Em 2024, as fábricas do mundo instalaram cerca de 542 mil robôs industriais, mais que o dobro de dez anos antes, e o estoque global em operação chegou a 4,66 milhões de unidades [1]. Mesmo assim, a esmagadora maioria das fábricas do planeta continua sem um único braço articulado. A robótica industrial nunca foi tão grande, e também nunca foi tão concentrada: os números que celebram recordes mostram que a automação avançada é coisa de poucos países, poucos setores e poucas empresas. A tese deste artigo é desconfortável. O debate público sobre robótica está obcecado pelos robôs que aparecem em vídeos, como os humanoides e os cobots simpáticos. Enquanto isso, a transformação real acontece num punhado de células de solda, linhas automotivas e corredores de armazém que quase ninguém filma. E a passagem da célula programada, que repete o mesmo movimento milhões de vezes, para a operação adaptativa, que lida com o imprevisto, avança mais devagar do que os anúncios sugerem.
O exército silencioso: braços industriais e a geografia da automação
Os números do setor contam uma história de escala e de assimetria. O relatório World Robotics 2024, da Federação Internacional de Robótica (IFR), registrou 541.302 instalações em 2023 e um estoque de 4.281.585 robôs em operação nas fábricas [2]. Só a China instalou 276.288 unidades naquele ano, 51% do total mundial, e a Ásia como um todo ficou com 70% dos novos robôs, contra 17% da Europa e 10% das Américas [2]. No ano seguinte o padrão se acentuou: segundo o World Robotics 2025, a China respondeu por 54% das instalações de 2024, com cerca de 295 mil robôs [1]. Não é um detalhe estatístico. É a explicação de por que a curva global se mantém alta mesmo quando mercados maduros desaceleram.
A geografia da densidade conta outra parte da história. No levantamento mais recente da IFR, divulgado em novembro de 2026, a Coreia do Sul lidera com 1.066 robôs por 10 mil trabalhadores da indústria, seguida por Singapura (873) e Alemanha (469), enquanto a média mundial é de 152 [3]. A distância entre o topo e a média é de sete vezes. E mesmo nos países líderes a automação é desigual: ela se concentra em setores como o automotivo e o eletrônico e chega muito menos a segmentos de mão de obra intensiva e à pequena e média empresa.
A corrida tecnológica entre os fabricantes de braços também é menos glamourosa do que parece. Ela não busca robôs mais espetaculares, e sim controladores mais integrados, mais fáceis de programar e mais baratos de manter. Um exemplo é o OmniCore, controlador que a ABB lançou na feira Automatica de 2018, em Munique. A empresa o apresentou como capaz de atender a produções de alta variedade e baixo volume, com ocupação de espaço 50% menor que a de produtos comparáveis e com o software de segurança SafeMove2, que, segundo a fabricante, pode transformar um robô industrial conectado em robô colaborativo [4]. É esse tipo de avanço, pouco fotogênico, que encurta o tempo entre comprar um robô e colocá-lo para produzir.
Cobots: a promessa democrática e o teto de vidro
Se os braços industriais são o exército, os robôs colaborativos, os cobots, são a promessa de que qualquer oficina pode ter o seu. A Universal Robots, uma das pioneiras da categoria, tem aumentado a capacidade de carga das suas máquinas. O UR30, por exemplo, carrega 30 kg (até 35 kg na configuração estendida) e tem alcance de 1.300 mm [5]. A lógica é sedutora: em vez de cercas de segurança e células isoladas, o cobot trabalha ao lado do operador e pode ser programado sem um time de engenheiros de integração.
A promessa, porém, tem um limite técnico que raramente aparece nos folhetos. Para ser seguro no contato com pessoas, o cobot precisa limitar velocidade e força, e isso custa produtividade. Em tarefas de alta cadência, como soldagem automotiva em linha ou paletização de grande volume, o braço industrial convencional, isolado em sua célula, continua sendo a escolha natural. Na prática, os cobots criaram um nicho próprio, de máquinas leves para montagem, inspeção, abastecimento de máquinas e tarefas de baixo volume, mais do que substituíram os robôs clássicos.
Minha posição, e assumo o risco dela: a obsessão atual com cobots está mal direcionada. A narrativa do "robô que trabalha com humanos" vende bem em feiras, mas o gargalo da automação não é a interface amigável, e sim o custo de integração. Um braço acessível não resolve o problema se a célula em volta dele exige sensores, garras, esteiras, dispositivos de fixação e engenharia que custam várias vezes mais que o próprio robô. Enquanto a conversa girar em torno do preço do braço, a barreira de entrada para a pequena empresa continuará alta.
