IA en coches autónomos: cómo funcionan realmente los vehículos autónomos en 2026

Los coches autónomos llevan más de una década «casi aquí». Allá por 2015, varias empresas prometieron vehículos totalmente autónomos en la vía pública para 2020. Ya estamos en 2026 y la realidad ha resultado ser más compleja de lo que esperaban tanto los optimistas como los escépticos. Waymo opera robotaxis genuinamente sin conductor en varias ciudades de EE. UU., realizando millones de viajes de pago sin nadie al volante. Cruise, que fue su mayor rival, cerró sus operaciones de robotaxis tras un grave incidente y el desplome de la confianza de los reguladores. El sistema Full Self-Driving de Tesla, a pesar de su nombre, sigue requiriendo legalmente a una persona atenta al volante. Y un coche nuevo medio vendido este año incorpora más IA de asistencia a la conducción de la que llevaba un vehículo de investigación hace diez años.

Así que la tecnología es real, a menudo realmente impresionante, y ya funciona en producción. Pero la «conducción autónoma» abarca un espectro que va desde el mantenimiento básico de carril hasta la operación totalmente sin conductor, y la distancia entre ambos extremos es enorme. Entender la IA en los coches autónomos implica comprender ese espectro: los sistemas de IA detrás de cada nivel y los problemas concretos que hacen que la autonomía total sea mucho más difícil de lo que parece desde fuera.

Así es como funciona realmente.

Breve historia de los coches autónomos

¿Crees que los coches autónomos son fruto del reciente auge de la IA? La ambición viene de mucho más atrás. Los ingenieros ya experimentaban con coches radiocontrolados en la década de 1920, y las funciones de asistencia a la conducción empezaron a cobrar impulso tras la Segunda Guerra Mundial. El primer coche capaz de conducirse realmente por sí solo, aunque de forma limitada, llegó en 1977 desde el Laboratorio de Ingeniería Mecánica de Tsukuba, en Japón. Llevamos persiguiendo este objetivo durante buena parte de un siglo; tenlo en cuenta cada vez que alguien te lo venda como algo nuevo.

¿Dónde empieza realmente la historia de la investigación moderna? En la década de 1980. El Navlab de Carnegie Mellon inició sus proyectos de vehículos semiautónomos en 1984, financiados por DARPA. En Europa, Mercedes-Benz y la Universidad de la Bundeswehr de Múnich impulsaron el proyecto EUREKA Prometheus desde 1987. EE. UU. invirtió 650 millones de dólares en un Sistema Nacional de Autopistas Automatizadas en 1991. Durante la mayor parte de esa etapa, la financiación provino sobre todo de DARPA y del ámbito militar, y el trabajo avanzó como suele hacerlo ese tipo de investigación: de forma constante, en pequeños incrementos, mejorando los sensores, el control y la competencia básica de conducción en lugar de dar grandes saltos.

¿Cuándo se produjo el verdadero punto de inflexión? Pregunta a la mayoría de los investigadores y mencionarán el DARPA Grand Challenge, en especial la edición de 2005, que dio un gran impulso al sector y formó a buena parte del talento que luego construiría la industria comercial. A partir de ahí, las empresas privadas tomaron el relevo. Cruise, filial de GM, empezó las pruebas en carretera en California en 2015. Dos años después, Waymo lanzó el primer servicio comercial de robotaxis en Phoenix, con China pisándole los talones. ¿Y después? La realidad se impuso. Cruise cerró en 2024 y, hacia 2022, varios grandes fabricantes —incluidos Ford y Volkswagen— redujeron sus planes de conducción autónoma ante las dudas reales sobre su viabilidad económica.

Fíjate en el patrón que se repite en todo este recorrido. En casi todas las etapas, los avances técnicos reales han venido acompañados de predicciones rotundas sobre la autonomía total que luego no llegaron a tiempo. Esa brecha —entre lo que se promete y lo que realmente llega al mercado— es el hilo conductor de todo el sector. Y, sinceramente, es lo más útil que puedes tener presente cada vez que leas el próximo gran anuncio sobre conducción autónoma.

Qué significa realmente «conducción autónoma»: los niveles SAE

La mayoría de la cobertura generalista sobre coches autónomos se equivoca en algo desde el principio: trata la «conducción autónoma» como una capacidad única que un coche tiene o no tiene. En realidad, el sector utiliza una clasificación de seis niveles definida por SAE International, y estos niveles importan muchísimo porque marcan la diferencia entre un coche que te ayuda a conducir y un coche que conduce solo.

1. Nivel 0: sin automatización. El coche no hace nada por sí mismo. Todo depende de la persona. Así han sido la mayoría de los coches en carretera durante casi toda la historia de la automoción.
2. Nivel 1: asistencia a la conducción. El coche ayuda con una sola tarea a la vez: el control de crucero adaptativo que gestiona la velocidad o el centrado de carril que controla la dirección, pero no ambos a la vez. La persona lleva el control total de la conducción.
3. Nivel 2: automatización parcial. El coche gestiona la velocidad y la dirección a la vez bajo supervisión. Aquí se sitúan Tesla Autopilot, GM Super Cruise y Ford BlueCruise. Este es el nivel al que se refiere la mayoría de la gente cuando habla de «conducción autónoma», y el que genera más confusión, porque la persona sigue siendo legalmente responsable de la conducción en todo momento. El coche asiste, no conduce.
4. Nivel 3: automatización condicional. El coche conduce realmente por sí mismo en condiciones específicas y limitadas, y la persona puede dejar de prestar atención hasta que el vehículo le pida que retome el control. El Drive Pilot de Mercedes fue el primer sistema certificado en este nivel para particulares. El traspaso de mando —cuando el coche pide a alguien desatento que retome el control de repente— es la parte delicada y más controvertida.
5. Nivel 4: alta automatización. El coche conduce de forma totalmente autónoma, sin necesidad de intervención humana, pero solo dentro de un área operativa definida (por ejemplo, una zona urbana delimitada por geovallado). Waymo opera en este nivel. Dentro de su zona de servicio, realmente no hay nadie conduciendo. Fuera de esa zona, el coche no opera.
6. Nivel 5: automatización total. El coche conduce solo por cualquier lugar por donde podría hacerlo una persona, en cualquier condición, sin límites y sin necesidad de volante. Esto aún no existe. Pese a una década de predicciones, nadie está cerca de lanzarlo al mercado.

