Fabbriche di robot intelligenti: così nasce il business del futuro

Insegnare a un robot a piegare un asciugamano, aprire un contenitore o inserire un componente sta diventando un business autonomo. Le aziende che sviluppano l’intelligenza delle macchine comprano dimostrazioni di lavoro umano, affittano capacità di raccolta dati e costruiscono laboratori dove operatori guidano bracci robotici per migliaia di ripetizioni. Il 7 ottobre Mecka ha annunciato un round da 60 milioni di dollari guidato da Sequoia, con Nvidia, M12 di Microsoft, Qualcomm Ventures e Samsung tra i nuovi investitori. Vende l’esperienza fisica che ai modelli manca.

La posta in gioco è la possibilità di automatizzare attività oggi troppo variabili per essere programmate una per una. Una bella sfida. E non è detto che la si possa vincere in tempi compatibili con la sostenibilità di questo nuovo business che è nato. Ma molte aziende ci credono, anche del valore di Nvidia e Google: la robotica intelligente “universale” può essere la nuova frontiera dell’AI.

Ma come raggiungerla?

Perché il training dei robot richiede una filiera diversa

Il problema sono i dati di training. Un video mostra che una persona ha afferrato un bicchiere, ma non basta per il training. Non registra necessariamente la forza delle dita, l’attrito della superficie, il peso dell’oggetto o le correzioni compiute quando la presa comincia a cedere. Per un robot sono informazioni decisive: un movimento plausibile sullo schermo può rompere l’oggetto o farlo cadere quando viene eseguito da una macchina.

Questo non significa che la robotica debba ripartire da zero. La descrizione di π0 di Physical Intelligence spiega come questo modello erediti conoscenze visive e linguistiche dal preaddestramento su dati del web e le combini con dimostrazioni robotiche. La parte costosa consiste nel collegare ciò che la macchina vede e comprende alle azioni che il suo corpo può eseguire. Cambiare pinza, disposizione del banco o materiale da manipolare può richiedere nuovi esempi e nuove verifiche.

Nasce così una catena produttiva: sensori e strumenti di registrazione raccolgono l’attività; operatori e piattaforme la trasformano in dati utilizzabili; i laboratori addestrano i modelli; costruttori e integratori li portano negli impianti. Quando il robot incontra un errore sul campo, quella situazione può diventare materiale per un nuovo ciclo di addestramento.

Chi vende i dati: Mecka, Scale AI, Xdof ed Encord

Mecka combina dispositivi multisensore, raccolta distribuita e ricostruzione dei movimenti. Sta estendendo l’offerta all’integrazione dei robot presso i clienti. Può così vendere anche l’adattamento dei modelli al lavoro richiesto in azienda.

Scale AI offre invece una rete di raccolta che combina fabbriche di dati, registrazioni domestiche e ambienti industriali. Gestisce sia dimostrazioni teleoperate sia acquisizioni in prima persona senza robot; indica Generalist e Physical Intelligence tra i laboratori serviti. La sua offerta comprende calibrazione dei sensori, annotazione e valutazione dei dataset attraverso l’adattamento di modelli. Il cliente acquista quindi una capacità operativa e di controllo della qualità, oltre ai file.

Xdof si concentra sull’infrastruttura dei dati e sulle valutazioni. Il suo dataset aperto ABC-130K, pubblicato nel giugno 2026, comprende oltre 130 mila episodi e 195 attività di manipolazione a due bracci. I dati utilizzano bracci Yam di I2rt. La pubblicazione aperta offre ai ricercatori una base comune; l’attività commerciale riguarda anche raccolte e valutazioni specifiche, che richiedono strutture, personale e continuità operativa.

Encord ha raccolto 60 milioni di dollari nel febbraio 2026 per la propria infrastruttura dati. Proviene dalla gestione e annotazione di materiale per l’AI e si muove verso la physical AI, cioè sistemi che percepiscono e agiscono nel mondo fisico. Secondo il Financial Times del 10 ottobre, anche questi fornitori stanno aprendo palestre robotiche: la disponibilità di video non basta quando il cliente richiede dimostrazioni costruite su compiti e dispositivi precisi.

Dove si produce l’esperienza: Stati Uniti, Messico, Asia ed Europa

La geografia segue competenze di ricerca, costo del lavoro e accesso agli ambienti da registrare. Il Financial Times descrive una fabbrica di dati di Scale a Città del Messico e strutture di Xdof a Shenzhen e Jakarta. Per gli operatori robotici riporta circa 25 dollari l’ora negli Stati Uniti, quasi il doppio del livello messicano, sulla base di annunci di lavoro e dati Glassdoor. È un’indicazione del differenziale di costo, non un listino uniforme del settore.

