Una startup de origen alemán está ofreciendo limpiezas domésticas gratuitas en Nueva York bajo una condición poco habitual: permitir que el trabajo sea grabado para entrenar sistemas de inteligencia artificial y futuros robots domésticos. La iniciativa, impulsada por Shift y vinculada a la empresa tecnológica MicroAGI, busca recopilar datos reales sobre tareas cotidianas dentro del hogar para alimentar modelos de robótica avanzada. Conviene señalar que el artículo original de Gizmodo se publicó en 2024, pero el proyecto ha seguido generando interés durante 2025 y 2026 a medida que se han conocido más detalles sobre la empresa responsable y su estrategia de recopilación de datos para entrenar sistemas de inteligencia artificial. El caso se ha convertido en un ejemplo representativo de cómo la economía de los datos físicos empieza a ganar peso frente a la tradicional recopilación de información digital, abriendo debates sobre privacidad, consentimiento y el futuro de la automatización doméstica.

Una propuesta poco habitual en el mercado de servicios

El sector de los servicios domésticos suele moverse en parámetros bastante estandarizados: limpieza por horas, tarifas cerradas o paquetes mensuales. Sin embargo, la propuesta de Shift introduce una lógica distinta al ofrecer un servicio gratuito a cambio de datos audiovisuales generados dentro del hogar.

La iniciativa se está desplegando en Nueva York, donde usuarios particulares pueden solicitar una limpieza profesional sin coste. A cambio, aceptan que el proceso sea grabado mediante dispositivos portátiles utilizados por los trabajadores. El objetivo no es comercializar el vídeo, sino utilizarlo como material de entrenamiento para sistemas de inteligencia artificial.

La empresa detrás del proyecto está vinculada a MicroAGI, una startup de origen alemán centrada en inteligencia artificial física o embodied AI. Su planteamiento se basa en trasladar la IA desde el entorno digital hacia el mundo físico, donde la interacción con objetos reales introduce un nivel de complejidad mucho mayor.

El origen alemán de la iniciativa y su expansión internacional

Aunque la operación se desarrolla en Estados Unidos, la estructura tecnológica del proyecto se sitúa en Europa. MicroAGI, la empresa matriz de Shift, se identifica como una startup de origen alemán con actividad en robótica avanzada y aprendizaje automático aplicado a entornos físicos.

Este matiz es relevante porque contextualiza la iniciativa dentro de un ecosistema europeo que compite activamente en el desarrollo de sistemas de inteligencia artificial aplicada al mundo real. El objetivo principal de Shift es resolver un problema persistente en robótica: la falta de datos reales sobre cómo los humanos realizan tareas domésticas en entornos no controlados.

La empresa utiliza esta base internacional para operar en mercados donde la captación de datos en entornos domésticos es viable tanto desde el punto de vista logístico como regulatorio, mientras mantiene su desarrollo técnico en centros europeos especializados.

Cómo funciona el sistema de grabación en hogares reales

El funcionamiento del servicio es relativamente sencillo. Los trabajadores de limpieza utilizan cámaras corporales diseñadas para registrar el entorno desde una perspectiva en primera persona, simulando la visión de un robot humanoide.

Durante cada intervención se registran actividades como aspirar, fregar, organizar objetos, limpiar superficies o manipular utensilios domésticos. Estas acciones generan secuencias de datos visuales y espaciales que posteriormente se utilizan para entrenar modelos de inteligencia artificial.

En términos técnicos, cada sesión puede producir varios gigabytes de información en vídeo de alta resolución. Este material se convierte en la base para sistemas de aprendizaje por imitación, donde el modelo intenta reproducir las acciones observadas en humanos.

Este enfoque se apoya en técnicas conocidas como learning from demonstration, ampliamente utilizadas en robótica avanzada para reducir la necesidad de programación manual de comportamientos complejos.

El valor estratégico de los datos domésticos reales

Uno de los principales motivos detrás de este tipo de iniciativas es la existencia del llamado “sim-to-real gap”, la diferencia entre los entornos simulados y el mundo físico real.

Aunque los modelos de simulación han avanzado notablemente, no consiguen reproducir con precisión la complejidad de un hogar real. Las viviendas presentan variaciones constantes en iluminación, disposición de objetos y condiciones espaciales, lo que dificulta la generalización de los modelos entrenados exclusivamente en entornos virtuales.