Esta es la idea clave que conviene grabar en la memoria antes de leer nada más sobre esta tecnología: casi todo lo que se vende a los consumidores como «conducción autónoma» es de nivel 2, donde tú sigues siendo quien conduce. El funcionamiento verdaderamente sin conductor, de nivel 4, solo existe dentro de zonas cuidadosamente cartografiadas y delimitadas por geovallado. El nivel 5, la versión de ciencia ficción en la que un coche circula por cualquier parte sin que nadie preste atención, no está a la vuelta de la esquina. Una vez clara esta distinción, la mayoría de los titulares confusos sobre coches autónomos empiezan a tener mucho más sentido.

¿Cuál es el papel de la IA en los vehículos autónomos?

Para entender por qué la IA es tan importante aquí, conviene mirar lo que había antes. Durante mucho tiempo, la automatización en los vehículos se basó en sistemas basados en reglas: lógica explícita y escrita a mano del tipo «si ocurre esto, haz aquello». Los sistemas basados en reglas tienen virtudes reales. Son predecibles y resulta fácil entender exactamente por qué tomaron una decisión concreta, algo fundamental para la seguridad y la depuración de errores.

Pero los sistemas basados en reglas tienen una limitación fatal para la conducción: no pueden gestionar situaciones que sus autores no previeron. Y la conducción está llena de situaciones que nadie ha previsto. El mundo real presenta una variedad infinita, y un sistema que solo puede seguir reglas preescritas falla en cuanto la realidad se sale de ellas. Esa es exactamente la peor cualidad para un entorno tan dinámico e impredecible como una vía pública.

Aquí es donde la IA cambia el panorama. Los algoritmos de machine learning, la visión artificial y la analítica predictiva permiten que los modelos subyacentes aprendan de los datos en lugar de depender solo de reglas programadas a mano, adaptándose a escenarios que sus diseñadores nunca codificaron de forma explícita. En vez de intentar escribir una regla para cada situación posible, los ingenieros entrenan modelos con enormes volúmenes de datos de conducción y dejan que aprendan a generalizar ante situaciones nuevas. El resultado es un sistema capaz de desenvolverse en un abanico mucho más amplio de escenarios reales que cualquier enfoque basado en reglas.

Hay una pega, y es la misma que recorre todo el sector. Como las situaciones verdaderamente difíciles —los casos extremos— son poco frecuentes de forma individual, los modelos necesitan cantidades ingentes de datos para aprender a resolverlas. En la industria se habla de miles de millones de kilómetros de datos de conducción en el mundo real, y esa es una de las principales razones por las que los datos sintéticos y la simulación se han vuelto tan fundamentales. No puedes esperar a toparte con cada suceso raro en la carretera, así que los generas de forma artificial. En los vehículos actuales, la IA cumple en última instancia tres funciones: permite al coche percibir su entorno, toma decisiones de conducción con cierta anticipación y controla los sistemas físicos del vehículo. Todo lo demás son detalles construidos sobre esas tres funciones.

Cómo conduce realmente un coche la IA: el pipeline principal

Bajo cualquier sistema autónomo, desde la asistencia de nivel 2 hasta los robotaxis de nivel 4, se ejecuta el mismo bucle básico, repetido muchas veces por segundo: percibir el entorno, predecir qué pasará después, planificar una respuesta y ejecutarla. Cada etapa se apoya en distintas técnicas de IA y plantea sus propios retos complejos.

Percepción: cómo ve el coche

La percepción es la fase en la que el coche construye una imagen del mundo que lo rodea, y es la que más depende de la visión artificial y del aprendizaje profundo. El vehículo recoge datos sin procesar de un conjunto de sensores —cámaras para obtener gran detalle visual, radar para medir la velocidad y la distancia con cualquier clima, lidar para lograr una forma 3D precisa y ultrasonidos para la detección a corta distancia— y los fusiona en un único modelo coherente de lo que hay alrededor. Las redes neuronales profundas hacen el trabajo pesado: identificar que este grupo de píxeles es un peatón, aquel otro es un ciclista, esa silueta es un camión detenido y esas marcas son el carril. Es el mismo tipo de trabajo de visión artificial y desarrollo de IA que impulsa el reconocimiento visual mucho más allá de los vehículos.

La gran división filosófica del sector está justo aquí, en la percepción. Tesla ha apostado por un enfoque basado ante todo en la visión, argumentando que si las personas conducen con dos ojos, las cámaras sumadas a suficiente inteligencia de redes neuronales deberían bastar, y que el lidar es una muleta cara. Waymo y la mayor parte del sector de los robotaxis han apostado en sentido contrario, considerando la detección 3D precisa del lidar como algo esencial para la seguridad, al menos hasta que los sistemas basados solo en visión demuestren su valía. Ambos enfoques han puesto vehículos reales en la calle. Cuál de los dos tiene «razón» es algo que aún se está decidiendo en la vía pública.

Localización y mapeo: cómo sabe el coche dónde está

Saber qué hay alrededor del vehículo es solo la mitad del problema; el coche también tiene que saber con exactitud dónde se encuentra, a menudo con un margen de pocos centímetros. El GPS por sí solo no es ni de lejos lo bastante preciso para eso. Los sistemas autónomos combinan el GPS con mapas de alta definición creados previamente y con una técnica llamada SLAM (localización y mapeo simultáneos), que permite al coche cotejar lo que ven sus sensores en ese instante con un mapa conocido para fijar su posición exacta. Esta es en parte la razón por la que los robotaxis de nivel 4 funcionan con geovallado: dependen de mapas HD detallados de su zona de servicio, y crear y mantener esos mapas exige un gran esfuerzo.

Predicción: cómo anticipa el coche lo que harán los demás

Esta es posiblemente la parte más difícil de la conducción, tanto para las máquinas como para las personas. No basta con saber dónde está el peatón; el coche tiene que prever si está a punto de bajar de la acera. Tiene que anticipar si el vehículo del carril contiguo se está desviando sin querer o si realmente va a incorporarse, si el ciclista mantendrá su trayectoria o si el conductor en un cruce de cuatro paradas le va a ceder el paso o va a arrancar de golpe. Predecir la intención de cada agente independiente en una escena, cada uno con sus propios objetivos y su propia imprevisibilidad, es un problema realmente complejo, y es donde se concentra gran parte del esfuerzo de ingeniería actual en conducción autónoma.

