Para entrenar un robot que haga algo útil, como recoger una caja, clasificar fruta o ajustar una pieza, no bastan buenos motores ni un chip potente. Lo que más pesa son los datos: horas y horas de video en las que alguien, persona o máquina, tiene que explicar qué está pasando, qué acción hizo el robot y si la hizo bien o mal. Ese trabajo de etiquetado es lento y caro, y lleva años frenando a la robótica sin hacer mucho ruido.

Por eso llama la atención lo que reporta The Decoder: Nvidia liberó como código abierto Flora, un motor de datos que etiqueta video de robots por una fracción de lo que cuestan las alternativas. Según el medio, etiquetar una hora de video con Flora cuesta 72 centavos de dólar, frente a 88 dólares con GPT-6 Astra, y además saca una puntuación de calidad ligeramente superior.

En este artículo explicamos qué es Flora, en qué destaca, dónde todavía falla y por qué una noticia que suena a laboratorio les importa directamente a empresas, startups y universidades de Bolivia y América Latina.

Qué anunció Nvidia, en concreto

Estos son los datos clave del reporte:

• Flora es un motor de datos para etiquetar video de robots. Describe y anota lo que pasa en grabaciones de robots trabajando.
• Cuesta 72 centavos por hora de video, frente a 88 dólares con GPT-6 Astra. El titular lo resume como un etiquetado 125 veces más barato.
• Su calidad es ligeramente superior a la de GPT-6 Astra en las evaluaciones reportadas.
• Es un sistema abierto, construido sobre tres modelos Qwen3.5 ajustados (fine-tuned) para esta tarea.
• Detecta errores en las acciones del robot con mucha más fiabilidad que cualquier competidor, aunque a veces se queda corto en precisión descriptiva.
• Nvidia lo presenta como una pieza clave de su estrategia para controlar toda la cadena de valor de la robótica.

Por qué etiquetar video frena a la robótica

Los modelos de inteligencia artificial que controlan robots aprenden, en buena medida, de ejemplos. Se les muestra cómo se hace una tarea, se les dice qué salió bien y qué salió mal, y con eso ajustan su comportamiento. El problema es que un video crudo le enseña muy poco a un modelo; le falta contexto. ¿En qué momento el brazo tomó el objeto? ¿Lo soltó antes de tiempo? ¿La tarea terminó bien o con un error?

Responder esas preguntas para cada fragmento de cada grabación es lo que se llama etiquetado o anotación. Antes lo hacían equipos humanos; ahora también lo hacen grandes modelos multimodales capaces de ver video y describirlo. En los dos casos el costo sube con cada hora grabada. Y como la robótica necesita muchísimos datos para generalizar (que un robot entrenado en un almacén funcione también en otro), el costo de etiquetar termina poniendo un tope práctico a cuánto se puede entrenar.

Si ese costo baja de golpe, las cuentas cambian. Un proyecto que antes solo podían pagar quienes tenían grandes presupuestos de anotación queda al alcance de equipos mucho más pequeños.

De 88 dólares a 72 centavos: qué significa ese salto

No es una mejora pequeña. Bajar el costo dos órdenes de magnitud cambia lo que se puede hacer. Con lo que antes alcanzaba para etiquetar una sola hora de video con el modelo de referencia, ahora se podrían etiquetar más de cien horas con Flora.

En la práctica eso significa:

1. Más datos por el mismo dinero. Los equipos pueden etiquetar todo lo que graban, y no solo una muestra.
2. Más iteración. Si etiquetar es barato, se puede volver a etiquetar cuando cambian los criterios, probar variantes y corregir errores sin miedo a gastarse el presupuesto.
3. Menos barreras de entrada. Startups, laboratorios universitarios e integradores locales pueden armar sus propios conjuntos de datos sin depender solo de los que publican las grandes empresas.

Además, según el reporte, el ahorro no se paga con peor calidad: Flora puntúa un poco por encima de GPT-6 Astra. Cuando una tecnología sale más barata y además rinde igual o mejor, su adopción suele acelerarse.

En qué destaca Flora y en qué todavía falla

Para quien trabaja con robots, quizá el dato más importante no sea el precio. Es que Flora detecta errores en las acciones del robot con mucha más fiabilidad que cualquier competidor.

En robótica, saber cuándo algo salió mal vale muchísimo. Un modelo que aprende de demostraciones tiene que distinguir un intento exitoso de uno fallido; si los fallos se cuelan en los datos como si fueran éxitos, el robot aprende malos hábitos.

El mismo reporte señala una debilidad: Flora a veces se queda corto en precisión descriptiva. Es decir, puede acertar en que algo falló, pero no siempre describe con exactitud todos los detalles de la escena o de la acción.

Que eso importe o no depende del uso:

• Si el objetivo es separar demostraciones buenas de malas o detectar fallos, Flora parece especialmente fuerte.
• Si el objetivo es generar descripciones ricas y exactas, por ejemplo para documentar procesos o entrenar modelos que dependen mucho del lenguaje, conviene combinarlo con revisión humana o con otras herramientas.

Ningún modelo es perfecto en todo, así que la calidad hay que medirla con la métrica que importa para cada caso.

Código abierto y modelos especializados

Dos detalles técnicos de Flora dicen mucho sobre hacia dónde va la inteligencia artificial.

El primero es que es abierto. Otros equipos pueden estudiarlo, adaptarlo y, en principio, ejecutarlo en su propia infraestructura en vez de pagar por cada consulta a un servicio externo. Para una empresa que maneja video sensible de sus operaciones, procesarlo internamente puede importar tanto como el ahorro, siempre que revise las condiciones de uso y tenga la infraestructura necesaria.

