Robótica humanoide, inteligencia incorporada y automatización industrial: WRC 2026 muestra que el foco de la competencia en robótica se ha desplazado de las capacidades de demostración a la productividad, la fiabilidad y los datos de despliegue

Visión general

El informe resume observaciones de WRC 2026 y conversaciones con múltiples empresas de robótica. Su conclusión central es que la base de clientes, el alcance de las aplicaciones y la inversión en datos para robots humanoides y otras formas de IA física se están ampliando, pero el sector aún no ha superado el umbral de comercialización a gran escala. La próxima etapa de desarrollo estará determinada no por demostraciones básicas de movimiento, sino por si los robots pueden aproximarse a la productividad humana en entornos reales y operar continuamente con una fiabilidad, eficiencia de datos y viabilidad económica suficientemente elevadas.

Perspectivas principales

En primer lugar, el despliegue de robots se está ampliando antes de profundizarse. El número medio de clientes por integrador ha aumentado de aproximadamente 10 a comienzos de 2026 a decenas, y algunos clientes han pasado de pruebas de concepto a compras repetidas. Por ejemplo, Foxconn realizó compras repetidas a UBTECH después de su primer despliegue a finales de 2025. Sin embargo, los clientes individuales generalmente aún despliegan solo decenas de robots, lo que deja al sector lejos de la adopción a gran escala. Los robots han mejorado su generalización ante objetos desconocidos, cambios de posición y determinadas perturbaciones ambientales. Tareas específicas como la clasificación pueden igualar o incluso superar el desempeño humano en demostraciones de exhibición, pero su velocidad y precisión en tareas complejas o de alta precisión aún se retrasan significativamente respecto de los humanos. Los entornos semiestructurados son actualmente un punto de partida relativamente adecuado para el despliegue: varían lo suficiente como para que la automatización fija convencional tenga dificultades para cubrirlos, pero su complejidad todavía tiene límites claramente definidos. Las soluciones de Galaxea cubren cumplimiento de pedidos, clasificación, manipulación de contenedores, picking y embalaje, y según se informa pueden manejar aproximadamente 10,000 SKU y objetos desconocidos al 70–80% de la velocidad humana. Las entregas industriales de UBTECH en 2026 se centran principalmente en despaletizado y manipulación de materiales, y el despaletizado alcanza el 60–80% del tiempo de ciclo requerido para producción. El informe también enfatiza que la inteligencia robótica no depende exclusivamente de nuevas plataformas humanoides. Mech-Mind mejora robots convencionales con visión 3D, software/IA y efectores finales. Envió aproximadamente 10,000 sistemas en 2025, registró aproximadamente un 70% de crecimiento interanual de ingresos en el primer trimestre de 2026 y logró un crecimiento similar de pedidos en el primer semestre. Los robots cuadrúpedos también han alcanzado una adecuación producto-mercado más clara en aplicaciones como inspección de redes eléctricas, seguridad, extinción de incendios, acero y petróleo y gas. Deep Robotics creció más del 100% en el primer semestre de 2026 y pretende incrementar los envíos de robots cuadrúpedos de grado industrial de aproximadamente 3,000 unidades en 2025 a aproximadamente 10,000 unidades en 2026. Los casos de uso doméstico fueron significativamente más frecuentes que en WRC 2025, pero los problemas de valor comercial, eficiencia y seguridad requerirán tiempo para resolverse. El informe no espera que los robots humanoides domésticos escalen rápidamente; las mascotas de IA, robots de compañía, robots de escritorio y estaciones automatizadas de alimentos y bebidas podrían adoptarse antes. Los objetivos corporativos siguen siendo agresivos. Geekplus planea envíos acumulados de 10,000 productos de inteligencia incorporada durante los próximos tres años, de los cuales aproximadamente dos tercios serán robots humanoides con ruedas Gino y un tercio estaciones de trabajo de brazos robóticos. UBTECH aspira a aproximadamente 10,000 unidades