La convenienza dipende anche dalla varietà raccolta. Migliaia di ripetizioni sullo stesso tavolo possono insegnare meno di esperienze ben scelte in ambienti differenti. Case, ristoranti e fabbriche diventano luoghi di produzione dei dati, con una difficoltà aggiuntiva: bisogna sapere che cosa si sta registrando, chi può autorizzarne l’uso e se nelle riprese entrano informazioni riservate dell’impresa. Abbassare il costo dell’operatore non risolve questi problemi.

In Europa, la tedesca Neura Robotics, con sede a Metzingen, combina robot, sensori, piattaforma Neuraverse e strutture di addestramento Neura Gym. Nel giugno 2026 ha annunciato un finanziamento di serie C fino a 1,4 miliardi di dollari. La formula “fino a” va conservata: indica la dimensione annunciata dell’operazione e non autorizza a trattare l’intero importo come spesa già effettuata nei laboratori.

Chi sviluppa i modelli e chi controlla anche il robot

Physical Intelligence, Generalist e Skild AI cercano di costruire modelli utilizzabili su macchine e compiti diversi. Il vantaggio economico atteso è distribuire i costi iniziali di ricerca e training su più applicazioni. Generalist ha annunciato 400 milioni di dollari di nuovi finanziamenti il 4 giugno 2026, destinati anche alla raccolta di dati fisici e all’infrastruttura di calcolo.

Skild AI ha raccolto 1,4 miliardi di dollari nel gennaio 2026, a una valutazione superiore a 14 miliardi. Descrive quattro fonti per il proprio sistema: simulazioni, video di attività umane, teleoperazione e dati provenienti dai robot in servizio. La possibilità di apprendere da impieghi diversi è la tesi industriale dell’azienda; non va confusa con la dimostrazione che un unico modello sappia già svolgere qualsiasi lavoro.

Figure presidia anche l’hardware umanoide e il modello Helix. Con Index, presentato il 25 agosto 2026, ha internalizzato una raccolta di video umani: dichiarava oltre 44 mila utenti attivi settimanali, più di 16 milioni di video caricati e 15 milioni di dollari pagati ai partecipanti. L’azienda sostiene di aver costruito il sistema perché i fornitori non raggiungevano i requisiti di volume, diversità e qualità richiesti. È un rischio concreto per chi vende dati: il cliente può diventare un concorrente nella produzione della materia prima.

La filiera del training robotico

Fonti: offerte e annunci aziendali di Scale, Mecka, Xdof e società citate nel testo; quadro di ottobre 2026. I ruoli possono sovrapporsi.

Come avviene l’addestramento, dalla dimostrazione al lavoro reale

Nella teleoperazione una persona guida il robot, per esempio attraverso un dispositivo che trasferisce il movimento ai bracci. Le registrazioni collegano immagini, stato delle articolazioni e azioni eseguite; possono includere misure di forza se il sistema dispone dei sensori necessari. Il modello apprende a scegliere azioni coerenti con la situazione osservata. Queste dimostrazioni sono aderenti alla macchina da controllare, ma richiedono hardware, manutenzione e tempo umano.

I video egocentrici sono ripresi dal punto di vista della persona che lavora, spesso con dispositivi indossabili. Consentono di raccogliere molte attività senza avere un robot sul posto. Occorre però ricostruire movimenti e interazioni e trasferirli a un corpo diverso: una mano umana e una pinza non hanno le stesse possibilità. La qualità della ricostruzione e dell’adattamento determina quanto del video diventi davvero utile al training.

La simulazione aggiunge esperienze virtuali. Gli strumenti Isaac di Nvidia permettono di generare dati sintetici, addestrare e valutare comportamenti prima di provarli sul robot. Si possono variare oggetti e condizioni ed esplorare situazioni difficili da riprodurre materialmente. Il limite è la corrispondenza con la realtà: se il comportamento di un materiale o di un sensore è rappresentato male, il sistema può imparare una soluzione che funziona soltanto nell’ambiente virtuale.

Il percorso non termina con il preaddestramento generale. Si adatta il modello al compito, si misurano gli esiti e si raccolgono errori o correzioni. Nei sistemi che usano apprendimento per rinforzo, la qualità delle azioni viene migliorata sulla base di un segnale di risultato. Le diverse tecniche possono convivere; i costi cambiano a seconda di quanta esperienza debba ancora essere prodotta sul robot e nello stabilimento del cliente.

Le fonti di esperienza per addestrare un robot

Fonti: Skild AI, gennaio 2026; Scale AI; Nvidia. Sintesi delle caratteristiche, non confronto di prezzi.

Più dati migliorano i robot? Il test di Dyna

Un risultato utile arriva da Dyna-2: A 1-Million-Hour Scaling Law for World-Action Models, pubblicato da Dyna Robotics nell’agosto 2026. L’azienda confronta quattro quantità di video umani nel preaddestramento: mille, 10 mila, 100 mila e un milione di ore. Dopo l’adattamento con dati robotici, il punteggio medio normalizzato su 14 compiti sale rispettivamente al 20%, 28%, 45% e 53%.

