Numa tarde de novembro, um braço robótico atravessa uma mesa virtual com uma xícara de café presa na garra. O ambiente está entulhado: papéis, um telefone, um laptop. Alguém digita uma frase curta — "não derrame no meu laptop" — e o robô, em vez de simplesmente registrar "laptop" como obstáculo, recalcula sua trajetória desviando também do telefone ao lado. Ninguém mencionou o telefone. Ninguém mencionou que líquidos e circuitos formam uma combinação destrutiva. O robô inferiu isso sozinho, ou melhor, inferiu a partir de um repertório estatístico sobre o mundo que ele nunca habitou.
Esse é o experimento que a equipe de Andreea Bobu, professora assistente de aeronáutica e astronáutica do MIT, apresenta na Conferência sobre Aprendizado de Robôs (CoRL) deste mês, num trabalho conjunto com a Universidade de Nova York, sob o nome de FLEX — uma pipeline flexível de edição de características para planejamento de movimento [1]. O sistema permite que humanos deem instruções conversacionais a um robô e que esse robô leia, nas entrelinhas, generalizações que o humano jamais explicitou. A tese deste artigo é que FLEX representa um avanço genuíno, mas não pelo motivo que o comunicado de imprensa sugere: sua contribuição real não é fazer robôs entenderem melhor as pessoas, e sim transferir para um modelo de linguagem de terceiros a responsabilidade pelo "bom senso" que sustenta a segurança doméstica. Isso é elegante. E é, ao mesmo tempo, o ponto exato onde a arquitetura se torna frágil.
O que o robô ouve quando você diz "não derrame"
A robótica de assistência carrega um problema de interface que raramente aparece nas demonstrações em vídeo. Robôs planejam trajetórias com matemática — otimização em espaço de configurações, restrições cinemáticas, funções de custo. Pedir que um consumidor aprenda essa matemática para instruir sua própria casa é uma impossibilidade prática, como Nathan Dennler, pós-doutorando no Laboratório de Ciência da Computação e Inteligência Artificial do MIT (CSAIL) e autor do estudo, resume sem rodeios: "em vez de fazer as pessoas aprenderem a usar um robô de uma maneira específica, o objetivo é interagir com o robô por meio de linguagem natural" [1].
A comunidade robótica já vinha usando linguagem natural em três frentes: esclarecer o objetivo de uma tarefa, redirecionar uma trajetória em curso e atualizar o que se considera um caminho seguro [1]. Todas compartilham a mesma lógica: a frase dita vira uma restrição explícita, um item a mais na lista de coisas a evitar. O problema dessa abordagem é aritmético e existencial ao mesmo tempo. Cada correção adiciona um item à lista de características relevantes, e a lista cresce até que o ambiente mude e metade dela se torne ruído. "O problema acontece quando sua lista de características fica enorme e algumas delas já não são relevantes porque o ambiente pode ter mudado", diz Dennler [1]. O usuário, então, é promovido a engenheiro de requisitos do próprio lar — e paga por isso com tempo e paciência.
FLEX ataca justamente esse ponto. Em vez de perguntar "o que mais devo evitar?", a plataforma pergunta "o que essa sua frase revela sobre o que você valoriza?". É uma mudança de tipo lógico, não de grau.
Três passos, cinco segundos: a anatomia do FLEX
O sistema funciona em três operações sequenciais, e a ordem importa porque cada uma resolve um problema diferente [1].
O primeiro passo, "Add", é o mais convencional e o único herdado de trabalhos anteriores. Se um robô carrega uma bola de boliche e alguém grita "não deixa cair na minha caneca", a caneca entra na lista de obstáculos e a trajetória é corrigida. Isso é feedback reativo clássico.
O segundo passo, "Generalize", é onde FLEX se distingue. Um modelo de linguagem grande — no caso, o GPT-4o — recebe a caneca junto com as demais características que o usuário já sinalizou evitar e procura, em seu vasto acervo textual, padrões e conexões entre elas. A conclusão a que chega: objetos frágeis devem ser evitados de modo geral, mesmo sem menção explícita. O terceiro passo, "Mask", usa o sistema de visão computacional do robô para verificar o que já não está mais no ambiente e remover esses itens da lista. Todo o ciclo leva cerca de cinco segundos [1][2].