en 2026 y 20,000–40,000 unidades en 2027. Linkerbot planea vender aproximadamente 20,000 manos diestras en 2026, frente a aproximadamente 10,000 en 2025. AI² Robotics aspira a aproximadamente RMB500 millones de ingresos y entregas de varios miles de unidades en 2026, y planea una capacidad anual de aproximadamente 30,000 unidades en 2027. DexForce aspira a ingresos de aproximadamente RMB250–300 millones, frente a RMB60 millones en 2025. OneRobotics aspira a una CAGR de ingresos de aproximadamente 50% entre 2026 y 2028. Deep Robotics aspira a entregas de aproximadamente 10,000 robots cuadrúpedos de grado industrial en 2026. Estos objetivos reflejan la disposición del lado de la oferta a expandirse, pero el informe continúa considerando la productividad real y el aumento comercial como áreas clave que requieren validación. Respecto de las manos diestras, WRC 2026 presentó significativamente más tareas de manipulación, con el sector pasando del movimiento básico a operaciones de múltiples pasos. Las manos diestras son adecuadas para tareas que requieren mayor flexibilidad, como utilizar herramientas humanas, apretar tornillos y manipular múltiples SKU, pero las pinzas convencionales aún dominan aplicaciones estructuradas como la clasificación estandarizada. Diferentes arquitecturas corresponden a distintos rangos de coste y desempeño: los productos de articulación de bajo DoF de Linkerbot cuestan aproximadamente RMB3,000–6,000, los productos de accionamiento directo de alto DoF aproximadamente RMB20,000–50,000, y los productos accionados por tendones hasta aproximadamente RMB90,000–100,000. La compañía considera que 15–20 grados de libertad pueden cubrir la mayoría de las necesidades operativas prácticas. Los sistemas de articulación tienen el menor coste y una fiabilidad relativamente mejor, pero menor flexibilidad. Los sistemas de accionamiento directo proporcionan un control más preciso, pero elevan el coste, la carga térmica y la complejidad de integración. Los sistemas accionados por tendones se parecen más a las manos humanas, pero la vida útil y el coste dificultan la adopción a escala. Aunque las pruebas de agarre en laboratorio han superado 1 millón de ciclos, la prueba más larga de alimentación continua sigue por debajo de seis meses. La operación a largo plazo también puede enfrentar fallos de software, recalibraciones repetidas, degradación de precisión, sobrecalentamiento y daños a componentes de transmisión. Los datos visuales, articulares, de fuerza y táctiles aún deben sincronizarse; los datos no se pueden compartir fácilmente entre diferentes diseños de manos, y algunos datos de clientes in situ no pueden recuperarse para entrenamiento. Hasta que mejoren la fiabilidad y la productividad, las soluciones de alto DoF también tendrán dificultades para cumplir los requisitos de retorno de inversión de los clientes industriales. Los enfoques de modelos continúan evolucionando rápidamente. El informe considera que los modelos visión-lenguaje-acción, los modelos del mundo y el aprendizaje por refuerzo coexistirán: los modelos visión-lenguaje-acción comprenden instrucciones, objetos y contexto de tareas; los modelos del mundo caracterizan dinámicas físicas y predicen resultados; y el posentrenamiento, el aprendizaje por refuerzo y los modelos de control traducen capacidades generales en una ejecución fiable de tareas específicas. Algunas aplicaciones requerían anteriormente 6–12 meses de preentrenamiento, mientras que mejores modelos fundacionales pueden reducir los datos incrementales necesarios para tareas nuevas relativamente sencillas a decenas de horas. Por tanto, frente a una única puntuación de referencia, el tiempo necesario para completar una nueva tarea y la cantidad de datos requerida por nueva tarea pueden convertirse en indicadores más eficaces de la calidad del modelo. Varias empresas esperan que el “momento GPT” de la inteligencia incorporada llegue en 18–24 meses, o alrededor de 2028, pero el informe considera optimista esta expectativa. Las definiciones del sector de este punto de inflexión incluyen una tasa de éxito zero-shot del 70–80% en tareas