Planificación: cómo decide el coche qué hacer

Una vez que el coche comprende la escena y ha predicho cómo es probable que evolucione, tiene que decidir qué hacer realmente: qué trayectoria seguir, cuándo acelerar, cuándo ceder el paso o cómo afrontar un giro a la izquierda sin prioridad o la incorporación a un tráfico denso. Esta capa de planificación combina la planificación de trayectorias con la toma de decisiones de comportamiento y se apoya cada vez más en el aprendizaje por refuerzo y el aprendizaje por imitación, donde la política de conducción se moldea mediante ensayo y error en simulaciones o aprendiendo de enormes volúmenes de conducción humana grabada. Los casos extremos —las negociaciones implícitas y las situaciones ambiguas que ningún reglamento cubre por completo— son lo que hace tan difícil la planificación.

Control: cómo ejecuta el coche la maniobra

La última etapa es la más madura y, en términos relativos, la más sencilla: traducir el plan en órdenes físicas para la dirección, el acelerador y los frenos. Convertir una decisión («cambiar suavemente al carril izquierdo») en señales precisas para los actuadores es ingeniería de control bien conocida. Cuando un coche ya percibe, predice y planifica con fiabilidad, el control rara vez supone un cuello de botella.

La tecnología detrás de los coches autónomos

Más allá del ciclo que va de la percepción al control, el funcionamiento de un vehículo autónomo depende de varios sistemas tecnológicos diferenciados, cada uno con su propio desarrollo de ingeniería. Conocerlos completa la imagen de lo que realmente llevan por dentro estos vehículos.

Navegación y cartografía

La navegación consiste básicamente en usar mapas para trazar una ruta desde donde estás hasta donde quieres ir, pero lo interesante es que los distintos sistemas lo abordan de formas casi opuestas. Algunos funcionan con mapas muy básicos —qué carreteras conectan, cuáles son de sentido único, cuáles son autopistas— y se apoyan en la percepción en tiempo real para todo lo demás. Otros exigen mapas increíblemente detallados, hasta el nivel de cada carril, las señales de tráfico y las obras, con precisión centimétrica. ¿Ves la contrapartida? Los mapas detallados permiten una autonomía más capaz, pero son caros de elaborar y —esto es lo que suele pasarse por alto— caros de mantener al día a medida que el entorno cambia. Si optas por mapas más sencillos, necesitas menos actualizaciones y menos geovallado. Eso es exactamente lo que buscaba el CSAIL del MIT con un sistema llamado MapLite, que circula por carreteras secundarias usando únicamente GPS y mapas básicos, precisamente para evitar la ardua tarea de mantener mapas 3D etiquetados a mano.

Sensores y fusión de sensores

El conjunto de sensores es la ventana del coche al mundo y suele combinar cámaras, LiDAR, radar y ultrasonidos, respaldados por GPS y unidades de medición inercial. ¿Por qué usar tantos a la vez? Porque cada uno destaca en aquello donde los demás fallan. El radar puede ver a través de una tormenta de nieve nocturna que dejaría completamente ciegos a una cámara o a un LiDAR, aunque con menos precisión. Las cámaras ofrecen gran riqueza de color y textura, pero sufren en cuanto empeora la iluminación. El LiDAR genera una geometría 3D precisa, aunque históricamente ha tenido un coste elevado. Entonces, ¿cómo concilia el coche toda esa información? Mediante la fusión de sensores: se combinan las señales de entrada, se contrastan entre sí y se cubren los puntos ciegos que pueda tener cualquier sensor por separado. Y aquí es donde se libra el mayor debate técnico del sector: Tesla ha apostado exclusivamente por la visión, con ocho cámaras y sin LiDAR, mientras que Waymo y la mayoría de los demás mantienen el LiDAR como pieza central y señalan la caída de su precio.

Planificación de trayectorias

La planificación de trayectorias determina la secuencia exacta de movimientos que utiliza un vehículo para ir desde su posición actual hasta su destino. Las técnicas abarcan desde la búsqueda basada en grafos, muy útil para decisiones complejas como adelantar a otro vehículo, hasta métodos basados en optimización que imponen restricciones estrictas para evitar colisiones. Internamente, enfoques como el mapeo de cuadrículas de ocupación y los algoritmos de corredores de conducción permiten al vehículo identificar y mantenerse dentro del espacio libre y transitable delimitado por carriles o barreras. Esta es la capa que convierte una intención general en una trayectoria concreta y libre de colisiones.

Monitorización del conductor

En cualquier sistema por debajo de la autonomía total, vigilar al humano es tan importante como vigilar la carretera. Los sistemas de monitorización del conductor evalúan la atención y el estado de alerta mediante técnicas como el seguimiento ocular y exigiendo que el conductor ejerza par de giro sobre el volante para demostrar que realmente tiene las manos en él. El objetivo es detectar la peligrosa brecha entre un conductor que supervisa nominalmente y uno que se ha desconectado mentalmente: una brecha especialmente crítica en el nivel 3, donde se puede pedir al humano que retome el control con muy poco margen de aviso.

Conectividad y actualizaciones inalámbricas (OTA)

Cada vez más, estos vehículos se comunican: entre sí, con la infraestructura vial y con el fabricante. Esa conexión aporta ventajas reales. Los coches pueden compartir lo que detectan sobre el tráfico y los obstáculos. Y el software puede actualizarse de forma inalámbrica (OTA), lo que significa que las correcciones de errores y las nuevas funcionalidades llegan sin que nadie tenga que acudir al taller. Los fabricantes pueden incluso gestionar llamadas a revisión de este modo, algo que antes requería una visita física al concesionario. La otra cara de la moneda es que toda esta conectividad abre una exposición real en materia de seguridad, razón exacta por la que organizaciones como la CEPE (UNECE) han redactado normativas específicas sobre cómo se gestionan las actualizaciones de software. Dicho claramente: la conectividad multiplica lo que estos coches pueden hacer y es también gran parte del motivo por el que la ciberseguridad dejó de ser un añadido de última hora para convertirse en algo para lo que la ingeniería debe diseñar desde el principio.

