Amazon Robotics en un millón de máquinas: lo que la flota todavía no puede hacer

Resumen

• El millón de robots desplegados por Amazon es una evidencia convincente de la escala de fabricación y operación de flotas, pero no de un millón de trabajadores autónomos intercambiables. La mayor parte del parque mueve estanterías, pods o paquetes dentro de instalaciones estructuradas; la recogida y colocación de artículos a nivel de artículo difícil aún utiliza filtros de elegibilidad, reintentos, transferencia humana e implementaciones más limitadas.
• La mejor evidencia pública de tareas proviene de la investigación en producción más que de los anuncios de lanzamiento. La clasificación de recogida aprendida de Robin redujo los fallos frente a una línea base heurística en pruebas de flotas grandes. Una prueba de Vulcan Pick tuvo éxito en el 90,9% de los intentos de extracción, pero solo 4.690 de 6.561 solicitudes asignadas, aproximadamente el 71,5%, alcanzaron una extracción robótica exitosa después de incluir aplazamientos de planificación y otros fallos.
• Las afirmaciones sobre edificios completos son prometedoras pero aún no representan una economía robótica limpia. Amazon tiene como objetivo una mejora del 25% en el costo de servicio en su diseño de Shreveport, mientras que sus informes no revelan por separado el gasto de capital en robótica, la depreciación, la energía, el mantenimiento, la mano de obra de recuperación ni los ahorros por artículo. Amazon mismo es tanto desarrollador como cliente principal, por lo que las comparaciones de producción independientes siguen siendo escasas.
• La historia laboral es de transferencia de trabajo, no de simple eliminación. Los robots eliminan millas de caminatas y parte del levantamiento, mientras crean trabajo de mantenimiento, monitoreo de suelo, excepciones e ingeniería, y potencialmente aumentan el ritmo en las estaciones humanas. Las afirmaciones de seguridad necesitan la misma disciplina: los mecanismos ergonómicos son creíbles, pero las comparaciones de la compañía entre sitios robóticos y no robóticos son observacionales, y los reguladores aún requieren amplios controles ergonómicos.

En junio de 2025, un centro de cumplimiento de Amazon en Japón recibió el robot número un millón de la compañía. El hito llegó 13 años después de que Amazon comprara Kiva Systems, y es difícil de ignorar. Un millón de máquinas físicas desplegadas en más de 300 instalaciones no es una historia de laboratorio. Significa que la adquisición, fabricación, carga, repuestos, cobertura inalámbrica, software de flota, preparación del suelo, mantenimiento y operaciones diarias han sobrevivido al contacto con una red inusualmente grande. Elanuncio de Amazon sobre el hitoes una evidencia creíble de que la robótica de almacenes se ha convertido en infraestructura ordinaria dentro de la compañía.

No es evidencia de que un millón de robots puedan cumplir un millón de pedidos por sí solos.

Esa distinción importa porque el número de Amazon reúne máquinas con trabajos y niveles de agencia muy diferentes. Una unidad de transporte Hercules madura sigue una cuadrícula estructurada, levanta un pod y lo lleva a un trabajador. Proteus mueve carros con ruedas a través de espacios compartidos con personas. Robin toma paquetes de una pila y los coloca en unidades móviles. Sparrow maneja inventario individual. Cardinal clasifica paquetes más pesados. Sequoia no es un robot en absoluto, sino un sistema de inventario integrado. Vulcan utiliza detección de fuerza para trabajar dentro de estanterías de tela abarrotadas. Algunos operan en un parque sustancial; otros han vivido en un solo edificio o en un puñado de celdas de trabajo; otros aún están pendientes de un despliegue más amplio.

La forma honesta de evaluar Amazon Robotics es, por tanto, seguir el trabajo, no los nombres. ¿Qué tarea entra? ¿Qué estado debe preservarse? ¿Qué fracción de los casos ordinarios se completa? ¿Qué sucede con un artículo, un pedido y el resto del edificio cuando la máquina rechaza, deja caer, se atasca, pierde la calibración o se detiene? ¿Y cuánta atención humana se requiere antes de que la operación vuelva a la normalidad?

Una subsidiaria construida alrededor de un cliente interno

Amazon Robotics LLC es la descendiente corporativa de Kiva Systems, la empresa de manipulación de materiales de North Reading, Massachusetts, que Amazon acordó adquirir en marzo de 2012 por aproximadamente 775 millones de dólares en efectivo. Elanuncio original de adquisición de Amazondijo claramente la atracción: Kiva llevaba productos a los empleados para la recogida, empaquetado y almacenamiento. Un informe posterior de Amazon registró que la adquisición se cerró en mayo de 2012; Kiva contribuyó con 61 millones de dólares en ventas y una pérdida operativa de 62 millones de dólares desde la adquisición hasta el final de ese año, un recordatorio temprano de que un sistema útil y un proveedor independiente rentable no son lo mismo.

El límite legal y del producto puede volverse borroso porque Amazon describe la operación robótica a través de las salas de prensa, páginas de investigación y sitios de empleo de Amazon. El negocio relevante aquí es la tecnología de cumplimiento descendiente de Kiva, basada en la investigación y fabricación de Massachusetts y desplegada en las operaciones de Amazon. No es AWS, aunque Amazon dice que la infraestructura de AWS almacena y procesa datos generados por sensores, cámaras y máquinas de robots. No son los vehículos autónomos de Zoox, los drones de entrega de Prime Air, el robot doméstico Astro, o todas las empresas de robótica en las que Amazon ha invertido. Esos esfuerzos pueden intercambiar personas, servicios o investigación, pero no convierten la flota de almacenes en un producto comercial.