desconocidas, desempeño cercano a producción tras un posentrenamiento limitado, la capacidad de ejecutar tareas de horizonte largo de forma continua, resiliencia ante perturbaciones dinámicas y entornos estocásticos, y reducciones sustanciales en los datos incrementales y el trabajo de ingeniería necesarios para cada nueva tarea. El informe identifica el desempeño en el mundo real, el aumento comercial y la capacidad de la escala de datos de traducirse en generalización como criterios clave de validación, y considera que la adaptación rápida al cambio tecnológico es más importante que apostar por una sola arquitectura. Los datos siguen siendo el cuello de botella más citado, pero las horas brutas se están convirtiendo en un indicador de capacidad cada vez más débil. Diferentes tareas requieren diferentes recetas de datos: las tareas de locomoción y desempeño dependen más de la simulación; la navegación, el agarre y la colocación pueden usar más datos egocéntricos; y las tareas domésticas dependen más de la teleoperación. La calidad de los datos varía considerablemente. Aproximadamente el 80% de los datos internos de teleoperación de Galbot sigue siendo utilizable tras la selección, mientras que la tasa utilizable de datos egocéntricos externalizados de bajo coste puede estar por debajo del 10%. UBTECH pretende obtener aproximadamente 1 millón de horas de datos utilizables en 2026, pero estima que esto podría requerir aproximadamente 4 millones de horas de datos brutos. Los datos egocéntricos externalizados pueden costar tan solo aproximadamente US$2 por hora en países de bajo coste, mientras que los datos manuales multimodales de alta calidad cuestan aproximadamente US$90–100 por hora. Por lo tanto, el valor podría desplazarse de la recopilación básica hacia el diseño de tareas, la sincronización multimodal, el control de calidad, la limpieza y alineación, y la selección de datos vinculada a modelos. Galbot aspira a aproximadamente 1 millón de horas en 2026 y aproximadamente 10 millones de horas para el primer semestre de 2028. Galaxea aspira a aproximadamente 1 millón de horas efectivas para finales de 2026, aproximadamente 90% procedentes de fuentes egocéntricas o UMI y aproximadamente 10% de robots físicos. UBTECH cuenta actualmente con aproximadamente 300,000 horas y aspira a aproximadamente 1 millón de horas utilizables en 2026. PsiBot cuenta actualmente con aproximadamente 300,000 horas y considera aproximadamente 1 millón de horas como un posible umbral para una generalización más pronunciada. Es más probable que las barreras a más largo plazo provengan de fallos, intervenciones humanas y casos límite generados por los despliegues. La escala de la flota por sí sola es insuficiente: los derechos sobre los datos, la diversidad de escenarios y la velocidad del circuito de retroalimentación determinan si los datos pueden mejorar los modelos. Para datos de clientes que no pueden salir de la fábrica, el informe también analiza soluciones de entrenamiento distribuido que implican almacenamiento local y entrenamiento in situ, transmitiéndose de vuelta únicamente el modelo mejorado. La computación parece cada vez más una consecuencia de la expansión de datos que una carrera tecnológica independiente. Varias empresas han alcanzado la escala de miles de aceleradores. UBTECH cuenta con recursos de entrenamiento en la nube a nivel de miles de aceleradores y planea alcanzar el nivel de decenas de miles de aceleradores en los próximos 3–5 años. Galbot también se encuentra en el nivel de miles de aceleradores, y su potencia de cómputo podría expandirse junto con la escala de datos y parámetros, alcanzando potencialmente 100,000 aceleradores para 2028. AI² Robotics utiliza computación alquilada al nivel de miles de aceleradores y planea construir su propio clúster, alcanzando el nivel de decenas de miles de aceleradores a largo plazo. OneRobotics tiene aproximadamente 1,000 recursos equivalentes a H100. La computación de entrenamiento por sí misma podría no ser una ventaja competitiva duradera, pero puede utilizarse para contrastar la escala de datos, las capacidades de modelos y la velocidad de