Las tecnologías de IA que lo hacen posible

Varios métodos distintos de IA convergen para que la conducción autónoma funcione, y esa combinación ha ido evolucionando de formas muy interesantes.

Las redes neuronales profundas y la visión por computador son la columna vertebral de la percepción. La capacidad de identificar con fiabilidad objetos, carriles, señales y peligros a partir de los datos de los sensores es lo que hizo posible la autonomía moderna en primer lugar, y se apoya en los mismos avances de aprendizaje profundo que han transformado el machine learning en todos los ámbitos durante la última década.

Los algoritmos de fusión de sensores combinan los puntos fuertes de cámaras, radar, lidar y ultrasonidos en un único modelo fiable del entorno. Cada tipo de sensor tiene sus puntos débiles —las cámaras sufren con poca luz, el radar tiene poca resolución, el lidar es caro y puede verse afectado por la meteorología—, y la fusión es la forma en que el sistema cubre las carencias de cualquier sensor individual.

El aprendizaje por refuerzo y el aprendizaje por imitación moldean cada vez más la política de conducción: la toma de decisiones real sobre cómo comportarse. En lugar de programar a mano reglas para cada situación, los equipos de ingeniería entrenan sistemas para que aprendan un buen comportamiento al volante a partir de la experiencia, ya provenga de la simulación o de trayectos humanos grabados.

El paso hacia las redes neuronales de extremo a extremo es el cambio arquitectónico reciente más significativo. El enfoque tradicional encadenaba módulos separados para la percepción, la predicción y la planificación. Los sistemas más recientes, incluida la reescritura de FSD v12 de Tesla y el enfoque adoptado por empresas como Wayve, llevan una mayor parte del pipeline a una única gran red neuronal que aprende a traducir las entradas de los sensores de forma más directa en acciones de conducción. Es una apuesta decidida por el comportamiento aprendido frente a las reglas diseñadas a mano.

La simulación y los datos sintéticos permiten entrenar estos sistemas de forma segura. Sería imposible —y peligroso— encontrarse con cada situación infrecuente en carreteras reales, por lo que las empresas recorren miles de millones de kilómetros virtuales en simulación, generando deliberadamente esos casos extremos e inusuales (un sofá en mitad de la autopista, un peatón disfrazado) que un coche quizá vea una vez en diez años de conducción real, pero que aun así debe resolver correctamente.

La IA en el borde (Edge AI) y la computación a bordo son la necesidad menos vistosa que sostiene todo lo demás. Todo este procesamiento tiene que ocurrir en tiempo real, dentro del propio vehículo, sin margen para esperar la respuesta de un servidor remoto. Por eso los vehículos autónomos llevan lo que equivale a un pequeño superordenador, y por eso contar con una IA eficiente en el propio dispositivo es tan importante para la autonomía como los algoritmos mismos.

Qué está realmente desplegado en 2026

Deja a un lado el marketing un segundo: así están las cosas en realidad y esto es lo que hace cada actor.

Empecemos por Waymo, el líder indiscutible del nivel 4. Robotaxis sin conductor, varias ciudades de EE. UU., millones de pasajeros de pago, nadie al volante; además, la empresa ha publicado datos de seguridad que sostienen que sus coches provocan muchos menos accidentes con heridos que los conductores humanos en los mismos kilómetros recorridos. ¿Quieres pruebas de que la conducción sin conductor funciona de verdad dentro de una zona cartografiada? Aquí las tienes.

Ahora miremos a China. Apollo Go, de Baidu, opera uno de los mayores servicios de robotaxis del mundo en múltiples ciudades, a una escala que iguala o supera a los programas estadounidenses. Los reguladores han estado dispuestos a permitir pruebas a gran escala, y se nota.

¿Y qué pasa con Tesla? FSD es, con mucha diferencia, el sistema de asistencia al conductor más extendido, presente en millones de coches particulares. Pero hay un matiz clave que no debes perder de vista: sigue siendo de nivel 2 y tienes que mantener la atención en todo momento. Lo que todos esos vehículos dan a Tesla es una ventaja de datos que ningún rival puede igualar, y sobre ella sigue impulsando el salto hacia una mayor autonomía. ¿Qué tan cerca está realmente? Esa es una de las cuestiones más debatidas de todo el sector.

¿Has oído hablar de un coche que te permite apartar legalmente la vista de la carretera? Ese es Mercedes Drive Pilot: uno de los primeros sistemas de nivel 3 homologados para compradores particulares, que permite conducir de verdad sin manos y sin mirar a la vía, aunque solo en condiciones muy acotadas (determinadas autopistas y por debajo de una velocidad fijada). ¿Limitado? Sí. Pero el hito es real: es el punto en el que el fabricante, y no tú, asume la responsabilidad mientras el sistema está activo.

Zoox, propiedad de Amazon, siguió su propio camino. En lugar de adaptar un coche convencional, construyó un robotaxi sin volante, diseñado desde cero para la autonomía, y ha ido avanzando hacia los trayectos abiertos al público. ¿Su apuesta? Que un vehículo concebido en torno a la autonomía desde el primer día supera a uno adaptado a partir de un coche pensado para un humano.

Y luego está Cruise, el caso que hoy todo el sector señala como advertencia. En su momento estuvo en cabeza, respaldada por GM. ¿Qué ocurrió? Un grave atropello a un peatón y, después, una gestión deficiente ante los reguladores que arruinó su credibilidad de forma definitiva. La lección no tiene tanto que ver con la tecnología: es que la confianza —pública y regulatoria— es frágil y, una vez que la pierdes, tu programa puede caer por muy buena que sea la ingeniería.

Hay un ámbito que pasa más desapercibido: el transporte autónomo en camión podría ser la apuesta más prometedora a corto plazo. Aurora y Kodiak se han centrado en el transporte por autopista, y hay argumentos sólidos para pensar que la larga distancia en autovía alcanzará escala comercial real antes que los robotaxis urbanos: es un problema más predecible que el tráfico del centro de una ciudad y el incentivo económico detrás es enorme.

