Mercado de modelos fundacionales de IA para la automoción Tamaño y Compartir 2026-2035

Tamaño del mercado de modelos fundacionales de IA para automoción

El mercado de modelos fundacionales de IA para automoción alcanzó los 900 millones de USD en 2025 y se prevé que crezca a una tasa de crecimiento anual compuesta (TCAC) de aproximadamente el 38,5 % entre 2026 y 2035, hasta alcanzar los 23,600 millones de USD en 2035.

El crecimiento refleja el uso cada vez más extendido de modelos capaces de interpretar escenas viales, razonar a partir de datos procedentes de distintos sensores, generar escenarios de entrenamiento y respaldar la inteligencia integrada en el vehículo. La seguridad sigue siendo un argumento comercial relevante: los accidentes de tráfico causan aproximadamente 1,19 millones de muertes al año en todo el mundo, lo que mantiene la demanda de sistemas que mejoren la detección, la monitorización del conductor y la toma de decisiones automatizada ^{[1]World Health Organization, Global Status Report on Road Safety 2023, December 2023, who.int}.

La adopción de modelos fundacionales está avanzando desde tareas de percepción aisladas hacia arquitecturas que combinan datos visuales, lingüísticos, de radar, cartográficos, del estado del vehículo y de comportamiento. Esto modifica la ecuación de desarrollo para los fabricantes de automóviles y los operadores de conducción automatizada. Un modelo reutilizable puede respaldar múltiples funciones del vehículo, pero su valor comercial depende de que pueda validarse conforme a las exigencias de seguridad automovilística, adaptarse a las condiciones de conducción regionales y desplegarse con presupuestos limitados de capacidad de cómputo y energía.

Los ADAS para vehículos particulares constituyen la mayor aplicación actual, ya que ofrecen una vía de escalabilidad mediante vehículos en circulación. La oportunidad de crecimiento más significativa se encuentra en los modelos de conducción autónoma integral, donde la capacidad del modelo, la profundidad de la simulación y el aprendizaje de la flota pueden determinar si un sistema pasa de un dominio de diseño operativo limitado a un despliegue comercial reproducible. Por tanto, el mercado favorece a las organizaciones capaces de combinar amplios activos de datos con una garantía de seguridad rigurosa, en lugar de aquellas que simplemente introducen modelos de mayor tamaño.

Principales impulsores

Aumento de la demanda de seguridad vehicular y reducción de accidentes

La presión en materia de seguridad vial respalda la inversión en modelos fundacionales capaces de interpretar situaciones de conducción poco frecuentes, ambiguas y con múltiples actores. La estimación de la Organización Mundial de la Salud de 1,19 millones de muertes anuales por accidentes de tráfico proporciona la magnitud del problema subyacente. La NHTSA estima que la norma definitiva sobre frenado automático de emergencia podría salvar 360 vidas y evitar 24.000 lesiones al año ^{[2]National Highway Traffic Safety Administration, NHTSA Finalizes Rule on Automatic Emergency Braking, April 29 2024, nhtsa.gov}. Para los fabricantes de automóviles, el valor estratégico no reside simplemente en una mayor precisión en el reconocimiento de objetos, sino en la capacidad de conectar la percepción con la monitorización del estado del conductor, la predicción de trayectorias y la lógica de intervención en un conjunto más amplio de condiciones.

Mandatos regulatorios para los sistemas avanzados de asistencia al conductor

La regulación en materia de seguridad está otorgando mayor relevancia a las funciones avanzadas de detección e intervención en el diseño de vehículos. El marco de seguridad para vehículos automatizados de la NHTSA ilustra el papel continuado de la supervisión regulatoria en las pruebas, el despliegue y la evaluación de la seguridad, mientras que los requisitos europeos de seguridad de los vehículos han ampliado la adopción de funciones como la asistencia inteligente de velocidad, el frenado automático de emergencia y la detección de somnolencia del conductor ^{[3]National Highway Traffic Safety Administration, Automated Vehicle Safety, nhtsa.gov}. La FMVSS 127 exige sistemas de frenado automático de emergencia en vehículos ligeros, con una aplicación progresiva del cumplimiento hasta septiembre de 2029. El requisito de la Unión Europea relativo a la asistencia inteligente de velocidad se aplica a todos los vehículos matriculados por primera vez desde julio de 2024. Aproximadamente el 67 % de los 15 millones de turismos vendidos en China en 2025 incorporaban funciones ADAS. La Comisión Europea también ha identificado procedimientos de prueba armonizados para ADAS y ADS como parte de su plan de acción para el sector de la automoción. Estos requisitos generan demanda de modelos que puedan documentarse, probarse y supervisarse durante todo el ciclo de vida de un vehículo, en lugar de tratarse como servicios de software para consumidores sujetos a cambios continuos.