iteración de una empresa. Los integradores dependen actualmente casi por completo de chips extranjeros mientras prueban activamente alternativas nacionales. Algunas empresas estiman que un chip de Nvidia equivale a aproximadamente cuatro chips nacionales, lo que indica una brecha de desempeño sustancial, aunque la computación nacional ha progresado de la inexistencia a la disponibilidad. A medida que se amplían los modelos, las ventanas de contexto y las entradas sensoriales multimodales, aumentan los requisitos de ancho de banda de memoria, transferencia de datos, latencia y consumo energético, lo que convierte la computación perimetral en otra área de integración vertical. UBTECH y MetaX están desarrollando conjuntamente un chip dedicado para robots humanoides, con posible despliegue en 2–3 años. Galbot está explorando computación en memoria, chips perimetrales nacionales e inferencia colaborativa nube-borde. Los retos de hardware han pasado de si un robot puede moverse y realizar demostraciones a si puede operar continuamente con intensidad de producción. Las principales limitaciones actuales incluyen la fiabilidad, la autonomía de batería y las limitaciones térmicas de las articulaciones. Incluso si un modelo puede decidir qué acción realizar, el sistema físico podría no poder ejecutarla de forma eficiente y repetida. Algunos grandes clientes manufactureros exigen compensación cuando los robots provocan tiempos de inactividad de la línea de producción, lo que significa que la pérdida económica de un solo fallo puede superar ampliamente el valor del propio robot una vez que los robots están integrados en los sistemas de producción. Por tanto, las métricas clave se están desplazando hacia el tiempo de funcionamiento continuo, la probabilidad de fallo, la deriva de calibración, el tiempo de recuperación, la eficiencia térmica y energética, el peso e integración totales, y la durabilidad de sensores y efectores finales. La reducción de costes también depende cada vez más de la simplificación del diseño, la sustitución de materiales y procesos, la estandarización de módulos y la consistencia de producción, en lugar de solo reducir los precios de componentes. Se están utilizando aleaciones de magnesio, moldeo por inyección de metal, fibra de carbono y materiales como PEEK para mejorar el peso, la resistencia al desgaste y la resistencia térmica. Lingyi iTech promueve la estandarización de módulos de batería y articulaciones, que estima podría reducir los costes duplicados de diseño y desarrollo en 10–20%, mientras que la simplificación de estructuras complejas podría reducir los costes de fabricación en otro 10–15%. A nivel de acciones, Morgan Stanley considera que, a medida que comiencen los despliegues, el umbral para los proveedores de componentes aumentará de aprobar la certificación de productos a lograr fiabilidad, consistencia, rendimiento, escala de producción masiva y control de costes. Por tanto, prefiere proveedores líderes con capacidades de producción masiva y selecciona a Leader Harmonious Drive Systems, Hengli Hydraulic y Shuanghuan Driveline como compañías preferidas, todas con calificación OW. Las valoraciones del apéndice muestran que Lingyi iTech se valora mediante un modelo de ingresos residuales multietapa con un coste de capital asumido de 11%, una tasa de crecimiento a medio plazo de 16% y una tasa de crecimiento perpetuo de 5%. Geekplus se valora a 5.6x P/S 2026E, con 50% basado en el P/S medio de 8.3x de pares de robótica humanoide y conducción autónoma tras un descuento de 20%, y el otro 50% basado en el P/S medio de 4.6x de pares de automatización logística y de almacenes. Al negocio de robótica no humanoide de Hengli Hydraulic se le asigna un P/E objetivo de 30x para 2027, por debajo del máximo aproximado de 40–50x del ciclo anterior porque se espera que el máximo de ventas nacionales en este ciclo sea más débil, el crecimiento de beneficios se esté normalizando y el negocio de bombas y válvulas haya superado su fase de hipercrescimiento. Su negocio de robótica humanoide se valora mediante DCF con un WACC de 11% y una tasa de crecimiento perpetuo de 4%.