¿Y bajo todo el ruido de los robotaxis? La asistencia de nivel 2 ya está por todas partes. Control de crucero adaptativo, frenada automática de emergencia, mantenimiento de carril, control del ángulo muerto: hoy vienen en coches convencionales de cualquier rango de precio. Lo más probable es que ya conduzcas con ayuda real de la IA en cada trayecto, lo llames así o no.

La IA en los robotaxis

Los robotaxis son la cara más visible de la conducción autónoma, y viajar en uno ha pasado de ser una novedad a algo cotidiano en ciudades como San Francisco, Phoenix o Pekín. Aunque muchos programas de robotaxis siguen en fase de pruebas, algunos ya han dado el salto al servicio público real: los residentes de Wuhan y Pekín ya utilizan Apollo Go de Baidu como transporte diario después de que las autoridades concedieran los permisos de operación, y la empresa está ampliando su flota a gran ritmo.

Técnicamente, un robotaxi es una demostración sobre ruedas de todo lo anterior, integrado en un servicio. Las cámaras y los sensores permiten a la IA a bordo reconstruir una vista completa de 360 grados del entorno del vehículo. A continuación, el motor de computación embarcado planifica la ruta, evita colisiones, predice cómo se comportarán los demás usuarios de la vía y guía el vehículo por las calles de la ciudad, todo ello sin conductor. La diferencia entre un robotaxi y un sistema de asistencia al conductor de consumo no es solo de capacidad: es que el robotaxi no cuenta con ningún respaldo humano dentro del vehículo, lo que eleva enormemente el listón de la fiabilidad.

Los enfoques de computación varían. Algunas empresas han desarrollado sus propios motores de redes neuronales para impulsar la inteligencia de sus robotaxis; otras recurren a plataformas de IA de terceros, con NVIDIA como proveedor habitual de la computación de extremo a extremo que convierte los datos de sensores y cámaras en decisiones de conducción. Un giro reciente muy interesante es la llegada de la IA generativa a la experiencia del pasajero: las plataformas de computación centralizada capaces de ejecutar modelos generativos, combinadas con el procesamiento del lenguaje natural, están empezando a dotar a los robotaxis de perfiles conversacionales capaces de hablar con los pasajeros, ofrecer recomendaciones en tiempo real y prestar asistencia durante el trayecto. El coche no solo te lleva; cada vez más, también puede conversar contigo sobre el viaje.

La IA en el transporte público colectivo autónomo

Los taxis acaparan los titulares, pero parte del trabajo más práctico se está produciendo en el transporte público. La IA lleva años demostrando su valor aquí de forma discreta, mucho antes de que ningún vehículo condujera solo: optimizando la gestión del tráfico, calculando mejores rutas y ajustando horarios. La novedad es que los propios vehículos están empezando a conducir. La tecnología es joven, pero todo apunta a que el transporte público será donde aterrice primero a gran escala, porque un circuito universitario, una lanzadera de aeropuerto o una línea fija por el centro son problemas mucho más acotados que soltar un coche en carretera abierta.

El robobús es el ejemplo más claro. Estos vehículos incorporan sus propios conjuntos de sensores y cámaras, con una IA a bordo que gestiona toda la operación: orientarse, aproximarse a la parada con precisión, controlar el consumo energético y reaccionar a lo que sucede a su alrededor. Si se añade comunicación del vehículo con todo (V2X), un grupo de ellos puede coordinarse como flota e interpretar su entorno de forma más inteligente. Ese es hoy el punto óptimo para la autonomía: un entorno controlado, bien cartografiado y altamente instrumentado. Una línea de autobús que recorre el mismo trazado una y otra vez es, sencillamente, más fácil de automatizar que el caos improvisado de un coche circulando por una ciudad desconocida.

WeRide y Pix Moving son dos de las empresas que ya están operando sobre el terreno, no solo haciendo pruebas. Más allá de los ensayos en carretera abierta en zonas designadas de Pekín, WeRide ha puesto en marcha un robobús en Resorts World Sentosa, en Singapur: una ruta fija real, con pasajeros reales subiendo y bajando a lo largo del recorrido. Son despliegues pequeños, sin duda. Pero dibujan un futuro muy convincente: lanzaderas autónomas cubriendo con discreción rutas definidas de transporte público años antes de que el coche privado capaz de ir a cualquier parte llegue a tu garaje.

Ventajas de la IA en los vehículos autónomos

Frente a las dificultades reales, las ventajas potenciales de los vehículos autónomos son enormes y explican por qué siguen llegando tanto capital y talento al sector pese a los contratiempos.

Mayor seguridad vial

El principal argumento a favor de los vehículos autónomos es la seguridad. El fallo humano —fatiga, distracciones, alcohol o simple falta de atención— provoca la inmensa mayoría de los accidentes de tráfico. Un sistema de IA no se cansa, no mira el móvil y no conduce ebrio. Con capacidades adaptativas, atención visual constante y detección de proximidad, los sistemas autónomos pueden, en principio, evitar muchas de las situaciones de peligro que generan los errores humanos. Esta es la ventaja que, de materializarse por completo, tendría mayor impacto.

Mayor movilidad y accesibilidad

Los vehículos autónomos podrían transformar la movilidad de las personas que no pueden conducir: personas mayores, personas con discapacidad o con afecciones médicas que se lo impiden. Mediante reconocimiento de voz o una aplicación sencilla, un vehículo autónomo podría llevar de forma segura a estos pasajeros a donde necesiten ir, devolviéndoles una independencia que el sistema de transporte actual a menudo les niega. Además, los robotaxis compartidos podrían hacer que la movilidad bajo demanda sea más asequible que hoy.

Menos congestión y emisiones

La IA puede calcular rutas dinámicamente para esquivar el tráfico y gestionar la aceleración y la frenada con mucha más suavidad y eficiencia que la mayoría de los conductores humanos, lo que reduce el consumo de combustible y las emisiones. A gran escala, los vehículos autónomos coordinados podrían aliviar los atascos de arranque y parada que desperdician enormes cantidades de tiempo y energía, con beneficios ambientales directos derivados de esa mayor eficiencia.