Os testes ocorreram em simulação, com um braço robótico executando três tarefas: servir café, mover uma vela e carregar uma bola de boliche [1]. Voluntários digitaram comandos como "não derrame no meu laptop", "fique longe da pilha de papel" e "não deixe cair na caneca". Com FLEX, o robô obedeceu literalmente aos três comandos e também raciocinou em nível superior: não derramar sobre eletrônicos, manter distância de objetos inflamáveis, não deixar a carga sobre coisas frágeis [1]. Em variantes descritas por outras coberturas técnicas, os experimentos incluíram grades de navegação 9 por 9 e tarefas de mesa com um Franka de sete graus de liberdade [3].
Cinco segundos é um número que merece atenção. É rápido o bastante para uma interação conversacional e lento o bastante para ser problemático em controle de baixo nível. FLEX opera na camada de representação e planejamento, não na camada reflexa — uma distinção que a cobertura entusiasmada tende a apagar.
A generalização terceirizada: o que o robô herda do GPT-4o
Vale entender o mecanismo cognitivo que FLEX empresta. Dennler o explica por acumulação textual: "os LLMs viram tanto texto da internet. As pessoas podem ter escrito 'ah, meu celular caiu na água e agora não funciona', ou 'derramei café no meu computador e agora ele não funciona'. Então os LLMs captam a ideia de que líquidos mais dispositivos levam a coisas que não funcionam" [1]. O modelo não tem experiência de um laptop queimado; tem a frequência estatística de relatos sobre laptops queimados.
Essa é uma forma de senso comum por procuração, e é mais poderosa do que parece. O mundo doméstico é povoado de regularidades que ninguém enuncia: não se apoia copo em cima de livro aberto, não se deixa vela perto de cortina, não se empurra cadeira sobre o rabo do gato. Um engenheiro não pode listar todas; um LLM treinado em bilhões de palavras já as encontrou diluídas em receitas, posts de fórum, manuais e reclamações. A intuição de Bobu e seus colegas foi perceber que o gargalo da robótica doméstica não é percepção nem atuação, mas a impossibilidade de enumerar preferências humanas antes de conhecê-las.
Há, porém, um custo estrutural embutido nessa escolha, e ele raramente entra na conversa. A segurança do robô passa a depender de correlações extraídas de texto público sobre o que costuma dar errado — um corpus que reflete vieses, lacunas e exageros da população que escreve na internet. Se o modelo associa "frágil" a porcelana e vidro porque é disso que se fala, o que ele faz com objetos frágeis e culturalmente específicos, ou com riscos que ninguém narra online porque são óbvios demais para serem escritos? A generalização funciona nos três cenários testados — cafés, velas, boliches — mas esses são precisamente os cenários sobre os quais a internet fala abundantemente.
O número que o comunicado não traz: nove em cada 105
Existe uma assimetria informacional importante entre o material de divulgação do MIT e a análise independente do artigo. O texto institucional descreve o sucesso qualitativo do sistema e informa que o processo completo leva cerca de cinco segundos, mas, conforme observou a cobertura do TechTimes, não reporta escores de recompensa nem taxas de erro [1][4]. A mesma análise, ao examinar o artigo científico, destaca que as três operações executadas pelo GPT-4o erram: a etapa Add em 9 de 105 tentativas (8,6%), a Generalize em 6 de 105 (5,7%) e a Mask em 4 de 105 (3,8%), contando tanto edições aplicadas por engano quanto edições que deveriam ter sido feitas e não foram [4]. A TechTimes nota ainda que o artigo científico não confirma o tempo de cinco segundos citado pelo MIT [4].
Erros entre 4% e 9% por operação não são triviais para um sistema que decide quais objetos um robô deve evitar numa casa — é a diferença entre um braço mecânico que desvia do telefone e um que o derruba. É possível argumentar, com justiça, que taxas de erro em edição semântica não se traduzem linearmente em danos físicos, e que, encadeadas, uma etapa pode corrigir parte das falhas de outra. Mas o ponto permanece: o dado existe no artigo e desapareceu do resumo. Divulgação científica que omite a métrica de falha de um sistema de segurança doméstico não é mentira, é curadoria — e curadoria, nesse caso, empurra o leitor para uma confiança que os números não sustentam integralmente.