El Reino Unido también está destinando financiación pública a la transformación del sector de la automoción. Su programa DRIVE35, dotado con 2,500 millones de libras, y la iniciativa Connected and Automated Mobility Pathfinder, dotada con 18 millones de libras, refuerzan la importancia comercial de las capacidades nacionales de software, movilidad automatizada y desarrollo de vehículos.

Adopción de modelos fundacionales para la conducción autónoma y ADAS

Los modelos fundacionales del mundo pueden convertir los datos de conducción en un activo para el desarrollo al facilitar la generación de escenarios, el aprendizaje multivista y la evaluación en circuito cerrado. Los modelos fundacionales del mundo Cosmos de NVIDIA, adaptados a la automoción, se entrenaron con más de 20.000 horas de datos de conducción y están orientados a la generación de datos sintéticos y al entrenamiento multivista en circuito cerrado. El mecanismo es importante: una mejor cobertura de simulación puede exponer a un sistema de planificación a casos límite cuya recopilación íntegra mediante pruebas físicas en carretera sería lenta, costosa o insegura.

Mayor integración de la IA generativa en los vehículos conectados

Los programas de vehículos conectados están extendiendo la IA generativa desde los asistentes en la nube hacia funciones que requieren contexto local, controles de privacidad y una baja latencia de respuesta. Las plataformas multimodales de IA física están diseñadas para conectar la percepción y el razonamiento en aplicaciones de vehículos autónomos y robótica. La normativa de la Oficina de Industria y Seguridad de Estados Unidos sobre vehículos conectados prohíbe determinado software de sistemas de conectividad de vehículos y sistemas de conducción automatizada vinculado a China y Rusia en los vehículos del año de modelo 2027. Esto amplía la demanda potencial más allá de la conducción automatizada, especialmente en interfaces del habitáculo, asistencia contextual, soporte predictivo del vehículo y experiencias personalizadas dentro del vehículo.

Principales restricciones

Altos requisitos computacionales para la inferencia en tiempo real

Los modelos fundacionales para automoción se enfrentan a un entorno de implementación diferente al de las aplicaciones de centros de datos. Los vehículos deben ejecutar la inferencia con una latencia predecible, dentro de límites térmicos y restricciones de potencia, y cumpliendo las obligaciones de seguridad funcional. La cartera de estándares de IEEE sobre sistemas autónomos e inteligentes incluye IEEE 2941 de 2021 sobre compresión de modelos, así como estándares que abordan las consideraciones de seguridad y ética para sistemas autónomos, lo que pone de relieve por qué la eficiencia computacional y la garantía no pueden separarse en la implementación para automoción. La investigación sobre la nube, el borde y el terminal para la conducción autónoma identifica las restricciones de latencia y coordinación como obstáculos fundamentales para depender de la computación remota en funciones vehiculares sensibles al tiempo. La plataforma de desarrollo DRIVE AGX Thor de NVIDIA ilustra el extremo superior de la capacidad computacional disponible para vehículos, con hasta 1,000 TOPS para cargas de trabajo de vehículos autónomos e inteligencia artificial generativa.

La restricción es más acusada en los modelos que combinan flujos de vídeo de cámaras de alta resolución, datos de radar, lidar, mapas y telemetría del vehículo. Un modelo de mayor tamaño puede mejorar la generalización durante el desarrollo, pero imponer un requisito de hardware antieconómico en los vehículos de producción. La decisión de Rivian de sustituir el hardware de NVIDIA por su propio chip de IA ilustra la búsqueda de la industria de una computación para automoción más rentable. Esto crea una división comercial entre las cargas de trabajo de formación y simulación basadas en la nube, los sistemas periféricos de alto rendimiento para flotas premium o automatizadas y las arquitecturas híbridas que reservan únicamente las tareas críticas para el vehículo.