El límite del cliente es igualmente importante. Históricamente, Kiva vendía sistemas de almacén a empresas externas. Bajo Amazon, el cliente de despliegue significativo ha sido principalmente el propio Amazon. No existe un catálogo público de Amazon Robotics con un precio por unidad, suscripción de software, acuerdo de nivel de servicio o cifra de retención de clientes. Lacarta de 2025 a los accionistas de Andy Jassydice que Amazon explorará soluciones robóticas para clientes industriales y de consumo donde pueda usar su escala y retroalimentación operativa. El tiempo futuro importa. Describe una opción, no un negocio de robótica externa establecido.

Esta estructura le da a Amazon Robotics una ventaja que la mayoría de los proveedores envidiarían. Sus ingenieros pueden observar volúmenes enormes, cambiar el edificio, alterar el software aguas arriba, recopilar datos de fallos y mantener los ahorros dentro de la empresa matriz. También debilita la prueba convencional. El proveedor y el comprador comparten la gestión, los sitios de prueba pertenecen al mismo grupo corporativo, y ninguna de las partes tiene que publicar un retorno de inversión en condiciones de mercado. Amazon puede financiar racionalmente un sistema que mejora toda la red minorista incluso si la subsidiaria pareciera poco atractiva como empresa de equipos independiente. Un operador de almacén externo no puede asumir la misma economía.

El pedido es la unidad que importa

Un cliente ve un pedido. El almacén ve una cadena de transiciones de estado.

El inventario entrante debe identificarse y ponerse a disposición para la venta. Un artículo se coloca en almacenamiento, se registra su ubicación y deben distribuirse suficientes copias a través de la red. Cuando llega un pedido, el software elige un sitio de cumplimiento y asigna el inventario. Un pod o contenedor de almacenamiento viaja a una estación. El artículo correcto se retira, se verifica y se coloca en una bandeja. Se empaqueta, etiqueta, clasifica, consolida con otro trabajo y se envía al muelle correcto. Los carros se mueven a las áreas de carga; los camiones salen a tiempo. Cada transferencia debe preservar la identidad, cantidad, destino y condición física.

Las máquinas de Amazon automatizan fragmentos de esta cadena. El fragmento más antiguo y amplio es el transporte de mercancías a persona. Las unidades de transporte se colocan debajo de pods móviles, los levantan y los llevan a estaciones fijas. El humano ya no camina por los pasillos buscando el artículo. Esto supone una enorme eliminación de desplazamientos, pero la estación de trabajo aún necesita una persona para identificar, agarrar y escanear el producto. El sistema convierte el trabajo de caminar en trabajo de recogida o almacenamiento estacionario, con el software controlando la cola.

El siguiente fragmento es el movimiento de paquetes. Robin y Cardinal utilizan visión, succión y brazos industriales para mover productos ya empaquetados. Proteus mueve carros cargados. Estas son tareas más limitadas que encontrar un artículo minorista blando, reflectante o frágil en una estantería abarrotada. Un paquete ya tiene forma y etiqueta de paquete; un carro presenta una interfaz mecánica estándar. La estandarización no es un truco. Es cómo se construye una automatización industrial confiable. Pero significa que un alto recuento de paquetes no se puede extrapolar a la destreza a nivel de artículo.

El fragmento más difícil es manipular el propio inventario minorista. Amazon puede tener pasta de dientes, libros, juguetes en bolsas, cables, botellas, cajas ligeras y ropa deformable en contenedores adyacentes. Los objetos llegan en envases nuevos, se superponen unos a otros, ocultan sus superficies útiles y se desplazan bajo contacto. Las manos humanas usan el tacto, la coordinación bimanual y la improvisación de sentido común sin construir un modelo tridimensional explícito. Un robot necesita percepción, un efector final, movimiento sin colisiones, límites de fuerza, comportamientos de recuperación y una decisión sobre cuándo no intentarlo.

Por eso la afirmación de Amazon de que los robots desempeñan un papel en la finalización del 75% de los pedidos de los clientes no es una tasa de autonomía del 75%. Una unidad de transporte puede asistir un pedido que una persona aún recoge, verifica y empaqueta. La afirmación demuestra alcance a través de la red, no la fracción de trabajo o decisiones eliminadas. Para un comprador, operador o responsable político, los denominadores útiles son las tareas completadas, las intervenciones por tarea, los artículos dañados, el tiempo de recuperación, los minutos de trabajo y el costo total por pedido correcto.

El transporte es maduro, pero el suelo es un sistema

La flota de unidades de transporte móviles es el éxito de producción más claro de Amazon Robotics. Para 2022, Amazon informó de más de 520.000 unidades de transporte; a mediados de 2025, el recuento más amplio de robots superó el millón. A esta escala, la capacidad relevante ya no es si un robot puede seguir una ruta. Es si miles de robots, pods y estaciones siguen moviéndose sin convertir una interrupción local en un retraso en todo el edificio.