Gestión más inteligente del tráfico

Los vehículos que utilizan marcos V2X pueden comunicarse entre sí y con la infraestructura para construir una imagen compartida del estado del tráfico. Esa información retroalimenta la planificación de rutas y la prevención de atascos, abriendo la puerta a sistemas de tráfico que se autorregulen con mucha más fluidez de lo que permiten los semáforos fijos y las conjeturas humanas actuales. La ventaja se multiplica a medida que participan más vehículos.

Los grandes retos que dificultan la autonomía total

Si el nivel 4 ya funciona hoy, ¿por qué no está en todas partes? Porque la distancia entre «funciona en una ciudad cartografiada y delimitada bajo supervisión» y «funciona en cualquier lugar por donde pueda conducir un humano» está llena de problemas realmente complejos y en gran medida aún sin resolver.

La larga cola de casos extremos. Un coche puede resolver relativamente bien el 99 % de las situaciones habituales de conducción. Es el 1 % infrecuente —la variedad infinita de situaciones extrañas que ocurren una vez entre un millón— lo que resulta crítico: un ciervo que salta a la calzada, un agente de tráfico haciendo señales manuales contradictorias, un colchón que se cae de un camión o un paso subterráneo inundado. Existen prácticamente infinitas situaciones atípicas, y un coche verdaderamente autónomo debe resolver casi todas de forma segura. Cubrir esa larga cola es el reto central de todo el sector.

Meteorología adversa. La lluvia intensa, la nieve, la niebla y el deslumbramiento degradan los sensores de los que dependen los sistemas autónomos. El lidar sufre con precipitaciones fuertes; las cámaras, con poca luz y reflejos; y la nieve puede ocultar las marcas viales y las referencias con las que se orienta el vehículo. Lograr una autonomía fiable en cualquier clima es sustancialmente más difícil que hacerlo con buen tiempo, lo que explica en parte por qué varios despliegues comenzaron en ciudades secas y soleadas.

Humanos impredecibles. Lo más difícil en la carretera son las demás personas: peatones que cruzan por donde no deben, conductores agresivos, ciclistas que se saltan señales de stop o el sutil contacto visual y los gestos que usamos los humanos para negociar quién pasa primero. Las máquinas aún están aprendiendo a leer la coreografía social improvisada del tráfico humano, y las personas seguimos siendo tremendamente impredecibles.

El problema del relevo de control. El punto intermedio del nivel 3 es peligroso precisamente porque pide a un humano desconectado de la conducción que retome el control de repente, a veces con solo unos segundos de aviso. Un conductor que lleva una hora viendo una película no está en condiciones óptimas de resolver una emergencia en una fracción de segundo. Diseñar esa transición para que sea verdaderamente segura es un complejo problema de factores humanos, no solo técnico.

Verificación y validación. ¿Cómo se demuestra realmente que un sistema de conducción autónoma es lo bastante seguro para desplegarlo? No es posible probar todas las situaciones imaginables. Demostrar estadísticamente que un sistema es más seguro que un humano en todo el inmenso abanico de escenarios de conducción posibles es un problema metodológico aún no resuelto, y tanto los reguladores como las empresas siguen definiendo qué significa siquiera «suficientemente seguro» en términos medibles.

Ética y responsabilidad legal. Cuando un coche autónomo se ve implicado en un accidente, ¿quién es el responsable: el fabricante, la empresa de software o el propietario? Los marcos jurídicos todavía se están poniendo al día. Y los dilemas éticos más complejos, por infrecuentes que sean, plantean preguntas que no tienen respuestas sencillas desde la ingeniería.

Coste a escala. Los sensores y la potencia de cómputo que hacen funcionar un robotaxi han sido caros. Reducir el coste de lidar, cámaras y superordenadores de a bordo lo suficiente para integrar la capacidad de nivel 4 en un coche de consumo asequible, a escala, supone un gran reto en sí mismo, aunque los precios bajen año tras año.

Ninguno de estos problemas es necesariamente irresoluble. Pero juntos explican por qué la respuesta sincera a «¿cuándo conducirán solos los coches en todas partes?» es «más tarde de lo que los optimistas siguen prometiendo».

Seguridad: el historial de incidentes en el mundo real

Un análisis honesto de la seguridad en la conducción autónoma debe abarcar los incidentes junto con las estadísticas favorables, ya que la historia de los vehículos autónomos incluye colisiones y víctimas mortales reales que han marcado de forma decisiva tanto la tecnología como su marco regulatorio.

Algunos de estos hitos son duros de leer. La primera muerte conocida en un coche que conducía de forma autónoma se produjo a principios de 2016, cuando un Tesla con Autopilot no frenó ante un camión articulado que cruzaba una autopista bien iluminada. Tesla señaló que era su primera víctima mortal conocida con Autopilot en más de 130 millones de millas recorridas con este sistema, y una revisión posterior de la Junta Nacional de Seguridad en el Transporte (NTSB) descubrió que la tasa de siniestralidad de los vehículos Tesla de hecho se redujo tras incorporar Autopilot. Nada de eso cambia el hecho de que murió una persona, y de que esa muerte hizo imposible ignorar los límites de la tecnología. Dos años después, en marzo de 2018, se produjo el primer atropello mortal de un peatón por un coche autónomo: una mujer que cruzaba una calle en Arizona, arrollada por un vehículo que estaba probando el Advanced Technologies Group de Uber. Había una conductora de seguridad al volante, pero el informe final de la NTSB concluyó que estaba distraída, y no se quedó ahí: la junta señaló la «inadecuada cultura de seguridad» de Uber y pidió a los reguladores que intervinieran antes de que los coches de pruebas automatizados volvieran a las vías públicas.

El patrón en los datos de incidentes resulta revelador. La Administración Nacional de Seguridad del Tráfico en las Carreteras de EE. UU. (NHTSA) empezó a exigir informes de incidentes a las empresas de vehículos autónomos en 2021, y las cifras comunicadas suman miles de casos tanto en sistemas totalmente automatizados como en sistemas de asistencia a la conducción; los vehículos de Tesla, desplegados a una escala mucho mayor, concentran la mayoría de ellos. Varios de los casos más graves, incluidos accidentes mortales con el sistema manos libres BlueCruise de Ford, comparten un denominador común muy elocuente: un sistema parcialmente automatizado combinado con una persona que confió en exceso en él y dejó de prestar atención. Esa combinación —una automatización capaz pero limitada más un humano demasiado relajado— es uno de los modos de fallo más peligrosos de todo el sector, y una razón fundamental por la que el problema del traspaso de control en el nivel 3 se toma tan en serio.