Preocupaciones sobre la privacidad de los datos y restricciones a las transferencias transfronterizas de datos

Los modelos fundacionales dependen de conjuntos de datos de conducción amplios y diversos, pero los datos de los vehículos pueden incluir imágenes identificables, recorridos de ubicación, interacciones de voz y señales de comportamiento. El Banco Mundial identifica la gobernanza de los datos como una cuestión central en la implementación de tecnologías de transporte, especialmente cuando difieren el movimiento transfronterizo de datos, las condiciones normativas locales y la capacidad institucional. Regulaciones como el RGPD, la CCPA y la PIPL de China aumentan la necesidad de estrategias regionales de gestión de datos, en lugar de una única canalización global de formación. En China, las categorías de datos automovilísticos críticos están sujetas a requisitos de localización, mientras que las transferencias transfronterizas pueden requerir una evaluación de seguridad de la CAC. La normativa del Bureau of Industry and Security de EE. UU. sobre vehículos conectados también prohíbe determinado software de sistemas de conectividad vehicular y sistemas de conducción automatizada vinculados a China y Rusia en los vehículos del año modelo 2027.

Para los proveedores, el resultado es una mayor exigencia en materia de trazabilidad de los datos, control de acceso y diseño de la gobernanza de los modelos. Los datos de las flotas solo pueden adquirir valor comercial después de abordar los requisitos de consentimiento, conservación, localización y anonimización. Las organizaciones capaces de crear operaciones de datos específicas para cada región sin fragmentar su proceso de desarrollo de modelos dispondrán de una ventaja práctica.

Esta tensión favorece las estrategias de implementación modular. La infraestructura en la nube sigue siendo valiosa para el entrenamiento y la generación de escenarios, mientras que los sistemas periféricos mantienen la capacidad de respuesta y reducen la dependencia de una conectividad persistente. Las ofertas comerciales más sólidas serán aquellas que conviertan esta división en una ventaja de ingeniería: modelos de vehículos comprimidos para un funcionamiento determinista, combinados con procesos de aprendizaje y gobernanza a escala de la nube capaces de soportar las restricciones regionales sobre los datos.

Análisis por segmentos del mercado de modelos fundacionales de IA para automoción

Por capacidad del modelo

Los modelos multimodales de lenguaje de gran tamaño representaron $ 166,8 millones en 2025 y se prevé que alcancen $ 5,500 millones en 2035, con una expansión a una TCAC del 42,3 %. Su relevancia es mayor en aquellos casos en los que los sistemas del vehículo deben combinar la interacción en lenguaje natural con información visual, contextual y sobre el estado del vehículo, especialmente en las cabinas inteligentes y los sistemas de asistencia al operador.

Los modelos fundacionales del mundo representaron $ 80,8 millones en 2025 y se prevé que alcancen $ 1,600 millones en 2035, con una TCAC del 34,9 %. Están diseñados para modelizar el entorno físico de conducción y facilitar la simulación, la planificación y la generación de escenarios. La plataforma Cosmos de NVIDIA muestra la dirección del sector al situar los modelos multimodales del mundo en el centro de las aplicaciones de IA física ^{[4]NVIDIA, Physical AI with World Foundation Models (Cosmos), developer.nvidia.com}.

Los modelos fundacionales de visión generaron $ 182,400 millones en 2025 y se espera que alcancen $ 3,355,800 millones en 2035, con un crecimiento a una TCAC del 34,0 %. Su valor reside en unas representaciones visuales transferibles que pueden adaptarse a distintos usuarios de la vía, condiciones meteorológicas, señales, sistemas de monitorización del habitáculo y configuraciones de cámaras del vehículo.

Los modelos generativos para datos sintéticos alcanzaron $ 259,5 millones en 2025 y se prevé que lleguen a $ 5,500 millones en 2035, con una TCAC del 36,1 %. Abordan un cuello de botella del desarrollo: resulta difícil capturar datos de eventos poco frecuentes en un volumen suficiente mediante la recopilación de datos de la flota por sí sola. Los modelos del mundo adaptados a la automoción pueden generar escenarios sintéticos y facilitar el entrenamiento de bucle cerrado mediante múltiples vistas de cámara ^{[5]NVIDIA, Simplify End-to-End AV Development with NVIDIA Cosmos World Foundation Models, June 11 2025, developer.nvidia.com}.