Una unidad de transporte moderna recibe trabajo del software de planificación central conservando la detección y el control locales. Ladescripción actual de la flota de Amazondice que Hercules utiliza una cámara tridimensional para distinguir personas, pods, robots y otros objetos, lee marcadores codificados en el suelo para la posición, y toma la dirección general de la planificación central. En las plantas de almacenamiento restringido, el entorno hace gran parte del trabajo de fiabilidad: las rutas se representan como un grafo, los pods y estaciones tienen roles conocidos, los marcadores del suelo anclan la localización y el acceso está estrictamente controlado. Proteus amplía el dominio operativo al detectar y navegar alrededor de las personas mientras mueve carros, pero su primer trabajo de producción permaneció limitado a las áreas de muelle de salida.

La escala introduce interacciones que una demostración con un solo robot no puede mostrar. Los robots compiten por caminos estrechos y estaciones de alta demanda. Una celda de viaje bloqueada puede obligar a alargar muchas rutas. Los pods forman cola para que un recolector no esté inactivo. La carga, el acceso al suelo y el mantenimiento sacan capacidad de servicio. Pequeños retrasos pueden formar ondas de tráfico.

Un proyecto del MIT de 2019 realizado con Amazon Robotics hace que la carga de recuperación sea inusualmente concreta. Suestudio sobre la salud del suelo robóticodescribe productos caídos, derrames, unidades deshabilitadas y marcadores de suelo sucios. Cuando una unidad falla o pasa por encima de una obstrucción, los empleados pueden tener que restringir un área mucho mayor para poder entrar de manera segura. Esa restricción puede bloquear carriles de viaje valiosos, exacerbar la congestión y aumentar el tiempo de inactividad de la estación. El proyecto existió porque el soporte reactivo y las mejores prácticas informales no escalaban; los operadores necesitaban una detección más temprana y una mejor priorización de las intervenciones. Las tasas y costos exactos estaban disfrazados, por lo que no es un informe de tiempo de actividad actual. Sigue siendo una evidencia valiosa de que la autonomía de la flota crea su propio trabajo de supervisión ordinaria.

Amazon ha atacado la congestión con software cada vez más aprendido. Un sistema de 2023 predecía el retraso a partir de los historiales de los robots y las trayectorias planificadas. En simulación, los investigadores informaron de un rendimiento de planificación de rutas un 4,4% mayor y un error de estimación del tiempo de viaje entre un 30% y un 40% menor que los métodos de producción. Esos son resultados prometedores, pero la palabrasimulacióntiene peso: mejores elecciones de ruta en la reproducción no establecen automáticamente la misma ganancia bajo tráfico máximo en vivo.

DeepFleet es el sucesor más ambicioso. Amazon lo llama un modelo fundacional para coordinar robots móviles y dice que mejora la eficiencia de viaje de la flota en un 10%. Elartículo técnicoes sustancial. Se entrenaron cuatro familias de modelos con datos de producción reales, utilizando los ejemplos más grandes entre aproximadamente 700.000 y cinco millones de horas-robot. Una prueba de retención cubrió siete días en siete plantas de almacén, y los modelos desplegaron trayectorias 60 segundos en el futuro. La mejor arquitectura dependía de la métrica: un modelo de 97 millones de parámetros centrado en el robot funcionó mejor en la mayoría de las medidas de trayectoria, mientras que un modelo de grafo mucho más pequeño seguía siendo competitivo.

Pero el artículo evalúa la predicción, no la afirmación operativa pública del 10%. Mide cuán cerca se asemejan las trayectorias y la congestión predichas al comportamiento de retención. No publica una comparación aleatorizada por sitio que muestre el tiempo de viaje, el rendimiento de pedidos, las intervenciones y el costo antes y después de DeepFleet. Amazon puede poseer esa evidencia. El público no. La capacidad del modelo está, por tanto, más establecida que el resultado para el cliente a nivel de flota.

La distinción también importa para la resiliencia. DeepFleet puede informar la asignación de tareas, el enrutamiento y la simulación; no debe describirse casualmente como el controlador de seguridad de bajo nivel para cada robot. La parada en tiempo real, los límites de fuerza y los enclavamientos del equipo deben seguir comportándose de manera segura cuando un pronóstico aprendido es incorrecto o la infraestructura no está disponible. Amazon dice que AWS ayuda a almacenar y procesar datos ricos de las máquinas, pero no publica suficiente arquitectura para inferir qué bucles de control requieren disponibilidad en la nube. La conclusión responsable es que los datos de la nube y la flota son dependencias aguas arriba para el análisis y el desarrollo de modelos, mientras que el límite preciso de fallos permanece sin revelar.

Robin muestra cómo es una buena evidencia de producción

Robin, el brazo de singulación de paquetes, ofrece la evidencia pública más sólida de que Amazon Robotics puede mejorar una tarea de manipulación repetida en producción. El trabajo consiste en recoger un paquete de una pila no estructurada en una cinta transportadora, escanearlo y colocarlo en una unidad móvil para su clasificación. Los paquetes varían en material, distribución de masa y visibilidad; las celdas de trabajo también varían en la configuración del brazo y la herramienta de succión.

Los investigadores de Amazon entrenaron un modelo de aprendizaje automático superficial para clasificar las recogidas candidatas según el éxito previsto. Suartículo de producción de 2023nombra los fallos relevantes: ningún plan factible, pérdida del paquete después de agarrarlo y tomar accidentalmente varios artículos. Eso ya es una divulgación mejor que un recuento total de paquetes porque muestra lo que significa una tarea fallida.