Marco de análisis

El informe primero compara las observaciones in situ en WRC 2026 y las conversaciones con Geekplus, Lingyi iTech, OneRobotics, UBTECH y múltiples empresas de robótica no cotizadas con WRC 2025. Posteriormente analiza los cuellos de botella de comercialización en seis temas principales: despliegue de aplicaciones, manos diestras, modelos, datos, potencia de cómputo y hardware. Las métricas de validación incluyen productividad real, compras repetidas y escala de despliegue en sitios individuales, tasas de utilización de datos, velocidad de adaptación a nuevas tareas, fiabilidad operativa continua y coste. Finalmente, el informe vincula las tendencias del sector con proveedores de componentes con capacidades de producción masiva y valora empresas seleccionadas cubiertas utilizando metodologías de ingresos residuales, P/S, P/E objetivo y DCF.

Notas metodológicas

• (Método fuera del vocabulario)Otro

  Investigación de conferencias y comparación de exposiciones anuales

  El informe compara demostraciones in situ y conversaciones corporativas en WRC 2026 con WRC 2025 para identificar el cambio de foco del sector, desde las capacidades básicas de movimiento hacia la productividad, la fiabilidad y el despliegue comercial.

• (Método fuera del vocabulario)Otro

  Métricas de productividad de despliegue y rendimiento de datos

  En lugar de observar solo los recuentos de robots u horas brutas de datos, el informe examina la escala de despliegue en sitios individuales, las compras repetidas, la velocidad de tareas, la proporción de datos utilizables y el tiempo y los datos necesarios para nuevas tareas, con el fin de determinar si la expansión de escala puede traducirse en capacidades reales.

• Método de valoraciónModelo de ingresos residuales RIM

  Valoración de ingresos residuales multietapa

  El caso base de Lingyi iTech utiliza un modelo de ingresos residuales multietapa para estimar el valor patrimonial con un coste de capital de 11%, una tasa de crecimiento a medio plazo de 16% y una tasa de crecimiento perpetuo de 5%.

• Método de valoraciónValoración P/S

  Valoración P/S ponderada por pares

  Geekplus utiliza un múltiplo P/S 2026E de 5.6x, derivado de combinar las valoraciones de pares de robótica humanoide y conducción autónoma con las de pares de automatización logística y de almacenes, con una ponderación de 50% para cada grupo.

• Método de valoraciónValoración P/E/PEG

  Valoración mediante P/E objetivo

  El negocio de robótica no humanoide de Hengli Hydraulic utiliza un P/E objetivo de 30x para 2027, frente a una valoración máxima de aproximadamente 40–50x en el ciclo anterior.

• Método de valoraciónDCF Flujo de caja descontado

  Valoración DCF del negocio de robótica humanoide

  El negocio de robótica humanoide de Hengli Hydraulic se valora mediante un modelo de flujo de caja descontado, asumiendo un WACC de 11% y una tasa de crecimiento perpetuo de 4%.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• Geekplus (2590.HK)

  El informe califica a la empresa OW y la considera una inversión relacionada con la comercialización de la automatización logística y de almacenes y productos de inteligencia incorporada.

  Fortalezas

  El objetivo de envíos acumulados de productos de inteligencia incorporada durante los próximos tres años es 10,000 unidades, aproximadamente dos tercios de las cuales serán robots humanoides con ruedas Gino. Existen oportunidades de ganancias de cuota de mercado, expansión de márgenes y captación de nuevos clientes.

  Debilidades

  La valoración debe hacer referencia a pares de robótica humanoide, conducción autónoma y automatización logística aún en fases tempranas, y la inversión en inteligencia incorporada podría superar las expectativas.

  Comparación

  El caso base utiliza 5.6x P/S 2026E, basado en una ponderación 50/50 de la valoración de 8.3x para pares de robótica humanoide y conducción autónoma tras un descuento de 20%, y la valoración de 4.6x para pares de automatización logística y de almacenes.

  Riesgos

  Vencimiento de períodos de lock-up, crecimiento de pedidos más débil de lo esperado debido a la geopolítica, inversión en inteligencia incorporada superior a la esperada y deterioro del sentimiento hacia los mercados de robótica o IA.

• Lingyi iTech (002600.SZ)

  El informe califica a la empresa UW y se centra en su estandarización de componentes clave de robótica y negocios relacionados con hardware de IA.

  Fortalezas

  Se espera que la estandarización de módulos de batería y articulaciones reduzca los costes duplicados de diseño y desarrollo en 10–20%, mientras que la simplificación estructural podría reducir aún más los costes de fabricación en 10–15%.

  Debilidades

  El crecimiento y la cualificación de clientes para nuevos negocios como infraestructura de IA, teléfonos inteligentes plegables, gafas de IA y XR siguen siendo inciertos.

  Comparación

  El informe utiliza un modelo de ingresos residuales multietapa coherente con su marco de cobertura de hardware tecnológico, asumiendo un coste de capital de 11%, una tasa de crecimiento a medio plazo de 16% y una tasa de crecimiento perpetuo de 5%.

  Riesgos

  Aumento de infraestructura de IA o cualificación de clientes más lentos de lo esperado, demanda débil de teléfonos inteligentes y pantallas plegables, y retrasos en gafas de IA, XR u otros negocios nuevos.

