Automação industrial e IA física: disponibilidade por turno além da forma humanoide

Tema: Inteligência Artificial em Automação Industrial e Indústria 4.0

▶ Veja o resumo em vídeo no YouTube: assista aqui

Em 1.250 horas de operação, os robôs humanoides da Figure carregaram mais de 90 mil chapas de metal na planta da BMW em Spartanburg e deram cerca de 1,2 milhão de passos, contribuindo para a produção de mais de 30 mil veículos X3 [1][2]. Fabricante e montadora divulgaram os números com orgulho — e eles são, de fato, um dos primeiros conjuntos de métricas operacionais públicas de um humanoide em linha industrial. Lidos com a régua de quem administra uma fábrica, porém, os mesmos números contam uma história menos triunfal: a de uma máquina que, em média, trabalhou meio turno e cuja viabilidade econômica ainda depende de uma conta que ninguém publicou. A tese deste artigo é simples e incômoda: o gargalo da chamada "IA física" na indústria não é a inteligência do modelo, é a disponibilidade por turno — e a obsessão com a forma humanoide está desviando investimento do lugar onde o valor provavelmente está, que é o braço robótico convencional com um cérebro novo.

Trinta mil carros e um número que a indústria ainda não sabe ler

O experimento da BMW com a Figure é o caso mais bem documentado do setor, e vale abri-lo em detalhe. A Figure relata mais de 90 mil peças carregadas, mais de 1.250 horas de operação e participação na produção de mais de 30 mil X3 ao longo de uma implantação de onze meses; a BMW fala em cerca de dez [1][3][4][6]. Para a precisão de colocação das peças, a Figure informa uma meta de mais de 99% de sucesso por turno [1] — que algumas análises de terceiros já reproduzem como resultado atingido [2][5]. Até aqui, é o tipo de número que aparece em slide de investidor.

A aritmética elementar, contudo, reposiciona tudo. Noventa mil peças em 1.250 horas dão 72 peças por hora — pouco mais de uma por minuto. E 1.250 horas distribuídas em onze meses equivalem a aproximadamente cinco horas por dia útil, embora a Figure relate ter rodado turnos de dez horas, de segunda a sexta [1]. A diferença sugere longos períodos de rampa, ajuste ou parada — exatamente o que não aparece nos comunicados. Não é a operação de dois ou três turnos que caracteriza uma linha de montagem madura, e a própria BMW se refere ao trabalho em Spartanburg como um projeto-piloto [6].

Isso não desqualifica o resultado; qualifica o que ele mede. Um humanoide que carrega chapas em linha ativa demonstrou que a percepção e o controle amadureceram o suficiente para sair do vídeo de demonstração. Não demonstrou que ele substitui um posto de trabalho — porque a métrica que decide essa substituição é outra, e raramente é divulgada.

O que a arquitetura de dois sistemas resolve — e o que ela apenas disfarça

Para entender o avanço real, vale descrever o problema industrial antes do método. Numa linha automotiva, cada variação de peça, posição de bandeja ou layout de célula exige reprogramação. O custo dominante não é o robô: é o engenheiro que passa semanas ensinando trajetórias a um braço que só sabe repetir o que lhe mandaram repetir. A promessa dos modelos de fundação para robótica é justamente transferir esse esforço — trocar programação por generalização.

O modelo que se tornou referência pública é o NVIDIA Isaac GR00T N1, apresentado em 2025 como o primeiro modelo de fundação aberto para humanoides [7]. Sua arquitetura é de dois sistemas, inspirada em cognição: um "Sistema 2", mais lento, baseado em visão-linguagem, que interpreta a cena e o comando; e um "Sistema 1", rápido, que converte a intenção em ação motora [7]. O artigo técnico descreve um modelo visão-linguagem-ação (VLA) com essa divisão, treinado com uma mistura de trajetórias reais de robôs, vídeos humanos e dados sintéticos [8]. A versão mais recente do repositório, a N1.7, informa treino com dados bimanuais, semi-humanoides e um conjunto humanoide extenso, com adaptação por pós-treinamento para cada robô, tarefa e ambiente [9].

