Finanziamenti
Genesis AI raccoglie 500 milioni di dollari in un round di Serie A per accelerare la diffusione dei robot

Punti chiaveGenesis scommette che possedere insieme l'hardware del modello e la distribuzione…
Vedi di più
- Genesis scommette che possedere insieme l'hardware del modello e la distribuzione trasformi i guasti del mondo reale in guadagni di affidabilità.
- L'accumulo di fallimenti nei passaggi significa che un tasso di successo del 99% su 20 passaggi produce solo l'82% di esecuzioni senza errori.
- Il Series A rende la distribuzione industriale il test decisivo per convertire le dimostrazioni di destrezza in flussi di lavoro affidabili.
Genesis AI ha annunciato il 17 novembre 2026 un round di Serie A da 500 milioni di dollari per accelerare lo sviluppo e la diffusione dei suoi robot polivalenti, a partire dai settori manifatturiero e della logistica, e ampliare il proprio team.
Il finanziamento segue la presentazione al pubblico del 1º luglio 2025, dopo un periodo di segretezza, accompagnata da una raccolta di 105 milioni di dollari in un round seed co-guidato da Eclipse e Khosla Ventures. Ora Genesis destina capitali sia alla tecnologia robotica di base sia alle applicazioni industriali che dovrebbero renderla commercialmente utile.
Un approccio integrato all’affidabilità
La strategia di Genesis comprende GENE, il suo modello di base per la robotica; Eno, il suo hardware robotico; e le attività di implementazione che integrano le macchine nei flussi di lavoro dei clienti. L’azienda afferma che gestire direttamente tutti e tre gli aspetti permette di usare gli errori sul campo per orientare l’addestramento dei modelli e le successive revisioni dell’hardware, coordinando al contempo lo sviluppo di hardware e modelli e sfruttando la produzione su larga scala per migliorare l’affidabilità e ridurre i costi.
Questo approccio mira a garantire l’affidabilità nello svolgimento di intere mansioni, anziché limitarsi a dimostrazioni isolate. L’esempio di Genesis mostra come il rischio si accumuli lungo un flusso di lavoro: se ciascuno dei 20 passaggi ha una probabilità di riuscita del 99%, la probabilità di completare l’intera sequenza senza errori scende all’82%. L’esempio chiarisce perché l’azienda consideri intelligenza, hardware e implementazione come un problema di affidabilità condiviso, in cui un singolo componente debole può potenzialmente limitare l’intero sistema.
Dati umani e simulazione
La pipeline di addestramento del modello parte da una mano robotica delle dimensioni di una mano umana e da un guanto per la raccolta dei dati dotato di pelle elettronica con sensori tattili. Nel suo annuncio di maggio 2026 relativo a GENE-26.5, Genesis ha descritto una corrispondenza 1:1:1 tra mano umana, guanto e mano robotica, pensata per trasformare le abilità umane in dati di addestramento. Chi indossa il guanto durante le normali attività lavorative può generare dati basati sulle mansioni svolte, integrati da video in prima persona registrati da persone con telecamere indossabili e da video online incentrati sulle attività umane.
Genesis ha riferito che il costo dell’hardware del guanto era 100 volte inferiore a quello delle soluzioni abituali e che, secondo i test interni, la raccolta dei dati era fino a cinque volte più efficiente e produceva dati di qualità superiore rispetto alla teleoperazione tradizionale.
Le dimostrazioni di GENE-26.5 dell’azienda hanno spaziato dalla cucina al pipettaggio e al trasferimento di liquidi, dall’assemblaggio di fasci di cavi alla presa simultanea di più oggetti. GENE funge da modello di base condiviso per la robotica, mentre Genesis World estende il ciclo di addestramento alla simulazione. Il simulatore mette in evidenza gli errori in milioni di scenari e li usa per orientare la raccolta di altri dati e le modifiche ai modelli. Una volta implementato Eno, anche gli errori sul campo potranno diventare casi di simulazione, dati di addestramento e spunti per revisioni dell’hardware.
Il piano di implementazione di Eno
Genesis ha presentato Eno il 16 giugno 2026 come il suo primo robot polivalente. Una base con ruote sostiene pannelli articolati che regolano l’altezza e la portata e si ripiegano per riporre il robot; le due braccia sono dotate delle mani robotiche destrorse dell’azienda, delle dimensioni di quelle umane. Il design privilegia la mobilità e la capacità di manipolazione rispetto a un aspetto pienamente umano.
Genesis descrive Eno e GENE come un sistema integrato in grado di gestire flussi di lavoro articolati in più passaggi, tra cui rifornire le linee di produzione e preparare gli impianti per il turno successivo. È prevista la possibilità di aggiungere uno schermo opzionale che mostri ai lavoratori nelle vicinanze le intenzioni, il ragionamento e lo stato operativo del robot.
In occasione della presentazione, Genesis ha dichiarato di voler avviare la produzione e di puntare a implementare i robot presso i clienti entro la fine del 2026. I primi clienti saranno aziende manifatturiere, logistiche e di laboratorio, seguite da hotel e ospedali; le applicazioni domestiche e all’aperto arriveranno in seguito. Il piano delineato con il round di Serie A mantiene questa sequenza: l’espansione oltre le fabbriche e i magazzini dipenderà dai progressi in termini di capacità e convenienza economica.
Un annuncio separato, del 16 giugno, relativo a una partnership con LG CNS offre una possibile via per l’implementazione. Il piano prevede di valutare e convalidare i robot per l’uso nella produzione e nella logistica presso le attività di LG negli Stati Uniti e tra i clienti industriali di LG CNS, inizialmente negli Stati Uniti. Un progetto pilota successivo dovrebbe portare alla definizione di un modello operativo per l’implementazione, che comprenda la documentazione dei flussi di lavoro, la raccolta dei dati, l’ulteriore addestramento dei modelli e la convalida, prima di una diffusione più ampia.
I nuovi finanziamenti fanno delle applicazioni industriali la prova decisiva dell’approccio di Genesis. La sua espansione più ampia dipende dalla capacità di trasformare le dimostrazioni di destrezza in flussi di lavoro quotidiani affidabili e di utilizzare poi gli errori e i dati operativi raccolti per migliorare i modelli e i robot successivi.