O armazém como laboratório de autonomia
É no armazém, mais do que na fábrica, que a robótica autônoma vem mudando as regras. Numa linha de montagem, o robô repete; num armazém, ele precisa lidar com milhares de itens diferentes, pedidos que mudam a cada minuto e corredores onde circulam pessoas. Por isso a logística virou o campo de provas da autonomia: ali a incerteza é a regra, e os sistemas de percepção, localização e planejamento que amadurecem nesse ambiente depois migram para a manufatura.
A Amazon é o exemplo mais visível. Em outubro de 2023, a empresa apresentou o Sequoia, sistema que reúne robôs móveis, pórticos, braços robóticos e uma nova estação de trabalho ergonômica para guardar o estoque em contêineres. Segundo a Amazon, o sistema permite armazenar o estoque até 75% mais rápido e reduz em até 25% o tempo de processamento de um pedido no centro de distribuição [6]. São números da própria empresa, não medições independentes, mas indicam a direção: o ganho vem da integração de vários tipos de robô num fluxo único, não de uma máquina isolada.
O passo seguinte são os humanoides. Em junho de 2024, a Agility Robotics fechou com a GXO Logistics um contrato plurianual para usar o humanoide Digit num modelo de robótica como serviço (RaaS). Numa instalação na Geórgia que atende a marca Spanx, o Digit pega caixas plásticas trazidas por robôs móveis e as coloca em esteiras [7]. As empresas não divulgaram quantos robôs estão envolvidos nem os termos do acordo [7]. O detalhe importa: a tarefa escolhida é simples, repetitiva e de baixa variabilidade, exatamente o tipo de ambiente já "domesticado" em que a automação costuma dar certo.
Da trajetória programada ao comportamento aprendido
Por trás de cada braço que se move sem colidir há décadas de teoria de controle. O planejamento de trajetória clássico, baseado em cinemática inversa, otimização e modelos dinâmicos, resolveu o problema de levar a ferramenta do ponto A ao ponto B com precisão e repetibilidade. É o que faz uma célula de solda funcionar por anos sem surpresas. O que esse modelo não resolve bem é o mundo real fora da célula: peças que escorregam, objetos deformáveis, ambientes que mudam.
É aí que entram os métodos de aprendizado. Em vez de programar cada movimento, o robô aprende a partir de demonstrações humanas ou de tentativa e erro, muitas vezes em simulação. Um marco recente é a Diffusion Policy, proposta por Cheng Chi e colegas de Columbia, do Toyota Research Institute (TRI) e do MIT. O método gera as ações do robô com um processo de difusão condicionado ao que as câmeras veem, a mesma família de técnicas usada para gerar imagens. Nos testes de manipulação descritos no artigo, superou os métodos de aprendizado robótico de ponta com melhora média de 46,9% [8].
O TRI levou a ideia adiante. Em setembro de 2023, o instituto anunciou que já tinha ensinado a robôs mais de 60 habilidades de manipulação com essa técnica, a partir de demonstrações, e apresentou a meta de chegar a 1.000 habilidades até o fim de 2024. O objetivo declarado era construir "grandes modelos de comportamento" (Large Behavior Models), em analogia aos grandes modelos de linguagem [9].
O ceticismo continua necessário. A simulação nunca é o mundo, e uma política treinada num ambiente pode falhar diante de uma iluminação ou textura diferente. Treinar diretamente no robô físico é lento e caro. Os avanços recentes vêm justamente de contornar esses limites com dados de demonstração e modelos pré-treinados. A pergunta que ainda não tem resposta convincente é se esses métodos alcançam as tolerâncias e a confiabilidade exigidas numa linha industrial, ou se ficam restritos a tarefas que admitem erro, como separar objetos de uma caixa. A operação adaptativa do título é real nos laboratórios; na fábrica, ainda está em teste.
O que os casos realmente provam
Os casos mais citados merecem leitura atenta. Em janeiro de 2024, a Figure AI assinou acordo com a BMW Manufacturing para testar seu humanoide Figure 01 na fábrica de Spartanburg, na Carolina do Sul [10]. O acordo foi descrito como baseado em etapas: na primeira fase, a empresa identificaria as tarefas iniciais que o robô poderia fazer. A BMW disse que, nesse começo, teria um único robô para avaliação técnica, que nenhum cronograma havia sido definido e que estava "ainda experimentando" como usar robôs desse tipo [10]. É um teste, não uma linha de produção humanoide.