Los modelos de conducción autónoma integral son el segmento de capacidades que crece con mayor rapidez: se prevé que pasen de $ 208,2 millones en 2025 a $ 5,400 millones en 2035, con una TCAC del 38,8 %. Su atractivo reside en la posibilidad de optimizar la percepción, la predicción y la acción de conducción como un sistema integrado. Su riesgo también está integrado: una arquitectura integral requiere pruebas más sólidas de que su comportamiento sigue siendo seguro e interpretable en situaciones desconocidas.

Los modelos de reconstrucción de escenas 3D representaron $ 46,9 millones en 2025 y se prevé que alcancen $ 1,100 millones en 2035, con un crecimiento a una TCAC del 36,9 %. Estos modelos facilitan la comprensión espacial, la reconstrucción de entornos digitales y unos datos de entrada más realistas para la simulación.

Por licencia

Los modelos propietarios/comerciales lideraron el segmento de licencias en 2025. Su posición refleja la demanda de los fabricantes de equipos originales y los proveedores de asistencia contractual, actualizaciones controladas, documentación de aseguramiento y asignación de responsabilidades. Los modelos de código abierto alcanzaron $ 205,3 millones, respaldados por la necesidad de experimentar con el ecosistema y facilitar el acceso de los desarrolladores. La iniciativa Alpamayo de NVIDIA ofrece un ejemplo de modelos de código abierto de lenguaje-acción para vehículos y de un ecosistema que incluye a JLR, Lucid y Uber para el desarrollo de nivel 4. Los modelos híbridos representaron $ 146,9 millones, lo que permite a las empresas conservar los datos propios de los vehículos y los controles de implementación mientras desarrollan soluciones basadas en componentes de modelos accesibles.

Por implementación

Los modelos en el borde/en el vehículo registraron la mayor cuota de implementación en 2025. Su liderazgo refleja la necesidad operativa de tomar decisiones inmediatas de percepción y control cuando la calidad de la red es variable o la dependencia de la nube no resulta adecuada. Los modelos basados en la nube representaron 413,6 millones de dólares y se utilizaron para tareas de entrenamiento de modelos, simulación, análisis de flotas y mejora continua.

Por aplicación

ADAS para consumidores fue la mayor aplicación, con un valor de 245,2 millones de dólares en 2025. Ofrece la base más amplia de vehículos de producción y una conexión directa con la demanda normativa y de seguridad de los consumidores. La planificación y las operaciones de vehículos autónomos alcanzaron 345,2 millones de dólares. Estas aplicaciones requieren una validación operativa más exhaustiva, ya que su modelo comercial depende del rendimiento de conducción no supervisada o gestionada por flotas.

La cabina inteligente y la IA en el vehículo representaron 260,8 millones de dólares en 2025. Su trayectoria de crecimiento depende de que los fabricantes de automóviles puedan ofrecer inteligencia útil basada en el contexto del vehículo sin enviar continuamente conversaciones sensibles o datos de comportamiento a la nube. El segmento Otros generó 76 millones de dólares.

Por uso final

Los OEM representaron el mayor segmento de uso final, con 329,5 millones de dólares en 2025, lo que refleja su control sobre la arquitectura del vehículo, la integración en la producción, la exposición a garantías y la experiencia del cliente. Los operadores de vehículos autónomos representaron 256,6 millones de dólares, ya que sus modelos están directamente vinculados a la utilización de la flota y a los dominios de diseño operativo. Los proveedores de automoción de nivel 1 generaron 209,2 millones de dólares y siguen siendo intermediarios importantes porque convierten las capacidades de los modelos en sistemas cualificados de percepción, computación, frenado, dirección, cabina y software.

Las decisiones sobre licenciamiento e implementación refuerzan esta distinción. Los modelos propietarios resultan atractivos cuando la responsabilidad y el soporte son decisivos, mientras que los ecosistemas abiertos pueden acelerar la experimentación y la adaptación. La implementación en el borde lidera porque las decisiones de conducción no pueden esperar a un trayecto de ida y vuelta a través de la red, pero la capacidad de la nube sigue siendo esencial para el entrenamiento y la simulación. Los proveedores capaces de mantener un modelo coherente en estos entornos, en lugar de tratar el software de la nube y el del vehículo como productos desconectados, están mejor posicionados para captar valor.