Essa é a assimetria que deveria incomodar mais do que incomoda. A imprensa de tecnologia reproduziu amplamente o enquadramento do "robô que entende intenções" [5][6], enquanto uma análise que foi ao artigo científico encontrou as taxas de erro [4]. Não se trata de denunciar o MIT por divulgar seu próprio trabalho com entusiasmo; trata-se de notar que o ecossistema de cobertura técnica raramente paga o custo de abrir o PDF.
O gargalo não é o modelo, é a representação
Aqui cabe uma objeção mais profunda, que não depende de nenhum número do artigo. A literatura sobre LLMs em planejamento automático é consideravelmente menos otimista do que a demonstração do FLEX sugere. Um trabalho publicado em 2026 no Journal of Computing and Information Science in Engineering parte da constatação de que modelos de linguagem têm dificuldade com raciocínio espacial e temporal em contextos de manufatura, e por isso precisa acoplá-los a ferramentas externas [7]. Um benchmark de 2023 formulou a pergunta no próprio título — "podem modelos de linguagem ser bons planejadores de caminho?" — e concluiu que mesmo o GPT-4 ainda falha em raciocínio temporal de longo prazo [8]. E surveys sobre o uso de LLMs em planejamento automatizado vêm justamente inventariando sucessos e fracassos, não apenas sucessos [9].
FLEX contorna parcialmente essa fraqueza porque não pede ao modelo que planeje. Pede que ele classifique, associe e generalize em linguagem — e o planejamento espacial fica com o otimizador matemático do robô, que é bom nisso. Essa divisão de trabalho é a decisão de projeto mais inteligente do sistema e o motivo pelo qual ele funciona apesar das limitações conhecidas dos LLMs. O modelo propõe o que importa; o planejador resolve como chegar lá.
Mas a divisão também revela onde o sistema pode quebrar. Se a etapa de generalização produz uma categoria errada — digamos, classifica um objeto como "frágil" quando não é, ou deixa de classificar um que é —, o planejador executará com competência impecável uma restrição equivocada. A matemática não audita a semântica. Num sistema em que a camada de significado é importada e a camada de movimento é própria, os erros mais perigosos não são os de trajetória, e sim os de vocabulário.
Discussão: a intenção como artefato estatístico
Bobu formula o problema com uma clareza que merece ser citada por inteiro: "as casas de todo mundo são diferentes, e todo mundo se importa com coisas diferentes, então nenhum robô sai da caixa sabendo o que importa para você. O que me empolga no FLEX é que ele consegue captar isso a partir de uma frase ou duas, em vez de pedir que você explicite cada regra — e essa é a diferença entre um robô que as pessoas toleram e um que elas realmente querem em casa" [1].
A frase é boa e o problema que ela descreve é real. Mas há uma tensão não resolvida entre "captar o que importa para você" e "captar o que a internet diz que costuma importar". FLEX não personaliza: ele categoriza. Quando o usuário diz "não derrame no meu laptop", o sistema não aprende que aquele laptop específico tem valor afetivo ou profissional; aprende que eletrônicos em geral são sensíveis. Isso é exatamente o que se quer para segurança, e exatamente o que não se quer para preferências. Um usuário que detesta que o robô toque em seus
livros por razões que nada têm a ver com fragilidade não será atendido por uma generalização sobre o que costuma ser frágil.
A segunda tensão é arquitetural. FLEX depende de um modelo proprietário de terceiros — GPT-4o — para uma função de segurança. A literatura sobre LLMs em sistemas multirrobô já lista desafios de confiabilidade como alucinações, limites de raciocínio matemático e latência [10]. A eles se soma uma questão prática: como garantir comportamento previsível quando a camada de interpretação é atualizada pelo fornecedor sem aviso? Um sistema doméstico cujo comportamento muda porque o modelo de linguagem subjacente foi substituído por uma versão mais nova é um sistema cuja segurança não é auditável pelo fabricante do robô. A equipe do MIT não esconde a dependência; ela é central ao método. Mas o fato de o estudo usar um modelo específico significa que os resultados de generalização são, em parte, resultados daquele modelo.