È una media delle prestazioni rispetto al massimo raggiungibile su ciascun compito, non la percentuale universale di lavori completati. Le prove comprendono tre configurazioni robotiche e 10 tentativi per compito, 12 per quello linguistico. I risultati aziendali sostengono l’utilità di aumentare i dati nelle condizioni sperimentate; non misurano il rendimento economico di ogni ora aggiunta. Il confronto lascia aperto quanto costi ottenere un ulteriore miglioramento e quanto quel miglioramento valga in produzione.

Quanto vale il business: capitali, valutazioni e ricavi

Il Financial Times riporta quasi 48 miliardi di dollari raccolti dall’inizio del 2026 da aziende di robotica e laboratori di physical AI, su dati PitchBook. È il finanziamento di un insieme ampio di imprese, non il fatturato del mercato dei dati robotici. Una parte alimenta raccolta e training, ma comprende anche sviluppo delle macchine, calcolo e altre attività. Usarlo come valore delle vendite di dati gonfierebbe il mercato.

Le valutazioni raccontano aspettative ancora diverse. Figure ha annunciato nel settembre 2025 oltre un miliardo di dollari di capitale impegnato a una valutazione post-money di 39 miliardi. Per Physical Intelligence il Financial Times ricorda il round del novembre 2025 da 600 milioni a una valutazione di 5,6 miliardi. Sono valori associati a operazioni datate, non quotazioni aggiornate quotidianamente né misure dei ricavi.

Mecka dichiara di aver superato nel giugno 2026 i 100 milioni di dollari di ricavi su base annualizzata. Il dato rende visibile una domanda commerciale, ma non equivale a 100 milioni già incassati in dodici mesi: proietta su un anno il ritmo di attività osservato. Non permette inoltre di ricavare l’utile, perché non espone i costi necessari a produrre e consegnare quei dati.

Il calcolo assorbe altri capitali. Il 3 settembre Figure ha annunciato con Nscale un impegno iniziale da 3,5 miliardi di dollari per capacità computazionale, con avvio previsto nella seconda metà del 2027 e un accordo che contempla fino a 100 mila gpu. È una voce diversa dal budget di oltre un miliardo su dati e calcolo annunciato ad agosto per i dodici mesi successivi: periodi e perimetri non consentono di sommare automaticamente le due cifre.

Le cifre da non confondere

Fonti: annunci di Mecka, Encord, Generalist, Skild AI, Neura, Figure; Financial Times, 10 ottobre 2026. Operazioni con perimetri e date differenti; non sommabili come valore del mercato.

Dove si crea valore e dove possono sparire i margini

Per un laboratorio, esternalizzare la raccolta può evitare l’apertura di strutture in più Paesi e rendere più rapido un esperimento. Per il fornitore, il vantaggio cresce se hardware, procedure e controllo qualità possono essere riutilizzati fra clienti. Se ogni contratto richiede una macchina diversa, nuove calibrazioni e registrazioni esclusive, aumenta invece il lavoro su misura. Un fatturato in crescita può quindi nascondere un’attività ancora molto intensiva in personale e capitale.

La selezione pesa quanto la registrazione. Figure descrive per Index filtri di qualità, verifiche antifrode, rimozione dei duplicati e riequilibrio delle attività. Pagare moltissimi video quasi identici può costare meno per singolo file e produrre un insieme meno utile. Anche il cliente che possiede già milioni di ore può continuare ad acquistare dati, se gli mancano proprio i casi in cui il robot fallisce.

La domanda potrebbe però spostarsi. Se i modelli imparassero nuovi compiti con poche dimostrazioni, diminuirebbe la necessità di ripetere grandi raccolte per ogni singola applicazione. Se la simulazione sostituisse una parte dell’esperienza fisica, alcuni servizi perderebbero valore. Resterebbero utili la verifica nel mondo reale e i dati su casi difficili, ma per i fornitori cambierebbe la composizione delle vendite. Sono scenari competitivi, non risultati già acquisiti.

Per l’impresa che deve adottare il robot, la prova decisiva è il costo del lavoro effettivamente completato. Un sistema che esegue il compito ma richiede interventi frequenti trasferisce parte del costo dall’operatore sul posto alla supervisione. Il confronto con il processo esistente deve includere tempo di ciclo, scarti, fermate, manutenzione e assistenza, oltre al prezzo della macchina e del modello.

Un contratto pilota dovrebbe perciò misurare il robot su oggetti e condizioni rappresentativi dello stabilimento, rendendo visibili gli interventi umani. Se una nuova raccolta dati riduce quelle interruzioni, il suo valore può essere collegato al tempo recuperato e agli errori evitati. È su questa relazione misurabile fra addestramento e produzione che un fornitore può difendere il prezzo, anche quando registrare un’altra ora di video diventa più economico.