O ponto que merece ceticismo é o vocabulário. "Generalista" aqui significa que o modelo transfere melhor entre tarefas do que uma política treinada para uma única célula — não que ele chegue à fábrica sabendo fazer qualquer coisa. O próprio pós-treinamento previsto pela NVIDIA [9] indica que cada implantação ainda exige dados do local, ajuste fino e validação de segurança. A literatura celebra a generalização; o chão de fábrica cobra a calibração.

O gargalo que ninguém mede: disponibilidade por turno

Existe um motivo pelo qual as métricas divulgadas privilegiam acurácia e contagem de peças: são fáceis de medir e de comunicar. As métricas que decidem a compra — tempo médio entre falhas (MTBF), tempo médio de reparo, disponibilidade por turno, intervenções humanas por hora — são caras de medir e ruins de anunciar. Um levantamento sobre a decisão de comprar, pilotar ou esperar lembra que os números de origem empresarial não são verificados de forma independente [4].

Quando um número de uso contínuo aparece, o quadro muda. A Agility Robotics anunciou que seus robôs Digit moveram mais de 100 mil caixas (totes) numa instalação da GXO Logistics na Geórgia [10] — uma métrica de durabilidade, não de esperteza. E a IEEE Spectrum registrou em 2025 a assimetria entre o que se promete e o que se entrega: enquanto a Tesla planejava produzir 5 mil Optimus em 2025 e pelo menos 50 mil em 2026, e a Figure falava em um "caminho para 100 mil robôs" até 2029, a Agility esperava embarcar "centenas" de Digit em 2025, embora tivesse uma fábrica capaz de mais de 10 mil por ano [11]. A revista resumiu o ano como dominado pelo hype dos humanoides, em descompasso com o que de fato aconteceu [11][12].

O contraste com a base instalada é o dado mais eloquente. A Federação Internacional de Robótica (IFR) registrou 542 mil robôs industriais instalados em 2024, mais que o dobro de dez anos antes [13], e um estoque em operação de 4,66 milhões de unidades, alta de 9% sobre o ano anterior [14]. Contra essa escala, os humanoides em fábricas se contam em centenas. Quem aposta que a IA física vai reconfigurar a indústria está apostando, na prática, não na forma humanoide, mas na possibilidade de dar inteligência a esse parque enorme de máquinas que já está no chão.

O humanoide é a embalagem, não a inteligência

Aqui é preciso assumir uma posição. A obsessão atual com o humanoide está mal direcionada — não porque a tecnologia não funcione, mas porque a justificativa econômica que a sustenta é mais frágil do que o entusiasmo sugere. O argumento padrão é que a fábrica foi desenhada para humanos, logo a máquina deve ter forma humana. Isso vale em corredores, escadas e prateleiras de armazém antigo. Vale bem menos nas ilhas robotizadas que dominam a manufatura há décadas.

O que a era dos modelos de fundação entrega de novo não é a perna, é a política de controle. Um VLA capaz de generalizar entre tarefas pode, em princípio, ser acoplado a um braço articulado convencional — máquina já certificada, com confiabilidade conhecida, custo de capital amortizado e integração resolvida. A forma humanoide adiciona custo e complexidade para resolver um problema de layout que muitas plantas não têm. Por isso a fábrica BotQ da Figure, cuja primeira linha foi projetada para até 12 mil humanoides por ano [15][16], é antes de tudo uma aposta na demanda por essa embalagem específica, e não na utilidade da inteligência que a habita.

Há o contraponto óbvio: braços convencionais não fazem o que um humanoide faz em postos pensados para pessoas, e a BMW anuncia que o robô que testa em Leipzig assumirá tarefas em que repetição, precisão e ergonomia são críticas [6]. É um argumento legítimo — e restrito. Mesmo em Spartanburg, a montadora relata ter precisado revisar o conceito de segurança, com barreiras e divisórias adicionais [6]. O mercado descrito é sobretudo o de adaptação de plantas existentes. Dimensionar uma indústria inteira por esse nicho é confundir o caso mais visível com o caso mais geral.