Análisis regional del mercado de modelos fundacionales de IA para automoción

Norteamérica

Norteamérica fue el mayor mercado regional, con un valor de 517,2 millones de dólares en 2025, lo que representó aproximadamente el 47,2 % de los ingresos globales. Se prevé que alcance 13,200 millones de dólares en 2035, con una TCAC del 38,6 %. Estados Unidos representó 490,6 millones de dólares en 2025, mientras que Canadá representó 30,200 millones de dólares. La región combina un desarrollo avanzado de software para automoción, una intensa actividad de pruebas de movilidad automatizada y un entorno normativo en el que la NHTSA sigue definiendo el marco de supervisión de la seguridad de los vehículos automatizados.

La competencia norteamericana también se está expandiendo de la conducción automatizada hacia la inteligencia integrada. Mercedes-Benz y Liquid AI anunciaron una alianza en abril de 2026 para ampliar los modelos fundacionales de Liquid destinados a los sistemas MBUX de tercera y cuarta generación en Norteamérica, con especial atención al funcionamiento en el dispositivo, independientemente de la conectividad en la nube ^{[6]Mercedes-Benz and Liquid AI, Mercedes-Benz and Liquid AI Partner to Scale Embedded In-Car Intelligence in North America, April 23 2026, media.mbusa.com}. Esto posiciona la inteligencia del habitáculo como una vía de implementación para los modelos fundacionales, incluso cuando la autonomía plena sigue estando limitada.

Europa

Europa generó 139,2 millones de USD en 2025 y se prevé que alcance 2,800 millones de USD en 2035, con un crecimiento a una TCAC del 35,3 %. Alemania lideró la región con 52,4 millones de USD.

La adopción europea está determinada por la regulación de seguridad, los requisitos de privacidad y una base concentrada de proveedores de automoción. Los programas DRIVE35 y CAM Pathfinder del Reino Unido refuerzan las políticas de inversión en capacidades avanzadas de automoción y movilidad conectada y automatizada ^{[7]World Bank, Transformative Technologies in Transportation, 2024, worldbank.org}. El reto comercial consiste en desarrollar modelos que puedan beneficiarse de la diversidad de datos entre mercados y, al mismo tiempo, operar conforme a estrictos requisitos de protección de datos.

Asia-Pacífico

Se prevé que Asia-Pacífico sea el mercado regional de mayor crecimiento, al pasar de 241,9 millones de USD en 2025 a 7,000 millones de USD en 2035, con una TCAC del 40,2 %. China es el mayor mercado de Asia-Pacífico, respaldado por su escala en vehículos de nueva energía, el desarrollo de vehículos conectados y el énfasis de sus políticas en la tecnología de automoción. Japón, Corea del Sur, India, Singapur, Australia, Tailandia y el resto de Asia-Pacífico aportan distintos patrones de demanda en vehículos premium, servicios para flotas, iniciativas de ciudades inteligentes y plataformas de vehículos adaptadas a cada mercado.

La oportunidad de la región no es uniforme. La escala de China puede respaldar grandes ciclos de aprendizaje de flotas, mientras que otros mercados pueden adoptar estas soluciones mediante programas específicos de movilidad inteligente o plataformas de vehículos importadas. El análisis del Banco Mundial sobre tecnología del transporte señala que los mercados emergentes pueden utilizar estrategias de salto tecnológico y enfoques de aprendizaje basados en flotas, aunque las condiciones de gobernanza y de infraestructura siguen siendo factores fundamentales para el ritmo de implementación.

América Latina

América Latina alcanzó 16,1 millones de USD en 2025 y se prevé que llegue a 285,3 millones de USD en 2035, con una TCAC del 33,5 %. Brasil es el mercado principal, mientras que México, Argentina y Chile representan oportunidades adicionales de desarrollo. Es más probable que la adopción comience con aplicaciones de seguridad, flotas, logística y movilidad conectada que con un despliegue generalizado de sistemas de conducción autónoma de alto coste. La infraestructura de transporte inteligente de São Paulo ilustra cómo los sistemas a escala urbana pueden proporcionar una base para servicios de movilidad basados en datos.