• OneRobotics (6600.HK)

  El informe enumera a la empresa como NC y la utiliza como objetivo de observación del sector para inversión en modelos, datos y potencia de cómputo de inteligencia incorporada.

  Fortalezas

  La empresa aspira a una CAGR de ingresos de aproximadamente 50% entre 2026 y 2028 y cuenta con aproximadamente 1,000 recursos de cómputo equivalentes a H100.

  Debilidades

  El informe señala que los datos de un mismo escenario pueden volverse rápidamente redundantes después de varias horas, haciendo que la diversidad de datos y la eficiencia de utilización sean más importantes que simplemente aumentar las horas.

  Comparación

  Su escala de cómputo se encuentra dentro del rango de miles de aceleradores descrito en el informe para varias empresas líderes de inteligencia incorporada.

• UBTECH (9880.HK)

  El informe enumera a la empresa como NC y la considera un importante objetivo de observación para el despliegue industrial de robots humanoides, la transferencia de modelos, los datos y el desarrollo de chips perimetrales.

  Fortalezas

  La empresa ha conseguido compras repetidas de Foxconn, aspira a aproximadamente 10,000 unidades en 2026 y 20,000–40,000 unidades en 2027, y planea obtener aproximadamente 1 millón de horas de datos utilizables.

  Debilidades

  El despaletizado alcanza actualmente el 60–80% del tiempo de ciclo de producción requerido, dejando una brecha antes de que la mano de obra pueda reemplazarse por completo. Aproximadamente 1 millón de horas de datos utilizables podrían requerir aproximadamente 4 millones de horas de datos brutos.

  Comparación

  Las entregas industriales se concentran principalmente en casos de uso semiestructurados como despaletizado y manipulación de materiales, coherentes con la ruta inicial de despliegue descrita en el informe.

  Riesgos

  Los clientes industriales podrían exigir compensación cuando los robots causen tiempos de inactividad de líneas de producción, amplificando las pérdidas económicas derivadas de una fiabilidad insuficiente.

• Leader Harmonious Drive Systems (688017.SS)

  El informe califica a la empresa OW y la enumera como una compañía preferida líder de componentes de robótica.

  Fortalezas

  El informe considera que, una vez que comience el despliegue, la fiabilidad, consistencia, rendimiento, escala de producción masiva y control de costes elevarán las barreras para los proveedores de componentes, beneficiando a los líderes del sector.

  Comparación

  La empresa está incluida entre las compañías preferidas de componentes del informe junto con Hengli Hydraulic y Shuanghuan Driveline.

• Hengli Hydraulic (601100.SS)

  El informe califica a la empresa OW y la enumera como una compañía preferida líder de componentes de robótica.

  Fortalezas

  Los escenarios potenciales de alza incluyen una demanda de excavadoras, bombas y válvulas más fuerte de lo esperado; la entrada en las cadenas de suministro de más marcas extranjeras; y una mayor penetración de robots humanoides y cuota de cadena de suministro.

  Debilidades

  El negocio de bombas y válvulas ha superado su fase de hipercrescimiento, y el informe considera que el máximo de ventas nacionales de este ciclo puede ser más débil que el del ciclo anterior.

  Comparación

  El negocio de robótica no humanoide utiliza un P/E objetivo de 30x para 2027, por debajo del máximo aproximado de 40–50x del ciclo anterior. El negocio de robótica humanoide utiliza un DCF con un WACC de 11% y una tasa de crecimiento perpetuo de 4%.

• Shuanghuan Driveline (002472.SZ)

  El informe califica a la empresa OW y la enumera como una compañía preferida líder de componentes de robótica.

  Fortalezas

  El informe considera que, a medida que el sector pasa de la certificación de productos a la producción masiva fiable, los principales proveedores de componentes con escala de fabricación, rendimiento y capacidades de control de costes estarán mejor posicionados.

  Comparación

  La empresa está incluida entre las compañías preferidas del informe junto con Leader Harmonious Drive Systems y Hengli Hydraulic.