Queremos ser claros sobre lo que esto dice y lo que no. No dice que la tecnología sea insegura en términos generales. Dice que el panorama de la seguridad presenta luces y sombras reales y aún se está escribiendo; y que cualquiera que te asegure que los coches autónomos ya son infalibles, o que son especialmente mortíferos, está simplificando una realidad mucho más compleja para defender su postura.

¿Es la IA realmente una conductora más segura que un humano?

Seguramente esta es la pregunta que más quieres que te respondan; así que aquí tienes una respuesta directa en lugar de un discurso comercial. Donde existen datos, son moderadamente alentadores, haciendo hincapié en «moderadamente». Waymo ha publicado cifras que muestran que sus vehículos sufren bastantes menos accidentes con heridos que los conductores humanos en distancias comparables, y los analistas independientes que han verificado esas afirmaciones coinciden en líneas generales con esa tendencia. Y no se trata solo de que Waymo se corrija sus propios exámenes: reguladores como la NHTSA hacen un seguimiento estrecho de estos incidentes y publican sus conclusiones.

Pero ¿qué significa realmente «más seguro» en este contexto? Ahí es donde entran los matices. Hasta ahora significa más seguro dentro de un dominio operativo específico —las zonas cartografiadas, delimitadas geográficamente y casi siempre con buen tiempo por las que circulan estos coches—, no más seguro en cualquier parte y bajo cualquier condición. Un amplio metaanálisis publicado en Nature Communications en 2024 revisó miles de registros de accidentes de ambos lados y concluyó que los vehículos autónomos son más seguros en la mayoría de las situaciones, y claramente más seguros para los peatones. ¿Entonces son sencillamente mejores? No del todo: el mismo estudio detectó puntos débiles reales, como que los coches autónomos sufrían más accidentes al amanecer y al anochecer y gestionaban peor que los humanos algunas transiciones con poca luz. Comparar ambos de forma justa también resulta realmente complejo, porque los kilómetros recorridos no son equivalentes y cada entidad contabiliza los incidentes de manera distinta. Y no olvides el factor humano: exigimos a las máquinas un listón más alto que a las personas, y con razón; un solo accidente de un coche autónomo atrae mucho más escrutinio que los miles de accidentes provocados por humanos cada día. Instituciones como el Institute for Human-Centered AI de Stanford han expuesto tanto los avances reales como las brechas que aún persisten.

¿En qué punto nos deja esto? Con un criterio justo para evaluar estos sistemas. El listón nunca fue la perfección: ningún conductor, humano o máquina, lo supera jamás. El listón consiste en ser clara y demostrablemente más seguro que una persona, y dentro de sus zonas operativas los mejores sistemas parecen estar lográndolo. Lo que aún queda pendiente es extender ese historial a cualquier condición y lugar, lo cual es un reto mucho mayor. Porque, pese a todos los errores que cometemos al volante, el conductor humano sigue siendo una referencia sorprendentemente difícil de superar cuando se abarca toda la compleja casuística de la conducción real.

Regulación de los coches autónomos

La legislación lleva intentando ponerse al día con los vehículos autónomos desde que aparecieron por primera vez en las vías públicas, y el panorama regulatorio resultante es un mosaico que varía enormemente según la jurisdicción. Entenderlo es importante, porque la normativa determina dónde y a qué velocidad puede desplegarse realmente esta tecnología.

Estados Unidos empezó pronto a nivel estatal. Nevada se convirtió en la primera jurisdicción del mundo en aprobar legislación sobre conducción autónoma en 2011, y muchos estados de EE. UU. han seguido sus pasos desde entonces con sus propias normas, generando un mapa muy fragmentado donde lo que está permitido en un estado puede estar restringido en el vecino. El Reino Unido introdujo normativas de pruebas en 2013 y Francia en 2015. Incluso acuerdos internacionales de larga tradición tuvieron que adaptarse: la Convención de Ginebra sobre la Circulación Vial, que partía de la base de que un humano tiene siempre el control total del vehículo, se modificó en 2016 para dar cabida a las funciones automatizadas.

En el ámbito internacional, un organismo de la ONU conocido como WP.29, a través de su grupo de trabajo sobre vehículos automatizados y conectados, comenzó a formular normativas específicas en 2018 sobre dinámica vehicular, sistemas de asistencia a la conducción, sistemas de conducción automatizada y ciberseguridad. Los niveles SAE se han convertido en el vocabulario común de facto para estas normativas en la mayoría de las jurisdicciones, razón principal por la que distinguir bien los niveles importa mucho más allá del purismo técnico: están integrados en la propia ley. El Reglamento General de Seguridad de la Unión Europea entró en vigor para los coches nuevos en 2022 y Japón adoptó ese mismo marco de la CEPE (UNECE), mientras que China ha desarrollado su propio régimen regulatorio y de seguridad de datos para los vehículos inteligentes.

Dos temas atraviesan toda esta regulación. El primero es la responsabilidad civil: la legislación vigente aún está definiendo quién responde cuando un vehículo autónomo causa daños —el ocupante, el propietario, el fabricante o la empresa que desarrolló el sistema de conducción—, y la naturaleza de autoaprendizaje de la IA hace que esa cuestión sea bastante más compleja que en los productos convencionales. El segundo es la honestidad comercial. Los reguladores de varios países han actuado con firmeza contra el marketing que exagera la capacidad de un sistema, cuestionando denominaciones que sugieren una autonomía total donde solo existe asistencia a la conducción, y algunas jurisdicciones han tomado medidas para tipificar como infracción grave la publicidad engañosa sobre conducción autónoma. En otras palabras, el problema de nomenclatura con el que abrimos este artículo no es solo una fuente de confusión para el consumidor: es un frente regulatorio activo.