La evaluación tenía varias capas útiles. El modelo se entrenó con más de 394.000 recogidas. En una comparación de validación sobre unos 179.000 ingresos de producción aleatorios, la clasificación aprendida aumentó el éxito de recogida del 95,02% al 96,20%. Ese cambio de 1,18 puntos porcentuales redujo los fallos en un 23,7%, un buen ejemplo de por qué las ganancias de fiabilidad aparentemente pequeñas importan en millones de repeticiones diarias. Una prueba A/B más amplia de la flota asignó aproximadamente 1,16 millones de recogidas a cada uno de los seis enfoques de clasificación; la configuración aprendida más sólida alcanzó un 93,73% de éxito frente al 92,28% de una heurística de recogida central. El método desplegado también había manejado más de 200 millones de ingresos con una tasa de éxito reportada del 98% durante el período de evaluación del artículo.

Esta evidencia no es perfecta. Amazon escribió el artículo y operó la flota. El titular del 98% no va acompañado de un libro mayor completo de costos, reintentos o intervenciones, y diferentes tablas cubren diferentes métodos y muestras. Una recogida exitosa no es el pedido completo del cliente. Sin embargo, el artículo proporciona definiciones de tareas, líneas base, tamaños de muestra y comparaciones de producción reales. Apoya una afirmación estrecha y sólida: la selección de recogida aprendida hizo que un sistema de manipulación de paquetes ya maduro fallara con menos frecuencia.

Robin también demuestra cómo la fiabilidad se acumula. Una tasa de fallos del 2% suena excelente hasta que se aplica a cinco millones de intentos en un día; implicaría 100.000 primeros intentos fallidos si cada fallo se correspondiera directamente con un intento. En la práctica, algunos fallos pueden reintentarse o enrutarse a otro proceso, por lo que esa aritmética no es un recuento de paquetes de clientes retrasados. Es un recordatorio de que la automatización de alto volumen debe diseñarse en torno a la recuperación, no celebrarse en el punto en que el caso promedio funciona.

Para 2024, Amazon dijo a Associated Press que Robin operaba en docenas de almacenes y había realizado tres mil millones de recogidas. La mismaentrevista reportada de forma independientedijo que otros sistemas nombrados aún estaban en pruebas o no se habían desplegado ampliamente. La madurez de la flota es, por tanto, desigual incluso dentro del mismo portafolio.

La manipulación de artículos expone la brecha de autonomía

Sparrow está diseñado para mover productos individuales entre contenedores; Cardinal levanta y clasifica paquetes de hasta 50 libras; Sequoia combina robots móviles, pórticos, brazos, inventario en contenedores y estaciones de trabajo humanas. Juntos, estos sistemas extienden la automatización más allá del transporte. La evidencia pública para cada uno tiene una fuerza diferente.

Amazon dice que una versión actual de Sparrow puede manejar más de 200 millones de productos únicos. Eso es una afirmación de cobertura, no una tasa de éxito. No dice con qué frecuencia el brazo completa un movimiento solicitado, qué fracción rechaza, cómo se muestra la mezcla de productos, cuántos reintentos se permiten o con qué frecuencia una persona resuelve el estado del inventario. Es plausible que la percepción de Sparrow tenga un amplio alcance de catálogo: los datos públicos ARMBench de Amazon se construyeron a partir de más de 235.000 actividades de recogida y colocación en más de 190.000 objetos únicos. Pero ARMBench también revela los bordes no resueltos. Su detector de defectos de línea base recordó solo el 34% de los defectos de imagen de recogida múltiple con una tasa de falsos positivos del 5%, mientras que la recuperación de defectos de paquetes fue del 73%. Ese punto de referencia mide un modelo, no el producto Sparrow actual, pero muestra por qué detectar un resultado malo poco frecuente puede ser más difícil que hacer un movimiento ordinario.

Cardinal es más fácil de entender. Selecciona un paquete de un conducto, lee su etiqueta y lo coloca en el carro correcto. La succión por aire y una caja etiquetada hacen esto manejable, mientras que un límite de manipulación de 50 libras apunta a trabajos con un valor ergonómico obvio. Aún así, Amazon no ha publicado el éxito de tareas de Cardinal, el tiempo de actividad, las intervenciones por cada mil paquetes o el costo comparativo. Un anuncio de prototipo y un despliegue nombrado son evidencia de un sistema funcional, no suficiente para valorar su fiabilidad de producción.

Sequoia cambia la afirmación de un robot a un proceso de construcción. En su primer despliegue en Houston, Amazon dijo que el inventario entrante podría identificarse y almacenarse hasta un 75% más rápido y que un pedido podría moverse a través del centro de cumplimiento hasta un 25% más rápido. Su instalación de Shreveport escala el diseño: más de tres millones de pies cuadrados, almacenamiento para más de 30 millones de artículos, miles de robots móviles, brazos robóticos y 2.500 empleados cuando esté completamente operativa. Lacuenta de Shreveport de Amazondice que apunta a una mejora del 25% en el costo de servicio durante los períodos pico.

Esas declaraciones son significativas porque se refieren al inventario y al costo, no solo a la velocidad de los componentes. También son objetivos y comparaciones reportadas por el proveedor. Amazon no publica la instalación de referencia, la ventana de medición, la utilización, la depreciación o la contribución de la colocación regional del inventario, el software, el empaquetado, la programación laboral y la robótica por separado. Sequoia es precisamente valiosa porque estas partes funcionan juntas, pero esa integración dificulta la atribución. La afirmación correcta es que Amazon tiene un diseño serio de automatización integral del sitio con objetivos operativos explícitos, no que los robots por sí solos ya han reducido el costo de cada pedido en una cuarta parte.