Oriente Medio y África

El mercado de Oriente Medio y África generó 12,9 millones de USD en 2025 y se prevé que alcance 284,6 millones de USD en 2035, con una expansión a una TCAC del 36,2 %. Emiratos Árabes Unidos es el principal adoptante temprano de la región, mientras que Sudáfrica y Arabia Saudí ofrecen oportunidades adicionales en los sectores de la automoción y la movilidad. Las ambiciones normativas de Emiratos Árabes Unidos en materia de movilidad autónoma crean un entorno específico para realizar pruebas con flotas, infraestructuras e inteligencia vehicular, aunque la escala del despliegue dependerá de las condiciones operativas locales y de la aplicación de la gobernanza de datos.

El mayor crecimiento previsto de Asia-Pacífico se sustenta en la escala de China y en las distintas vías de la región hacia la movilidad conectada e inteligente. Es probable que América Latina y Oriente Medio y África generen valor mediante implementaciones específicas vinculadas a la logística, los sistemas urbanos y las operaciones de flotas, antes de que la adopción generalizada de la conducción autónoma resulte viable. Esta fragmentación regional hace que la estrategia de datos localizada, la alineación normativa y la selección de socios sean tan importantes como el rendimiento subyacente de los modelos.

Cuota de mercado y panorama competitivo de los modelos fundacionales de IA para automoción

NVIDIA registró una cuota de mercado estimada del 28,4 % en 2025, seguida de Baidu, con aproximadamente el 21,3 %, Scale AI, con el 14,5 %, Waymo, con el 9,8 %, y Mobileye, con el 4,3 %. El ámbito competitivo abarca plataformas de computación y modelos, operadores de vehículos autónomos, proveedores de datos y simulación, fabricantes de equipos originales (OEM) y proveedores de nivel 1. Las iniciativas de NVIDIA centradas en modelos para vehículos combinan herramientas de IA física, modelos fundacionales del mundo y plataformas de computación para vehículos, lo que convierte a la empresa en un proveedor relevante en toda la cadena de desarrollo automovilístico, ^{[8]NVIDIA, Alpamayo for Autonomous Vehicle Development, developer.nvidia.com}.

Baidu, Tesla, Waymo, Zoox, Aurora Innovation, Nuro, PlusAI, Waabi, Momenta, Xpeng Motors y Li Auto compiten mediante distintas combinaciones de datos de vehículos, operaciones de conducción autónoma, integración de software e implementación localizada. General Motors, Toyota Motor, Volkswagen Group y otros fabricantes de equipos originales buscan un mayor control sobre la inteligencia de los vehículos cuando esta afecta a la diferenciación del producto, la experiencia del cliente y la responsabilidad en materia de seguridad. Bosch, Qualcomm Technologies, Mobileye y Scale AI ocupan posiciones importantes en las capas de componentes, computación, percepción, validación y desarrollo de datos.

La competencia está cada vez más condicionada por la capacidad de una empresa para obtener el derecho a utilizar, entrenar con y gobernar datos de conducción de alta calidad. Valeo y NATIX anunciaron una iniciativa de código abierto para desarrollar un modelo fundacional del mundo basado en múltiples cámaras, sustentada en las capacidades de Valeo en materia de modelos del mundo y en la red descentralizada de datos de NATIX, con el objetivo de reunir más de 100,000 horas de datos de conducción captados por múltiples cámaras. Estas alianzas pueden ampliar el acceso a recursos de entrenamiento, pero también aumentan la importancia de la procedencia, el consentimiento y el control de calidad.

Novedades recientes del sector

• En enero de 2026, NVIDIA presentó la familia Alpamayo para el desarrollo de vehículos autónomos en CES. El lanzamiento incluyó un modelo de lenguaje-acción para vehículos de pesos abiertos, 10-billion-parameter de cadena de pensamiento, y mencionó a JLR, Lucid, Uber y Berkeley DeepDrive entre sus socios.

• En enero de 2026, Mobileye anunció su acuerdo para adquirir Mentee Robotics, vinculando sus actividades de IA para automoción con capacidades de IA física y robótica humanoide.

• En enero de 2026, Valeo y NATIX anunciaron una alianza para desarrollar un modelo fundacional del mundo de código abierto basado en múltiples cámaras mediante una red descentralizada de datos de conducción.