Cómo conecta la IA en los coches con el stack tecnológico general

Aquí va una observación práctica para las empresas que siguen de cerca este sector. Construir un stack completo de conducción autónoma está al alcance de un reducido número de compañías con un capital extraordinario, y no es un proyecto realista para la mayoría de las organizaciones. Sin embargo, el auge del vehículo autónomo impulsa la demanda de todo un conjunto de capacidades de IA adyacentes que muchas más empresas sí pueden desarrollar, utilizar y rentabilizar.

Los sistemas de visión artificial para detección de objetos, inspección de calidad y monitorización visual se aplican en fabricación, logística, seguridad, retail y decenas de otros sectores, empleando las mismas técnicas base que permiten ver a los coches. La IA en el borde (edge AI) y la integración de sensores IoT —ejecutar la IA de forma eficiente en el propio dispositivo, fusionando datos de múltiples sensores en tiempo real— son exactamente la capacidad que los productos conectados y las infraestructuras inteligentes necesitan cada vez más. Los pipelines de simulación y datos sintéticos, basados en el mismo principio con el que se entrenan las políticas de conducción, resultan valiosos allí donde los datos reales de entrenamiento son escasos o caros de recopilar.

La gestión de flotas, la telemática, el mantenimiento predictivo y la infraestructura de datos de la que dependen los negocios vinculados a la movilidad son problemas de software que la era del vehículo autónomo está revalorizando, y todos ellos están perfectamente al alcance de un socio competente en desarrollo de IA. Los vehículos en sí acaparan los titulares, pero el ecosistema circundante de software de percepción, sensores y datos es donde un abanico mucho más amplio de empresas puede participar de forma real.

El propio trabajo de 22 Software en IA para automoción se sitúa exactamente en este espacio adyacente: visión artificial, machine learning, datos de sensores e IoT, y los sistemas de IA que dan soporte a vehículos conectados y cada vez más automatizados, en lugar del stack completo de conducción autónoma en sí.

Hacia dónde se dirige la IA en los coches autónomos

Varias tendencias están marcando el rumbo de la conducción autónoma para los próximos años.

Las redes neuronales de extremo a extremo (end-to-end) se están consolidando como la arquitectura dominante. Es probable que continúe la transición desde los pipelines modulares diseñados manualmente hacia grandes redes neuronales que aprenden directamente una mayor parte de la tarea de conducir, siguiendo la misma trayectoria que ya ha transformado otras áreas de la IA.

Los modelos de visión-lenguaje-acción están empezando a llevar el razonamiento propio de los LLM a la conducción. Una línea emergente de investigación aplica las capacidades de razonamiento de los grandes modelos de lenguaje a la conducción autónoma, buscando sistemas capaces de gestionar mejor situaciones inéditas razonando sobre ellas con mayor flexibilidad, en vez de depender únicamente de los patrones vistos durante el entrenamiento.

Los servicios de robotaxi se están expandiendo ciudad a ciudad. El camino realista a corto plazo no es un salto repentino hacia la autonomía universal, sino una ampliación lenta y constante de las zonas delimitadas geográficamente donde operan los vehículos de nivel 4, validando minuciosamente una ciudad tras otra.

Es probable que el transporte autónomo por camión alcance escala comercial en autopistas antes de que los robotaxis urbanos sean omnipresentes, impulsado por la relativa previsibilidad de la conducción en autopista y el fuerte incentivo económico del transporte de mercancías de larga distancia.

La tecnología de percepción y sensores desarrollada para los automóviles está convergiendo con la robótica en general. Los mismos avances en percepción, fusión de sensores y toma de decisiones en tiempo real que impulsan a los vehículos autónomos nutren directamente a los robots de almacén, los robots de reparto, los drones y la robótica humanoide, haciendo que la investigación en autonomía sea valiosa mucho más allá del automóvil.

Los marcos regulatorios están madurando, aunque de forma desigual. Distintos países e incluso diferentes estados de EE. UU. están adoptando enfoques muy dispares para autorizar los vehículos autónomos, y este mosaico normativo determinará dónde avanza más rápido la tecnología durante los próximos años.

Y el camino hacia el nivel 5 sigue siendo largo. El coche totalmente autónomo, sin volante y capaz de circular por cualquier parte que cautivó la imaginación del público aún podría tardar una década o más en llegar, si es que llega a materializarse de esa forma. El futuro más probable a corto y medio plazo es un archipiélago en expansión de zonas de nivel 4 junto con sistemas de asistencia de nivel 2 y nivel 3 cada vez mejores, más que una llegada repentina y espectacular de la autonomía total en todas partes.

En conclusión

La IA en los coches autónomos es real, verdaderamente impresionante y ya opera en producción hoy en día, pero solo dentro de los límites de lo que realmente puede gestionar. Los robotaxis sin conductor de Waymo demuestran que la autonomía de nivel 4 funciona dentro de un área cartografiada y delimitada geográficamente. Millones de sistemas de nivel 2 demuestran que la asistencia por IA hace que la conducción cotidiana sea más segura y sencilla. Y la enorme brecha entre esas dos realidades, sumada a la dificultad persistente de los casos extremos (long tail), la meteorología adversa, el comportamiento humano impredecible y la validación de la seguridad, explica por qué la autonomía total en cualquier lugar sigue estando más lejos de lo que sugieren los titulares.

La tecnología ha pasado de la ciencia ficción a la realidad desplegada en la calle, lo cual constituye un logro genuino. Pero la «conducción autónoma» es un espectro, no un interruptor, y entender en qué punto exacto de ese espectro se sitúa cada sistema marca la diferencia entre una visión informada y el puro ruido mediático. La lectura honesta en 2026 es que la conducción autónoma es, al mismo tiempo, más real de lo que admiten los escépticos y menos acabada de lo que proclaman sus defensores más entusiastas.

Para las empresas, la oportunidad práctica no reside tanto en construir el stack de conducción como en las capacidades de IA que exige la era autónoma: visión artificial, IA en el borde (edge AI), sistemas de IoT y datos de sensores, así como la infraestructura de software en torno a los vehículos conectados y automatizados. Si estás trabajando en un proyecto dentro de este ámbito, ponte en contacto con nuestro equipo. Desarrollamos sistemas de IA, machine learning y visión artificial en producción, y podemos ayudarte a definir qué es realmente viable para tu caso de uso.