El sitio de Nashville visitado por Associated Press da una medida de despliegue útil: menos de dos años después de que comenzara el trabajo de Cardinal y Proteus allí, Amazon dijo que el 70% de los artículos del edificio se enviaban a través de ese sistema robótico. De nuevo, “a través” no es “sin ser tocado por una persona”. Sí muestra que una ruta de producción puede transportar la mayor parte del volumen del sitio sin requerir que se resuelvan todos los problemas de manipulación de artículos.

Los rechazos de Vulcan son tan importantes como sus éxitos

Vulcan es el mejor lugar para examinar la brecha entre la capacidad del modelo y la fiabilidad del producto porque Amazon ha publicado un trabajo inusualmente detallado tanto sobre el almacenamiento como sobre la recogida de pods de tela abarrotados.

El sistema de almacenamiento combina visión estéreo, segmentación aprendida, detección de fuerza y hardware específico para la tarea. Un mecanismo mueve bandas de retención elásticas. Un efector sostiene el artículo entrante. Una cuchilla extensible desplaza objetos dentro de un contenedor para crear espacio. Esta descomposición importa: en lugar de pedirle a una mano de propósito general que imite cada movimiento humano, el sistema convierte un acto diestro en sub-tareas controladas.

En unartículo de despliegue de 2025, el sistema había realizado más de 500.000 almacenamientos. Los investigadores analizaron de cerca 100.000 intentos recientes, con resultados validados por anotadores humanos. El éxito total superó el 85%. Durante marzo de 2025, los robots promediaron 224 unidades por hora frente a 243 para las personas que trabajaban en la misma planta, aproximadamente un 7,8% menos. Una prueba A/B separada en una celda de trabajo informó que la selección de riesgo aprendida mejoró la tasa en aproximadamente un 7% sobre un control frecuentista, aunque el tratamiento cubrió 227 pods frente a 695 para el control. El objetivo del sistema era más exigente: 300 unidades por hora, 80% de los artículos, más de 20 horas al día, siete días a la semana.

El detalle de los fallos es más revelador que el titular. Un ciclo fallido puede dejar el artículo de forma segura en el efector para otro intento, lo que cuesta tiempo. Un resultado peor deja caer un artículo o crea daños que requieren intervención humana. El documento describe artículos rígidos que bloquean la cuchilla, productos deformables que transmiten mal la fuerza, artículos que se enganchan en los bordes del contenedor, libros que se pliegan contra los vecinos, cajas ligeras aplastadas por una fuerza de sujeción fija, y objetos o bandas de retención dejados en posiciones inseguras. Las estimaciones basadas solo en la percepción subestimaron el espacio disponible en 36 milímetros en promedio, con una desviación estándar de 40 milímetros. El contacto proporcionó información útil, pero el tacto por sí solo podría pasar por alto un juguete blando que se dobla fuera del espacio objetivo. Los investigadores concluyen que los defectos merecen una atención desproporcionada porque crean trabajo de recuperación en lugar de simplemente desperdiciar un ciclo.

Vulcan Pick proporciona una lección aún más clara en denominadores. Extrae un artículo solicitado de un pod abarrotado, utilizando imágenes para decidir si el artículo es identificable, sin obstrucciones, movible y adecuado para succión. Si demasiados objetos lo bloquean o no existe una recogida segura, la solicitud se envía a una estación manual. Si un intento de recogida falla repetidamente, una persona se hace cargo.

Elartículo de despliegue en campocubrió un almacén activo, inicialmente un sistema de extracción y luego dos, operando aproximadamente seis horas por día laborable desde octubre de 2024 hasta marzo de 2025. Más de 12.000 solicitudes pasaron por la estación durante el período más amplio. Las estadísticas detalladas de enero a marzo cubren 6.561 solicitudes asignadas. El robot intentó 5.157 extracciones de artículos y tuvo éxito en 4.690, lo que arrojó el éxito de extracción reportado del 90,9%. Pero 1.246 solicitudes no tuvieron intento de extracción porque la planificación falló, y el artículo dice que el 19,4% de las solicitudes fueron rechazadas en la estación debido a fallos en la planificación de bandas o recogida y se enviaron a estaciones manuales. Medido contra todas las solicitudes asignadas, las extracciones robóticas exitosas fueron aproximadamente del 71,5%.

Ninguno de los denominadores es fraudulento. El éxito del intento le dice a un ingeniero si una acción elegida funciona. La finalización de solicitudes asignadas le dice a un operador cuánto trabajo absorbe realmente la celda. Un comprador de producción necesita ambos, más el tiempo de ciclo, los daños, los minutos humanos, el rendimiento máximo y la disponibilidad. “Más del 90% de éxito” sin cobertura exageraría la autonomía; “71,5% de extremo a extremo” sin señalar los aplazamientos deliberados por seguridad subestimaría el valor de rechazar trabajos riesgosos.

El diseño de recuperación del sistema es sensato. Informa del éxito o fallo al software del almacén para que el trabajo pueda reasignarse. Sus fallos son concretos: succión débil, trayectorias de extracción deficientes, colisiones con bandas, bordes de contenedores o barras metálicas, artículos equivocados o múltiples, productos caídos, errores de calibración, interrupciones en la comunicación del software y daños en las ventosas. Los ingenieros mejoraron la disponibilidad durante los seis meses, pero no se revela un porcentaje final de tiempo de actividad.