E aqui assumo a posição: a comunidade de robótica de assistência está tratando a interpretação de linguagem como um módulo plugável, quando deveria tratá-la como uma superfície de ataque e um objeto de auditoria. FLEX demonstra brilhantemente que o senso comum pode ser importado. Não demonstra que o senso comum importado é verificável, versionável ou explicável ao usuário cuja casa ele governa. O próximo passo óbvio — e o mais difícil — não é melhorar a generalização, é torná-la inspecionável.
Conclusão: o que vem depois do "não derrame no laptop"
FLEX merece o crédito que recebeu. Ao separar adição, generalização e mascaramento, a equipe de Bobu transformou um problema difuso — como fazer um robô entender o que você quer dizer — em três operações com responsabilidades distintas, testáveis em separado. Os cerca de cinco segundos de ciclo relatados pelo MIT e a simplicidade do laço indicam um caminho viável para interação conversacional real, não apenas para demonstração. E a escolha de deixar a matemática do movimento com o planejador, enquanto o LLM cuida da semântica, é uma lição de engenharia que sobreviverá ao artigo.
Três direções parecem inevitáveis. A primeira é a explicitação: se o GPT-4o decide que "frágil" é a categoria relevante, o usuário precisa poder ver essa inferência e contestá-la — não como recurso de depuração, mas como parte do contrato de uso. A segunda é a de avaliação: o campo carece de benchmarks de generalização semântica em ambientes domésticos reais, com objetos culturalmente variados, e não apenas nos três cenários em que a internet tem abundância de relatos. A terceira é a mais espinhosa: substituir o modelo proprietário por algo cujo comportamento seja estável e auditável ao longo do ciclo de vida do produto, ou aceitar que eletrodomésticos passem a ter atualizações de personalidade.
A cena da xícara sobre a mesa continuará sendo a imagem preferida dessas demonstrações, porque é charmosa e porque funciona. O que ela não mostra é a pergunta que decidirá se robôs domésticos serão adotados ou tolerados: quando o robô deduz algo que ninguém disse, quem responde pelo que ele deduziu?
Referências
[1] Jennifer Chu (2026). AI-assisted learning platform helps robots reason beyond literal commands. MIT News. https://news.mit.edu/2026/ai-assisted-learning-platform-helps-robots-reason-beyond-literal-commands-1109
[2] TechXplore (2026). FLEX approach helps robots reason beyond literal commands. TechXplore. https://techxplore.com/news/2026-11-flex-approach-robots-literal.html
[3] Unite.AI (2026). FLEX Teaches Robots to Generalize From Human Corrections. Unite.AI. https://www.unite.ai/flex-teaches-robots-to-generalize-from-human-corrections/
[4] TechTimes (2026). Robot Safety Commands: MIT Robot Widens One Warning to Electronics; GPT-4o Errs Up to 9 of 105 Tests. TechTimes. https://www.techtimes.com/articles/330350/20261110/robot-safety-commands-mit-robot-widens-one-warning-electronics-gpt-4o-errs-9-105-tests.htm
[5] Hyper.AI (2026). MIT FLEX Helps Robots Infer Intent Beyond Literal Commands. Hyper.AI. https://hyper.ai/en/stories/6990911444ed5bc8596309ec321231bd
[6] AI Weekly (2026). MIT and NYU Build FLEX: Robots Read Intent Behind Commands. AI Weekly. https://aiweekly.co/alerts/mit-and-nyu-build-flex-robots-read-intent-behind-commands
[7] Journal of Computing and Information Science in Engineering (2026). Task and Motion Planning With Large Language Models Enhanced by Spatially Temporally Aware Tools for Smart Manufacturing. ASME Digital Collection. https://asmedigitalcollection.asme.org/computingengineering/article/26/7/074501/1229076/Task-and-Motion-Planning-With-Large-Language
[8] M. Aghzal, E. Plaku, Z. Yao (2023). Can Large Language Models be Good Path Planners? A Benchmark and Investigation on Spatial-temporal Reasoning. arXiv. https://arxiv.org/abs/2310.03249
[9] M. Aghzal et al. (2025). A Survey on Large Language Models for Automated Planning. arXiv. https://arxiv.org/html/2502.12435v1
[10] P. Li, Z. An, S. Abrar, L. Zhou (2026). Large language models for multi-robot systems: a survey. Autonomous Robots (Springer). https://link.springer.com/article/10.1007/s10514-026-10257-4