Google llevó la IA al volante en un experimento extremo con Fórmula E
A más de 240 kilómetros por hora, Google puso a prueba un agente de inteligencia artificial capaz de leer la telemetría de un Fórmula E y devolver datos al piloto en cuestión de segundos, directamente desde un smartphone dentro del habitáculo.
En 1967, el legendario circuito urbano de Mónaco ya mostraba que, en automovilismo, cada décima cuenta; casi seis décadas después, Google llevó esa premisa al extremo con una prueba de inteligencia artificial pensada para responder en segundos mientras un auto circula a más de 240 kilómetros por hora.
La compañía ensayó un agente de IA capaz de analizar la telemetría de un Fórmula E y devolver información al piloto en tiempo real, desde un smartphone instalado en el habitáculo. La prueba se realizó en el Festival de la Velocidad de Goodwood 2026, donde Dan Ticktum condujo el monoplaza GEN4 con un Google Pixel 10 Pro conectado a los sistemas del vehículo y completó el recorrido en 42,46 segundos, uno de los mejores tiempos de la histórica subida.
El dispositivo procesaba los datos y respondía consultas por el auricular del conductor mientras la carrera seguía en marcha. Según informó Forbes, la iniciativa fue impulsada por Google Cloud para exhibir el potencial de la llamada edge AI, un modelo que procesa la información en el propio dispositivo en lugar de enviarla a servidores remotos para su análisis.
El auto más potente de la categoría como banco de pruebas
El GEN4 alcanza 600 kW —equivalentes a 815 caballos de fuerza—, cuenta con tracción integral permanente y acelera de 0 a 100 km/h en aproximadamente 1,8 segundos. Ellie Norman, directora de marketing de la Fórmula E, lo definió como el monoplaza con “mayor aceleración del planeta”.
Para acceder a los datos del vehículo, el smartphone se conectó a la red electrónica interna del auto, que recopila y transmite información de sensores y sistemas. Esa conexión permitía leer variables como la tracción, el equilibrio del monoplaza y los sectores del recorrido donde el piloto perdía tiempo.
La pista calurosa y polvorienta de Goodwood, con velocidades extremas y conectividad limitada, ofreció un entorno especialmente exigente para poner el sistema a prueba. En ese contexto, la robustez de la respuesta local resultaba tan importante como la precisión del análisis.
Un microagente calibrado para responder en segundos
John Abel, director general de la Oficina del CTO de Google Cloud, explicó que el teléfono ejecutaba un microagente diseñado para responder preguntas concretas del piloto. “¿Dónde estoy perdiendo tiempo? ¿Cómo va mi tracción? ¿Cómo está el equilibrio de izquierda a derecha?”, enumeró en declaraciones recogidas por Forbes Argentina.
A diferencia de las herramientas de IA generativa tradicionales, que envían datos a grandes centros de procesamiento en la nube, este modelo analizaba la telemetría en el teléfono y transmitía indicaciones al piloto “en cuestión de segundos”.
El sistema distribuía el trabajo entre dos modelos de Google: Gemma, ejecutado en el dispositivo, atendía las consultas que requerían respuesta inmediata; Gemini, en la nube, aportaba información adicional, como los tiempos de la prueba o datos de la transmisión del evento.
Una arquitectura híbrida con aplicaciones más allá del automovilismo
Dan Cherowbrier, director técnico de la categoría automovilística, señaló que el objetivo fue “acercar un poco más al piloto la información proporcionada por la IA”. La arquitectura híbrida reparte las tareas según la naturaleza de cada consulta: algunas requieren la capacidad de procesamiento de la nube, mientras que otras funcionan mejor de forma local cuando la velocidad de respuesta o la continuidad del servicio son prioritarias.
En los últimos años, la evolución de la inteligencia artificial aplicada a la industria ha ido precisamente en esa dirección: combinar modelos más pequeños y eficientes en el borde de la red con sistemas más potentes en la nube. Ese cambio responde a una necesidad concreta de sectores donde el tiempo real, la privacidad y la resiliencia operativa son factores críticos, desde la movilidad hasta la producción industrial.
Abel identificó la industria manufacturera como uno de los campos con mayor potencial para esta tecnología. Cámaras y modelos de IA incorporados a equipos de producción podrían detectar fallas y alertar a los operarios sin esperar a que la información llegue a un servidor remoto. El mismo enfoque aplica a robots, vehículos, depósitos, infraestructura energética, dispositivos médicos y maquinaria industrial.
Análisis y proyecciones
La demostración de Google y Fórmula E apunta a una tendencia más amplia: la IA dejará de ser solo una herramienta de consulta para convertirse en una capa de asistencia operativa integrada en entornos de alta exigencia. En automovilismo, esto podría traducirse en mejoras en el análisis de vueltas, estrategia y seguridad; en industria, en diagnósticos más rápidos y menor dependencia de la conectividad externa. También abre interrogantes sobre costos de implementación, ciberseguridad y validación de datos, tres variables decisivas para escalar estas soluciones fuera del terreno experimental.
En el caso de la Fórmula E, el experimento refuerza una evolución clara de la categoría: desde su nacimiento como escaparate de la movilidad eléctrica hasta su consolidación como laboratorio tecnológico. La postura de los actores clave también cambió con el tiempo; mientras antes el foco estaba puesto casi exclusivamente en la eficiencia energética, ahora la conversación incluye software, analítica, conectividad y automatización, una combinación que puede redefinir el rendimiento competitivo en los próximos años.