La descripción pública del despliegue de Amazon en mayo de 2025 decía que un piloto involucraba seis robots Vulcan Stow en Spokane, con una beta planificada de otros 30 allí y un despliegue más grande en Alemania. Sus últimas declaraciones dicen que se avecina una expansión más amplia en Europa y EE. UU. Eso es un progreso real desde una celda, pero sigue siendo órdenes de magnitud menor que la flota de unidades de transporte. Vulcan demuestra que la manipulación de artículos con contacto rico ha entrado en producción. No demuestra que la manipulación general de artículos haya alcanzado una escala de red desatendida.

La supervisión no desaparece; cambia de forma

La automatización elimina trabajo en bloques y lo añade en fragmentos. Una flota de unidades de transporte elimina las caminatas y el transporte manual de estanterías. Proteus puede eliminar el empuje de carros pesados. Robin y Cardinal eliminan los levantamientos repetidos de paquetes. Sequoia presenta el inventario entre la mitad del muslo y la mitad del pecho, reduciendo las cuclillas regulares y los alcances por encima de la cabeza. Vulcan está deliberadamente dirigido a las filas altas y bajas de pods, dejando las filas medias más fáciles y los artículos difíciles a las personas.

El trabajo añadido se distribuye en mantenimiento de fiabilidad, ingeniería de controles, limpieza, monitoreo de suelo, calibración, anotación de datos, manejo de excepciones, reconciliación de inventario y controles de calidad. Algunos roles están altamente cualificados y mejor pagados. Amazon dice que su diseño de Shreveport requiere un 30% más de empleados en roles de fiabilidad, mantenimiento e ingeniería que una instalación anterior, mientras que su aprendizaje combina aprendizaje en el aula con 2.000 horas de formación en el trabajo. Estas son vías útiles. No establecen que cada recolector desplazado pueda o vaya a ocuparlas, ni que los trabajos técnicos añadidos coincidan con los trabajos rutinarios eliminados en número, ubicación o accesibilidad.

También hay trabajo oculto dentro de las mediciones. Anotadores humanos validaron 100.000 resultados de Vulcan Stow. Los operadores atrapan artículos que una máquina no puede identificar. Una estación manual absorbe los aplazamientos de Vulcan Pick. Los equipos de mantenimiento reparan ventosas y calibración. Los monitores de suelo entran en áreas restringidas para recuperar unidades deshabilitadas y productos caídos. Los solucionadores de problemas de inventario reconcilian un artículo físico con el registro del software después de una transferencia incorrecta. Un sistema puede reducir los toques directos mientras aumenta la importancia del toque restante.

El ritmo del trabajo humano también puede cambiar. El sistema de mercancías a persona elimina las caminatas pero suministra trabajo continuamente a un recolector estacionario. Esto puede aumentar el tiempo productivo y reducir el desplazamiento físico mientras concentra la repetición. Una investigación de 2024 del Comité HELP del Senado informó que un estudio interno de Amazon sobre trabajadores que recogían de estanterías robóticas vinculó el aumento de repeticiones con la probabilidad de lesiones de espalda e identificó 1.940 movimientos en un turno de diez horas como límite superior. Amazon disputó la interpretación del comité, dijo que la intervención propuesta era ineficaz y argumentó que su historial de seguridad había mejorado mientras la entrega se aceleraba. Lacrónica de Associated Pressexpone ambos lados.

Esa disputa impide una afirmación simple de que los robots hacen que el lugar de trabajo sea seguro o peligroso. Amazon informa que los sitios robóticos tenían tasas de incidentes registrables y de tiempo perdido más bajas que los sitios no robóticos en 2022, y suactualización de seguridad de 2025dice que su tasa registrable global cayó un 43% y la tasa de tiempo perdido un 70% de 2019 a 2025. Pero las comparaciones de sitios no son aleatorias. Los edificios robóticos pueden diferir en antigüedad, mezcla de productos, diseño, personal y gestión. Las mejoras en toda la red incluyen muchas intervenciones además de los robots.

El historial regulatorio muestra que el riesgo ergonómico sigue siendo material. Unacuerdo de OSHA de diciembre de 2024resolvió casos que involucraban diez instalaciones y requirió evaluación de riesgos a nivel corporativo y de sitio, capacitación, pilotos de controles de ingeniería y revisión continua en todas las instalaciones bajo jurisdicción federal. Los controles enumerados incluían estaciones de trabajo ajustables, transportadores, estaciones de empaque rediseñadas, carros y rotación de puestos, no solo robótica. El estándar práctico es, por tanto, mecanismo más resultado medido: mostrar que una máquina elimina un movimiento riesgoso, luego mostrar que la exposición a lesiones disminuye sin que el ritmo u otro proceso lo recree en otro lugar.

Es probable que la demanda laboral se doble incluso si Amazon continúa contratando. Un informe de 2025 del New York Times basado en documentos de estrategia interna decía que el equipo de robótica de Amazon esperaba que la automatización pudiera evitar más de 600.000 futuras contrataciones en EE. UU. para 2033 a medida que creciera el volumen. Eso no es lo mismo que despedir a 600.000 trabajadores actuales. Amazon respondió que las cifras reflejaban la perspectiva de un equipo y no representaban su estrategia general de contratación. El pronóstico exacto puede cambiar; la intención económica es menos misteriosa. Un sistema que reduce el costo por artículo al reducir los minutos de trabajo está destinado a necesitar menos personas que una alternativa no automatizada al mismo volumen.