El segundo es que está construido sobre tres modelos Qwen3.5 ajustados. No es un modelo gigantesco de propósito general, sino un sistema de modelos especializados en una tarea concreta. Y aun así compite con un modelo de referencia general, e incluso lo supera ligeramente en calidad.

Cada vez se ve más este patrón de modelos abiertos, ajustados para un dominio, que en tareas acotadas igualan o superan a los grandes modelos generales y cuestan mucho menos.

La jugada estratégica de Nvidia

The Decoder subraya que Nvidia presenta Flora como una pieza clave de su estrategia para controlar toda la cadena de valor de la robótica. Conviene leer el anuncio con esa lente.

Regalar una herramienta que abarata los datos no es pura generosidad. Si etiquetar video sale barato, más empresas podrán entrenar modelos de robótica y entrarán más actores a un mercado en el que Nvidia quiere estar presente en cada etapa. Liberar Flora como código abierto amplía su base de usuarios y fortalece su ecosistema.

Para las empresas latinoamericanas esto tiene dos caras. Por un lado, acceden a herramientas de primer nivel sin pagar por cada uso. Por otro, corren el riesgo de depender cada vez más de un solo proveedor en una industria que todavía se está formando. Lo sensato es aprovechar estas herramientas, pero diseñar los proyectos para que los datos propios, que son el activo más valioso, no queden atados a una sola plataforma.

Qué significa para América Latina

La robótica avanzada parece un tema lejano para la región, pero noticias como esta nos tocan más de lo que parece, por cuatro razones.

Los datos locales importan. Los robots aprenden del entorno en el que se graban sus demostraciones. Un sistema entrenado en otro contexto puede no rendir igual con los productos, empaques, condiciones de luz o formas de trabajo de nuestros países. Si etiquetar sale barato, armar conjuntos de datos locales deja de ser un lujo.

Hay sectores donde la automatización tiene sentido. La agroindustria, la minería, la logística, los almacenes y la manufactura pesan en muchas economías latinoamericanas, incluida la boliviana. En esos sectores, los robots y los sistemas de visión pueden aportar seguridad, precisión y continuidad operativa, y abaratar los datos acerca esa posibilidad.

Se abre espacio para el talento regional. Universidades, centros de investigación y startups pueden entrar a la cadena de valor de la robótica no solo comprando equipos, sino generando datos, integrando sistemas y adaptando modelos a la realidad local. El etiquetado automático no elimina el trabajo humano, sino que lo mueve hacia la supervisión de calidad, la definición de criterios y la validación de resultados.

Pesan menos los grandes presupuestos. Una desventaja histórica de la región frente a los grandes polos tecnológicos ha sido lo que cuesta entrar a ciertos mercados. Las herramientas abiertas y baratas no cierran esa brecha, pero la achican.

Para Bolivia, y para Santa Cruz como polo productivo, la pregunta no es si mañana habrá robots en cada planta, sino quién estará preparado cuando adoptarlos tenga sentido económico.

Qué puede aprender cualquier negocio, aunque no use robots

Aunque tu empresa nunca vaya a comprar un brazo robótico, el caso de Flora deja lecciones para cualquier proyecto de inteligencia artificial:

• El costo de la IA puede caer de golpe. Lo que hoy parece caro puede ser accesible pronto, así que conviene revisar las opciones cada cierto tiempo en lugar de descartar un proyecto para siempre.
• Lo especializado puede ganarle a lo genérico. Un modelo ajustado para tu tarea puede salir más barato y servirte más que el modelo más famoso.
• Mide lo que importa. Flora es excelente detectando errores y más débil describiendo. Antes de adoptar una herramienta, define qué resultado necesitas y evalúala en eso.
• Tus datos son tu ventaja. Las herramientas se abaratan y quedan al alcance de todos. Lo que te diferencia son los datos de tu operación, bien organizados.

En NexusAI creemos que la diferencia no la hace la herramienta más llamativa, sino tener ordenada la información del negocio (inventario, pedidos, clientes, documentos) para aprovechar cualquier tecnología que llegue después.

Riesgos y preguntas abiertas

Como en toda noticia reciente, conviene tener en cuenta algunos matices:

• Las cifras vienen de las evaluaciones reportadas en el anuncio. Habrá que ver cómo rinde Flora en manos de otros equipos y con otros tipos de video.
• La precisión descriptiva no es perfecta, así que hacen falta controles humanos donde el detalle importa.
• Que sea abierto no significa que operarlo sea gratis. Ejecutar modelos requiere infraestructura y conocimiento técnico, y el costo real dependerá de cómo se despliegue en cada caso.
• La estrategia de plataforma de Nvidia puede crear dependencia si no se planifica bien.

Recomendaciones prácticas

Para empresas industriales, logísticas o agroindustriales: empiecen a registrar y ordenar el video y los datos de sus procesos, aunque todavía no tengan un proyecto de automatización. Esos datos pueden valer mucho más adelante.

Para startups y desarrolladores: prueben herramientas abiertas como Flora como punto de partida y evalúenlas con sus propios datos, poniendo atención tanto en la detección de errores como en la calidad de las descripciones.

Para universidades y centros de investigación: armar conjuntos de datos locales y etiquetados puede ser una línea de trabajo valiosa y diferenciadora.

Conclusión

Flora ataca una de las piezas menos visibles y más caras de la robótica: los datos. Que Nvidia lo libere como código abierto, mucho más barato que el modelo de referencia y con una calidad igual o mejor, indica que la barrera de entrada está bajando. Quienes empiecen desde ahora a entender estas herramientas y a cuidar sus propios datos estarán mejor ubicados cuando la automatización llegue a nuestras plantas, almacenes y campos.

Fuente: The Decoder