A conta que o CFO faz — e a que ele não faz

As estimativas de retorno disponíveis precisam ser lidas com cautela quanto à origem. Uma análise de terceiros sobre o caso BMW estima payback de 18 a 24 meses com unidades a US$ 90 mil–100 mil e cita projeção do Bank of America de custo abaixo de US$ 17 mil por unidade até 2030, o que encurtaria o retorno [17]; outra fonte situa o preço do Figure 02 entre US$ 30 mil e US$ 150 mil em 2025 [5]. São números de modelagem, não de contrato — e nenhum inclui os itens que costumam decidir a conta real: integração de sistemas, certificação de segurança, área segregada, supervisão humana dedicada e o custo de parada durante a instalação.

Há também a assimetria de maturidade entre os programas. A Mercedes-Benz firmou em 2024 acordo comercial com a Apptronik para explorar o uso do humanoide Apollo na logística — levar peças e kits até a linha para que os operários façam a montagem [18]. A BMW, por sua vez, anunciou em setembro de 2026 o primeiro piloto europeu com um humanoide, o AEON, da Hexagon Robotics, na planta de Leipzig [6]. Duas montadoras, vários pilotos, nenhuma substituição em massa: o padrão é exploratório e sequencial, não produtivo. Isso não é fraude; é o estágio em que as métricas ainda não têm auditoria [4].

Nesse vácuo, o comprador industrial faz o que sempre faz diante de tecnologia imatura: compra pouco e observa. Aí está o risco estratégico para o setor — a mesma armadilha descrita em análises que, citando a McKinsey, apontam que quase dois terços das organizações seguem presas ao "modo piloto", sem escalar seus projetos de IA [19]. A IA física corre o risco de repetir o destino da IA analítica: anos de provas de conceito bem-sucedidas e uma linha de produção que quase não mudou.

Discussão: a fábrica é benchmark, não palco

Juntando as peças, o padrão que emerge não é o de uma revolução em curso, mas o de uma transição de métrica. Na fase de demonstração, o setor mediu o que era demonstrável: acurácia, tarefas executadas, fluidez do gesto. Na fase industrial, medirá o que sempre mediu — disponibilidade, cadência, custo por peça e custo de engenharia por variação de produto. É nesse segundo conjunto que os modelos de fundação podem ser transformadores, porque atacam o item mais caro e menos glamouroso: a reprogramação.

A tensão central é que o software e a forma física avançam em velocidades diferentes. O modelo de fundação melhora a cada geração e se beneficia de dados sintéticos e simulação [7][8][9]; o hardware ainda enfrenta a física do desgaste e da autonomia de bateria, e as horas efetivas de Spartanburg são o retrato disso [1]. Enquanto essas curvas não convergirem, o humanoide será um veículo de aprendizado — útil, financiado, mas minoritário — e o braço convencional com política generalista tende a ser o vetor de difusão real, simplesmente porque já está instalado em 4,66 milhões de unidades [14].

Falta, sobretudo, algo que ninguém financia com entusiasmo equivalente: benchmarks públicos de disponibilidade em ambiente industrial real, com dados auditados de MTBF e intervenção humana. Sem isso, cada comprador negocia no escuro e cada fornecedor escolhe o número que publica. A indústria que consagrou o OEE — o indicador que sintetiza disponibilidade, desempenho e qualidade — não deveria aceitar discutir IA física sem o equivalente para robôs autônomos.

Conclusão

A IA física chegou ao ponto em que 90 mil chapas carregadas e 1,2 milhão de passos deixaram de ser ficção e passaram a ser cronograma. Isso é novo e merece registro. Mas o que separa esse feito da transformação industrial não é mais inteligência — é a engenharia chata da confiabilidade, medida turno após turno, e a coragem de aplicar os novos modelos onde o parque instalado já está, em vez de onde o vídeo fica mais bonito.

Três direções parecem mais promissoras do que a corrida por humanoides de propósito geral. Primeiro, a reconversão de células robotizadas existentes com políticas visão-linguagem-ação, aproveitando um parque de 4,66 milhões

de máquinas [14]. Segundo, a padronização de métricas de disponibilidade para sistemas autônomos, no molde do OEE, para que a decisão de compra deixe de depender de comunicado de fornecedor. Terceiro, a integração dos modelos de fundação aos gêmeos digitais, de modo que a validação de segurança ocorra em simulação antes de qualquer hora de máquina real. Se a próxima rodada de números divulgados trouxer disponibilidade por turno em vez de contagem de passos, aí sim será possível dizer que a fábrica mudou.