La economía solo es visible en los bordes

Amazon Robotics no tiene un precio público, y Amazon no reporta su robótica de almacenes como un segmento. Eso hace imposible un cálculo convencional de economía unitaria a partir de datos públicos.

El numerador debería incluir mucho más que el hardware del robot. Un costo total serio contaría el rediseño del edificio, los pods y bandejas, los pórticos, transportadores, estaciones de trabajo, marcadores de suelo, infraestructura inalámbrica y de cómputo, sistemas de seguridad, integración con el inventario y el software de control de almacenes, el tiempo de inactividad de instalación, la energía, las máquinas de repuesto, los efectores finales, la calibración, el mantenimiento preventivo, los técnicos, la ingeniería de software, la mano de obra de excepción, el inventario dañado y el costo de la capacidad reservada para picos. La depreciación importa porque un sistema fijo puede ser técnicamente útil mientras se vuelve económicamente obsoleto a medida que cambian los diseños y procesos.

El lado de los beneficios debería contar los minutos de trabajo eliminados, la distancia de viaje, la productividad del espacio del suelo, la densidad de almacenamiento, el rendimiento, la precisión, la menor exposición a lesiones, la disponibilidad más rápida del inventario, los cortes de pedidos más tardíos y la contratación estacional evitada. Un flujo más rápido puede aumentar los ingresos o la retención de clientes, no solo reducir los gastos. Una mejora de ruta aplicada a cientos de miles de unidades puede ser valiosa incluso si no cambia el número de empleados. Un rechazo fiable puede ser más barato que un agarre valiente que daña un artículo y corrompe el estado del inventario.

Los informes de Amazon exponen solo la escala circundante. SuFormulario 10-K de 2025dice que el gasto de capital en efectivo aumentó de 77,7 mil millones de dólares en 2024 a 128,3 mil millones de dólares en 2025, principalmente para infraestructura tecnológica, en su mayoría crecimiento de AWS, y capacidad de cumplimiento añadida. No separa la robótica. El costo de cumplimiento incluye personal, instalaciones, equipos, depreciación, alquiler, recepción, almacenamiento, recogida, empaquetado, procesamiento de pagos y servicio al cliente. La compañía dice que el mayor costo de cumplimiento en 2025 reflejó el crecimiento de las ventas y la inversión en la red, parcialmente compensado por eficiencias operativas. Nada de eso produce un retorno de la inversión en robots.

El objetivo de Shreveport de una mejora del 25% en el costo de servicio pico es, por tanto, la afirmación comercial revelada más interesante, pero sigue siendo un objetivo de sitio sin un puente de costos publicado. Las previsiones de los analistas de miles de millones en ahorros futuros son escenarios, no flujos de efectivo observados. Dependen de la velocidad de despliegue, el volumen, el trabajo evitado, la utilización y si los nuevos sistemas cumplen sus objetivos de fiabilidad.

Amazon puede tolerar una larga curva de desarrollo porque captura el aprendizaje a través de una vasta red interna. Blue Jay ilustra el riesgo de la cartera. Anunciado en octubre de 2025 como un sistema de múltiples brazos para operaciones en el mismo día, ya no se usaba en febrero de 2026. Lapropia página de Amazon ahora registra la detencióny dice que la tecnología subyacente continuará en otros lugares. Detener un prototipo no es un fracaso de toda la estrategia de robótica; terminar proyectos débiles es parte del desarrollo responsable. Sí muestra por qué la velocidad de anuncio, la forma impresionante y la ambición de flota no pueden sustituir a los resultados de producción duraderos.

Por qué la mayoría de los almacenes no deberían copiar a Amazon

Un operador externo que elige la automatización enfrenta una decisión diferente. Amazon puede diseñar hardware, software, edificios y reglas de trabajo juntos. Tiene una enorme repetición, datos de demanda propietarios, una red de despliegue cautiva y una organización de ingeniería capaz de mejorar una tasa de fallos del 1%. Un minorista regional o un proveedor de logística de terceros puede tener clientes variables, espacio arrendado, menor volumen y poco apetito por una pila de robótica a medida.

Las alternativas realistas no son “robots de Amazon o personas con portapapeles”. Un almacén puede rediseñar la ubicación, el empaquetado y las rutas de recogida; usar montacargas, transportadores o recogida por luz; instalar sistemas de lanzadera o almacenamiento en cubos; desplegar robots móviles autónomos de terceros en un edificio existente; automatizar solo el despaletizado, la clasificación o el empaquetado; o mantener el trabajo manual donde la variabilidad hace que el capital sea poco atractivo. La respuesta correcta depende del rendimiento, las dimensiones del producto, la volatilidad de la demanda, la vida útil del edificio, la disponibilidad de mano de obra y el costo de estar parado.

Los competidores comerciales proporcionan un contraste útil.AutoStoreinformó de más de 1.950 sistemas en más de 65 países a finales de 2025, vendidos a través de un ecosistema de socios e integradores.Symboticreveló alrededor de 22,5 mil millones de dólares en pedidos pendientes en su informe anual de 2025, en gran parte vinculados a Walmart y su empresa GreenBox, junto con obligaciones de soporte de software a largo plazo. Estas empresas exponen los contratos con los clientes y los ingresos porque vender automatización es su negocio. Amazon Robotics expone la escala operativa porque mejorar Amazon es su negocio. Ninguna forma de evidencia prueba automáticamente una tecnología superior, pero responden a diferentes preguntas comerciales.

