora mismo. Las predicciones confiadas envejecen mal en las dos direcciones. “Más difícil, y en eso están trabajando” es exacto y más interesante.

Qué observar en los próximos 3 meses

• Semana 4: Busca cualquier resultado de manipulación reportado con una tasa de éxito sobre un conjunto variado de objetos, en lugar de un intento exitoso. La tasa de éxito sobre objetos variados es la métrica honesta, y que casi no aparezca en la cobertura ya es información.
• Mes 2, señales de alerta: Un video que no indica cuántos intentos tomó. Afirmaciones de destreza que mencionan grados de libertad pero no confiabilidad. Las dos indican que la capacidad todavía no es producto.
• Mes 3, autoevaluación: Pregúntale a tu hijo qué es más difícil para un robot, subir una escalera o abotonar una camisa, y por qué. Si menciona de cuántas formas pueden tocar el botón los dedos, la idea aterrizó. Si menciona fuerza o equilibrio, repitan la actividad de la taza.

Preguntas frecuentes

¿Por qué caminar es más fácil para un robot que levantar cosas?

Caminar tiene un objetivo medible y un puñado de estados de contacto que se repiten. Agarrar no tiene objetivo único, porque el agarre correcto depende de la intención, y tiene una cantidad combinatoria de estados de contacto, donde cada transición cambia la física que gobierna el movimiento. La dificultad es estructural, no de capacidad de cómputo.

¿Los robots ya resolvieron caminar?

No del todo, pero lo suficiente para venderlo. El Digit 5 de Agility Robotics está diseñado para más de 20 horas de operación industrial diaria, y la cobertura de IEEE Spectrum del 15 de septiembre de 2026 se centró en la seguridad y no en si puede caminar. Cuando la conversación pasa de la capacidad a la certificación de seguridad, una tecnología maduró.

¿Qué es la paradoja de Moravec en una frase?

Es la observación, planteada por Hans Moravec en 1988, de que las tareas que exigen razonamiento consciente son comparativamente fáciles para las computadoras mientras las habilidades sensorimotoras inconscientes son extremadamente difíciles, porque estas últimas descansan en mucha más ingeniería evolutiva.

¿El tacto es de verdad el cuello de botella?

Es uno de varios, y el que tiene menos soluciones buenas. Los sensores de presión en las puntas son frágiles y se desgastan, y por eso Boston Dynamics usó en cambio motores retroaccionables en las articulaciones que reaccionan a la fuerza y al contacto. Es una vuelta al problema, no una solución a la piel artificial.

¿Qué tarea de la casa van a lograr los robots al último?

Nadie lo sabe, y quien diga que sí está adivinando. La predicción estructural a partir de los modos de contacto es que las tareas más difíciles involucran objetos suaves, delgados o deformables sin forma fija: doblar sábanas con elástico, manejar bolsas de plástico, separar ropa mojada. Las cajas y los objetos rígidos están mucho más avanzados.

¿Mi hijo debería estudiar ingeniería mecánica o de software para esto?

El trabajo interesante está en medio. La mano del Atlas es una decisión de diseño mecánico tomada por razones de manufactura que cambia lo que tiene que hacer el software. Las carreras que conservan las dos, como mecatrónica e ingeniería en robótica, corresponden mejor al problema real.

---

Sobre el autor

Ricky Flores es el fundador de HiWave Makers e ingeniero eléctrico con más de 15 años de experiencia desarrollando tecnología de consumo en Apple, Samsung y Texas Instruments. Escribe sobre cómo los niños aprenden a construir, pensar y crear en un mundo saturado de tecnología. Lee más en hiwavemakers.com.

---

Fuentes

1. IEEE Spectrum. (2026, 1 de octubre). “Atlas Robot’s New Hand May Outperform Humanlike Designs.” https://spectrum.ieee.org/robust-robot-hand
2. Ackerman, E. (2026, 15 de septiembre). “Digit 5 May Be the First Humanoid Robot Worker That’s Truly Safe.” IEEE Spectrum. https://spectrum.ieee.org/humanoid-robot-safety
3. Wikipedia contributors. “Moravec’s paradox.” Wikipedia. https://en.wikipedia.org/wiki/Moravec%27s_paradox
4. OpenAI, Andrychowicz, M., Baker, B., Chociej, M., et al. (2018). “Learning Dexterous In-Hand Manipulation.” https://arxiv.org/abs/1808.00177
5. Wikipedia contributors. “Shadow Hand.” Wikipedia. https://en.wikipedia.org/wiki/Shadow_Hand
6. Wikipedia contributors. “Humanoid robot.” Wikipedia. https://en.wikipedia.org/wiki/Humanoid_robot
7. Occupational Safety and Health Administration. “Robotics.” Departamento del Trabajo de EEUU. https://www.osha.gov/robotics

Más en HiWave Makers: la mano del robot Atlas, cómo aprenden los robots humanoides por imitación y los oficios y la robótica.