Datos clave

• Número medio de clientes por integradorDecenasFrente a aproximadamente 10 a comienzos de 2026, pero los clientes individuales generalmente aún despliegan solo decenas de robots.
• Capacidades logísticas de GalaxeaAproximadamente 10,000 SKU; 70–80% de la velocidad humanaPuede manejar objetos desconocidos en cumplimiento de pedidos, clasificación, manipulación de contenedores, picking y embalaje.
• Productividad de despaletizado de UBTECH60–80% del tiempo de ciclo de producción requeridoLas entregas industriales en 2026 se centran principalmente en despaletizado y manipulación de materiales.
• Envíos y crecimiento de Mech-MindAproximadamente 10,000 sistemas en 2025; aproximadamente +70% de crecimiento interanual de ingresos en 1T26El crecimiento de pedidos fue similar en el primer semestre de 2026.
• Objetivo de robots cuadrúpedos de grado industrial de Deep RoboticsAproximadamente 10,000 unidades en 2026Frente a aproximadamente 3,000 unidades en 2025; creció más del 100% interanual en el primer semestre de 2026.
• Objetivos de envíos de las principales empresasGeekplus: 10,000 unidades acumuladas durante los próximos tres años; UBTECH: aproximadamente 10,000 unidades en 2026 y 20,000–40,000 unidades en 2027Aproximadamente dos tercios del objetivo de Geekplus corresponde a robots Gino y un tercio a estaciones de trabajo de brazos robóticos.
• Rangos de precios de manos diestrasArticulación: RMB3,000–6,000; accionamiento directo: RMB20,000–50,000; accionadas por tendones: hasta RMB90,000–100,000Los mayores grados de libertad y la mayor flexibilidad generalmente implican mayor coste, carga térmica y dificultad de integración.
• Pruebas de fiabilidad de manos diestrasMás de 1 millón de agarres en laboratorio; operación continua alimentada más larga inferior a seis mesesLa operación industrial continua todavía enfrenta problemas relacionados con calibración, precisión, sobrecalentamiento y vida útil de componentes de transmisión.
• Ciclo de adaptación a nuevas tareasReducido de los históricos 6–12 meses a decenas de horas de datos incrementales para tareas sencillasLos modelos fundacionales y las canalizaciones de datos de extremo a extremo pueden acelerar el desarrollo de modelos verticales y la transferencia entre casos de uso.
• “Momento GPT” esperado de la inteligencia incorporadaEn 18–24 meses, alrededor de 2028Varias empresas esperan este calendario, pero el informe considera optimista dicho horizonte.
• Diferencias en las tasas de utilización de datosAproximadamente 80% para datos internos de teleoperación de alta calidad; por debajo de 10% para datos egocéntricos externalizados de bajo costeEl rendimiento de datos puede ser más informativo que las horas brutas de datos.
• Objetivo de datos de UBTECHAproximadamente 1 millón de horas de datos utilizables en 2026Podría requerir aproximadamente 4 millones de horas de datos brutos; actualmente cuenta con aproximadamente 300,000 horas.
• Costes de recopilación de datosDatos egocéntricos externalizados desde aproximadamente US$2/hora; datos manuales multimodales de alta calidad aproximadamente US$90–100/horaEl valor podría desplazarse hacia el diseño de tareas, la sincronización, el control de calidad, la limpieza y la selección vinculada a modelos.
• Brecha entre chips de entrenamiento nacionales y extranjerosAproximadamente cuatro chips nacionales equivalentes a un chip NvidiaEsta es una estimación de la brecha de desempeño proporcionada por algunas empresas; los integradores aún dependen principalmente de chips extranjeros.
• Reducción de costes mediante estandarización de módulos de Lingyi iTechReducción de 10–20% en costes duplicados de diseño y desarrollo; reducción adicional de 10–15% en costes de fabricaciónDerivada, respectivamente, de la estandarización de módulos clave y la simplificación de estructuras complejas.
• Valoración de Geekplus5.6x P/S 2026EBasada en una ponderación 50/50 de una valoración de pares de 8.3x descontada en 20% y una valoración de 4.6x para pares de automatización logística y de almacenes.
• Supuestos de valoración de Hengli Hydraulic30x P/E 2027 para el negocio no humanoide; WACC de 11% y crecimiento perpetuo de 4% para el negocio humanoideSe utilizan, respectivamente, los métodos de valoración P/E objetivo y DCF.