El mercado más amplio está creciendo sin moverse en línea recta. Interact Analysis estimó que la entrada de pedidos de automatización de almacenes aumentó un 7% en 2025, al tiempo que advirtió que los mayores costos del acero y la mano de obra inflaron los valores de los proyectos y que la demanda subyacente seguía siendo cautelosa. La mismaactualización del mercadoatribuyó gran parte de la actividad a unas pocas grandes inversiones de minoristas como Amazon y Walmart. Eso es consistente con un mercado donde la automatización funciona, pero los proyectos integrados muy grandes aún favorecen a los propietarios con escala y capital.

Para el transporte de materiales en un sitio estructurado de alto volumen, la experiencia de Amazon argumenta con fuerza. Para la manipulación heterogénea de artículos, un comprador debería exigir pruebas locales con el catálogo real, con pruebas de pico y envejecimiento. La prueba de aceptación debería medir las tareas asignadas, no los intentos elegidos; la finalización correcta, no el movimiento; y la mano de obra de recuperación, no solo el tiempo de ciclo del robot. Un sistema modular de menor costo que maneja el 60% del volumen estable y falla limpiamente puede superar a un brazo sofisticado dirigido a una cobertura del 80% si este último daña el inventario o requiere atención constante de especialistas.

Qué cambiaría el juicio

Amazon Robotics ya ha superado el umbral más importante para la tecnología industrial: es útil en producción a una escala excepcional. La flota de unidades de transporte cambia la geometría del almacén y elimina grandes cantidades de desplazamiento. Robin muestra un aprendizaje de producción que reduce de forma medible los fallos de recogida de paquetes. Sequoia muestra cómo se pueden componer múltiples sistemas en torno al flujo de inventario. Vulcan muestra que el trabajo con contacto rico que antes se consideraba impracticable ahora puede intentarse en un edificio vivo con una velocidad similar a la humana en trabajos seleccionados.

La evidencia no respalda una autonomía total a nivel de artículo, un cumplimiento desatendido o un caso de negocio externo limpio. Los sistemas de manipulación más capaces aún reducen la tarea antes de actuar. Clasifican la elegibilidad, prefieren superficies de bajo riesgo, reintentan, aplazan solicitudes difíciles y dependen de estaciones manuales. Esto no es una crítica a la ingeniería sólida. Es la fuente de la fiabilidad. El error sería omitir esos límites al describir el éxito.

Varias divulgaciones mejorarían materialmente el juicio. La primera es la contabilidad de tareas a nivel de sitio: solicitudes asignadas, solicitudes elegibles, éxito en el primer intento, éxito eventual, intervenciones humanas, daños y minutos de recuperación por sistema y clase de producto. La segunda es la disponibilidad durante el pico, incluyendo el tiempo medio de recuperación y la mano de obra necesaria para mantener una celda de trabajo o planta saludable. La tercera es un puente de costos para un edificio maduro estilo Sequoia, separando la robótica, el diseño del edificio, el software, la colocación del inventario y la mano de obra. La cuarta es un estudio de seguridad que siga tareas comparables antes y después del despliegue y rastree tanto la exposición ergonómica como el ritmo de trabajo. La quinta es evidencia de un cliente externo que paga y opera sin el aparato completo de soporte interno de Amazon.

Los desarrollos actuales ofrecen pruebas claras. Amazon dice que el Proteus original está desplegado en 25 centros de cumplimiento de EE. UU., mientras que una próxima generación capaz de aceptar asignaciones en lenguaje natural y trabajar más allá de las áreas de muelle todavía está en piloto de laboratorio, con despliegue europeo planificado para la primera mitad de 2027. Elanuncio de junio de 2026lo vincula a más de 10 mil millones de euros de inversión en cumplimiento europeo. Un informe futuro útil diría con qué frecuencia se interpretan correctamente las tareas en lenguaje natural, qué acción requiere confirmación, cómo falla el sistema de forma segura y si la interfaz reduce la formación o simplemente traslada la configuración a una nueva forma.

La beta más grande y el despliegue multi-sitio de Vulcan deberían mostrar si su éxito medido sobrevive a diferentes inventarios, operadores y condiciones de suelo. DeepFleet debería eventualmente ir acompañado de resultados controlados en vivo que vinculen la predicción con el viaje, la congestión, el rendimiento y la recuperación. Sequoia debería pasar del objetivo de costos a un historial operativo auditado. El interés declarado de Amazon en servir a clientes industriales externos debería producir un precio, un contrato de soporte y una referencia de cliente si se convierte en un negocio real.

Hasta entonces, la conclusión más justa no es que el almacén se haya resuelto ni que el millón de máquinas sea pura exageración. Amazon Robotics ha industrializado la mitad más fácil de la autonomía: movimiento estructurado, orquestación y manipulación cada vez más limitada. Ahora está trabajando en el costoso resto, donde el artículo es incómodo, la estantería está abarrotada, el suelo está bloqueado, el estado del software es incorrecto o la máquina necesita ayuda. El valor de los próximos millones de robots dependerá menos de su número que de cuán raramente esas excepciones ordinarias se conviertan en la emergencia de otra persona.