O padrão que surge dos casos é consistente. Os sucessos aparecem onde o robô assume uma tarefa bem delimitada, como mover caixas entre um robô móvel e uma esteira [7] ou guardar contêineres num sistema desenhado para isso [6], e onde a variabilidade do ambiente foi reduzida por projeto. Onde o ambiente é caótico e a tolerância a erro é mínima, a automação trava. É por isso que a soldagem de carrocerias é dominada por robôs há décadas, enquanto tarefas que exigem destreza fina e adaptação constante, como a montagem de chicotes elétricos, ainda dependem muito do trabalho manual.
Discussão: a automação que avança, mas não se espalha
Juntando as peças, o quadro é de uma robótica industrial tecnicamente madura e economicamente concentrada. Os 4,66 milhões de robôs em operação [1] parecem muitos, mas a média mundial de 152 por 10 mil trabalhadores, contra mais de mil na Coreia do Sul [3], mostra quanto a adoção ainda é desigual. Os cobots baixaram a barreira de entrada, mas esbarram no custo da célula completa. Os sistemas de armazém resolveram parte da flexibilidade, mas dependem de uma integração que poucas operações conseguem bancar. E o aprendizado de máquina promete a manipulação genérica, mas ainda não provou que escala para a linha de produção.
Há uma tensão que a divulgação costuma evitar. A robótica avança mais rápido naquilo que é fácil de medir, como ciclos, carga útil e precisão, e mais devagar naquilo que decide a adoção em massa: custo total, facilidade de reprogramação e confiabilidade ao longo de anos. Pode ser que toda essa otimização aprofunde, em vez de reduzir, a distância entre quem pode automatizar e quem não pode. A barreira, hoje, é menos técnica do que econômica e organizacional.
Conclusão
A trajetória da célula de solda à operação adaptativa não é uma revolução súbita, e sim uma expansão desigual que já dura décadas e agora ganha novos atores: cobots, sistemas integrados de armazém, humanoides e políticas aprendidas. A tese defendida aqui é que o gargalo não está no robô, mas no ecossistema que o cerca e no bolso de quem o compra. Três frentes merecem atenção nos próximos anos. A primeira é a padronização da integração, que pode baratear a célula inteira, e não só o braço. A segunda é a passagem dos métodos aprendidos do laboratório para tolerâncias industriais. A terceira é uma avaliação honesta dos humanoides, cujos pilotos precisam ser medidos por disponibilidade e custo por hora, não por vídeos de demonstração. Enquanto essas frentes não amadurecerem, a operação adaptativa continuará sendo, para a maioria das fábricas, uma promessa vista de longe: brilhante nos anúncios, ausente no chão de fábrica.
Referências
[1] International Federation of Robotics (2025). World Robotics 2025 report – Industri
al 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
[2] International Federation of Robotics (2024). Record of 4 Million Robots in Factories Worldwide. https://ifr.org/ifr-press-releases/news/record-of-4-million-robots-working-in-factories-worldwide
[3] International Federation of Robotics (2026). Robot Density Highest in South Korea, Singapore and Germany. https://ifr.org/ifr-press-releases/news/robot-density-2024
[4] The Robot Report (2018). OmniCore digital robot control from ABB boosts flexibility and reliability. https://www.therobotreport.com/abb-omnicore/
[5] Universal Robots. UR30 – 30–35 kg payload in a 1300 mm reach. https://www.universal-robots.com/products/ur30/
[6] Amazon (2023). Amazon announces 2 new ways it's using robots to assist employees and deliver for customers. https://www.aboutamazon.com/news/operations/amazon-introduces-new-robotics-solutions
[7] The Robot Report (2024). Agility Robotics' Digit humanoid lands first official job. https://www.therobotreport.com/agility-robotics-digit-humanoid-lands-first-official-job/
[8] Chi, C. et al. (2023). Diffusion Policy: Visuomotor Policy Learning via Action Diffusion. arXiv:2303.04137. https://arxiv.org/abs/2303.04137
[9] Toyota Research Institute (2023). Toyota Research Institute Unveils Breakthrough in Teaching Robots New Behaviors. https://www.tri.global/news/toyota-research-institute-unveils-breakthrough-teaching-robots-new-behaviors
[10] The Robot Report (2024). BMW testing Figure 01 humanoid at South Carolina automotive plant. https://www.therobotreport.com/bmw-testing-figure-01-humanoid-spartanburg-automotive-plant/