Referências

[1] Figure AI (2025). F.02 Contributed to the Production of 30,000 Cars at BMW. Figure News. https://www.figure.ai/news/production-at-bmw

[2] IIoT World (2026). Physical AI Deployment ROI: BMW's 30,000-Car Proof. https://www.iiot-world.com/artificial-intelligence-ml/robotics/physical-ai-deployment-roi-humanoid-robots/

[3] New Market Pitch (2026). Factory humanoids: which startup is ahead? https://newmarketpitch.com/blogs/news/humanoid-robotics-who-is-ahead-factory

[4] Physical AI Journal (2026). Humanoid Robots in Manufacturing: Buy, Pilot or Wait? https://www.physicalaijournal.org/post/humanoid-robots-in-manufacturing-2026-2027

[5] iFactory (2026). Humanoid Robots on the Factory Floor: Figure 03 BMW & Apptronik Apollo Mercedes Deployment. https://ifactoryapp.com/industries/manufacturing-plant/humanoid-robots-factory-floor-figure-apollo-mercedes

[6] BMW Group (2026). Leipzig debut: BMW Group introduces humanoid robots – a first in Germany. https://www.bmwgroup.com/en/news/general/2026/humanoid-robot-in-leipzig.html

[7] NVIDIA Newsroom (2025). NVIDIA Announces Isaac GR00T N1 — the World's First Open Humanoid Robot Foundation Model — and Simulation Frameworks to Speed Robot Development. https://nvidianews.nvidia.com/news/nvidia-isaac-gr00t-n1-open-humanoid-robot-foundation-model-simulation-frameworks

[8] Bjorck, J. et al. (2025). GR00T N1: An Open Foundation Model for Generalist Humanoid Robots. arXiv:2503.14734. https://arxiv.org/abs/2503.14734

[9] NVIDIA. Isaac-GR00T: NVIDIA Isaac GR00T N1.7 – A Foundation Model for Generalist Robots (repositório oficial). GitHub. https://github.com/NVIDIA/Isaac-GR00T

[10] Humanoids Daily (2025). Agility Robotics Hits 100,000 Totes Milestone, Firing a Data-Driven Shot in the Humanoid Wars. https://www.humanoidsdaily.com/news/agility-robotics-hits-100-000-totes-milestone-firing-a-data-driven-shot-in-the-humanoid-wars

[11] Ackerman, E. (2025). Reality Is Ruining the Humanoid Robot Hype. IEEE Spectrum. https://spectrum.ieee.org/humanoid-robot-scaling

[12] IEEE Spectrum (2025). Humanoid Hype Dominates Top Robotics Stories of 2025. https://spectrum.ieee.org/top-robotics-stories-2025

[13] International Federation of Robotics (2025). World Robotics 2025 report – Industrial Robots: Global Robot Demand in Factories Doubles Over 10 Years. https://ifr.org/ifr-press-releases/news/global-robot-demand-in-factories-doubles-over-10-years

[14] World Internet Conference / Xinhua (2025). China leads global industrial robot market with record installations: IFR. https://www.wicinternet.org/2025-10/15/c_1131874.htm

[15] Figure AI (2025). BotQ: A High-Volume Manufacturing Facility for Humanoid Robots. https://www.figure.ai/news/botq

[16] The Robot Report (2025). Figure AI unveils BotQ high-volume humanoid manufacturing facility. https://www.therobotreport.com/figure-ai-unveils-botq-high-volume-humanoid-manufacturing-facility/

[17] Beri, R. (2026). BMW Robots Build 30,000 Cars: 18-Month Payback, Then $90K Profit/Year. https://www.beri.net/article/bmw-humanoid-robot-roi-30000-cars

[18] Apptronik (2024). Apptronik and Mercedes-Benz Enter Commercial Agreement. https://apptronik.com/news-collection/apptronik-and-mercedes-benz-enter-commercial-agreement

[19] Astrafy. Scaling AI from Pilot Purgatory: Why Only 33% Reach Production and How to Beat the Odds. https://astrafy.io/blog/scaling-ai-from-pilot-purgatory-why-only-33-reach-production-and-how-to-beat-the-odds

Fale com a Eliza
E

Eliza

Agente assistente