Impacto e implicaciones

El informe considera que las evaluaciones de valor en el sector de la robótica están pasando de demostraciones de movimiento y objetivos de capacidad anunciados hacia la verificación de productividad, compras repetidas, fiabilidad, retroalimentación de datos en circuito cerrado y economía unitaria. La logística semiestructurada, la manipulación industrial de materiales, la inspección y las mejoras de la automatización convencional pueden escalar antes que los robots humanoides domésticos de propósito general. A medida que los clientes comiencen a exigir compensación por tiempos de inactividad de líneas de producción, la calidad, consistencia, rendimiento, durabilidad y coste de producción masiva de robots completos y componentes se convertirán en barreras más altas. Por ello, el informe favorece a proveedores líderes de componentes con capacidades fiables de producción masiva. La arquitectura de modelos y la computación de entrenamiento podrían no constituir independientemente ventajas competitivas duraderas; los derechos, la calidad y diversidad de los datos de despliegue y la velocidad de retroalimentación tienen más probabilidades de determinar la competitividad a largo plazo.

Riesgos

• Los clientes individuales generalmente aún despliegan solo decenas de robots, lo que deja al sector lejos de la adopción a gran escala.
• La velocidad y precisión en tareas complejas o de alta precisión siguen materialmente por debajo de los niveles humanos, y una productividad insuficiente podría retrasar la sustitución de mano de obra.
• La fiabilidad de operación continua de las manos diestras, la sincronización de datos táctiles, la reutilización de datos entre arquitecturas, la vida útil y los costes de alto DoF aún no cumplen los requisitos para aplicaciones industriales a escala.
• Los datos de clientes in situ pueden no estar disponibles para entrenamiento debido a requisitos de propiedad y seguridad, lo que limita la retroalimentación de despliegue en circuito cerrado.
• Persiste una brecha de desempeño significativa entre chips de entrenamiento nacionales y extranjeros, y los integradores actualmente dependen principalmente de chips extranjeros.
• La autonomía de batería, las limitaciones térmicas de las articulaciones, la deriva de calibración y los fallos del sistema pueden causar tiempos de inactividad de líneas de producción, y las pérdidas económicas resultantes podrían superar el valor del propio robot.
• El valor comercial, la eficiencia y los problemas de seguridad de los robots humanoides domésticos requerirán tiempo para resolverse.
• Lingyi iTech enfrenta riesgos de que la infraestructura de IA y la cualificación de clientes avancen más lentamente de lo esperado, que la demanda de teléfonos inteligentes y pantallas plegables siga débil y que se retrasen nuevos negocios como gafas de IA y XR.
• Geekplus enfrenta riesgos por el vencimiento de períodos de lock-up, impactos geopolíticos en los pedidos, inversión en inteligencia incorporada superior a la esperada y deterioro del sentimiento de los mercados de robótica e IA.

Aspectos que vigilar

• Seguir si los volúmenes de despliegue por cliente pueden expandirse más allá de decenas de unidades y si los proyectos de prueba de concepto pueden seguir convirtiéndose en compras repetidas.
• Monitorear la productividad de los robots, el aumento comercial, y la velocidad y precisión en tareas complejas en escenarios reales.
• Seguir si el tiempo de adaptación a nuevas tareas y la cantidad de datos requerida para cada nueva tarea continúan disminuyendo.
• Verificar si las tasas de éxito zero-shot en tareas desconocidas pueden alcanzar 70–80% y aproximarse al desempeño de producción tras un posentrenamiento limitado.
• Observar si el rendimiento de datos, la diversidad de escenarios y la retroalimentación de despliegue en circuito cerrado pueden traducir conjuntos de datos de escala de millones de horas en una generalización más sólida.
• Seguir el tiempo de funcionamiento continuo, la probabilidad de fallo, la deriva de calibración, el tiempo de recuperación, la gestión térmica, la autonomía de batería y la durabilidad de los efectores finales.
• Monitorear el progreso de las pruebas de chips de entrenamiento nacionales y el posible despliegue del chip perimetral dedicado para robots humanoides de UBTECH durante los próximos 2–3 años.
• Seguir si las empresas pueden cumplir sus objetivos de envíos, ingresos, capacidad, datos y cómputo para 2026–2028.