Los datos reales permiten capturar interacciones humanas complejas que incluyen percepción, planificación y manipulación simultánea de objetos. Por ejemplo, ordenar una habitación implica decisiones continuas sobre qué objeto mover, cómo agarrarlo y dónde colocarlo, todo ello en función del contexto.

Desde el punto de vista del aprendizaje automático, estos datos alimentan redes neuronales profundas que pueden superar fácilmente los cientos de millones de parámetros, optimizadas para tareas de visión, navegación y control motor.

Tecnología de captura y procesamiento de datos

Los sistemas utilizados para registrar estas actividades no se limitan a cámaras estándar. Están diseñados para capturar datos desde un punto de vista egocéntrico, sincronizando movimiento, visión y acción en tiempo real.

En algunos casos, estos sistemas pueden combinar vídeo con sensores inerciales o estimaciones de profundidad, generando conjuntos de datos multimodales. Este tipo de información resulta especialmente útil para entrenar modelos que deben asociar lo que “ven” con lo que “hacen”.

A nivel de ingeniería, este tipo de grabaciones permite construir datasets estructurados que facilitan el entrenamiento de sistemas de inteligencia artificial capaces de ejecutar tareas secuenciales con mayor precisión.

Privacidad dentro del hogar como punto crítico

La principal preocupación del proyecto se centra en la privacidad. Permitir la grabación del interior de una vivienda implica manejar información altamente sensible, incluso cuando se aplican técnicas de anonimización.

Shift afirma que los datos pasan por procesos automáticos que difuminan rostros, documentos y elementos identificables antes de su uso en entrenamiento. Estos sistemas se basan en modelos de detección visual capaces de identificar regiones sensibles dentro de una imagen.

Sin embargo, la fiabilidad de estos mecanismos no es absoluta. En escenarios complejos, pequeños detalles del entorno pueden permitir inferencias indirectas sobre la identidad o hábitos de los ocupantes del hogar.

Además, la acumulación masiva de datos incrementa el riesgo estadístico de reidentificación, incluso cuando cada grabación individual ha sido parcialmente anonimizada.

Un mercado global en competencia por datos físicos

La iniciativa de Shift no es un caso aislado, sino parte de una tendencia más amplia dentro del sector de la inteligencia artificial. Empresas de todo el mundo están explorando formas de capturar datos de interacción física entre humanos y entornos reales.

El desarrollo de robots domésticos y sistemas autónomos depende en gran medida de la disponibilidad de datos de alta calidad. Esto ha convertido la recopilación de información en un recurso estratégico comparable al desarrollo de hardware especializado o arquitecturas de software avanzadas.

En este contexto, los datos físicos comienzan a adquirir una importancia similar a la que tuvieron los grandes corpus textuales en el desarrollo de modelos de lenguaje.

Impacto potencial en la automatización doméstica

Si este tipo de iniciativas se consolidan, podrían acelerar el desarrollo de robots capaces de realizar tareas domésticas con mayor autonomía. No obstante, el progreso en este campo sigue siendo desigual.

Tareas simples como aspirar o limpiar superficies ya están parcialmente automatizadas, pero otras como organizar espacios complejos o manipular objetos frágiles siguen siendo un reto significativo.

La dificultad no reside únicamente en la mecánica, sino en la capacidad del sistema para interpretar el entorno y tomar decisiones adaptativas en tiempo real, lo que requiere modelos con capacidades avanzadas de percepción contextual.

Conclusión: datos, tecnología y hogar

El proyecto de Shift ilustra cómo la inteligencia artificial está ampliando sus fuentes de entrenamiento hacia entornos cada vez más cercanos a la vida cotidiana. Lo que antes se limitaba a datos digitales ahora se extiende al mundo físico del hogar.

La iniciativa, impulsada por una startup de origen alemán vinculada a MicroAGI, muestra además la naturaleza global del desarrollo en inteligencia artificial, donde investigación, captación de datos y despliegue comercial se distribuyen entre distintas regiones.

Más allá de su carácter experimental, este tipo de servicios plantea una cuestión central: hasta qué punto los datos generados dentro del hogar pueden convertirse en un recurso económico sin comprometer la privacidad personal.