Quatro dos seis robôs da Agibot são aprovados em teste de 24 horas em loja de conveniência em Xangai

Seis robôs, 1.730 tarefas e duas atribuições não concluídas

Seis robôs humanoides Agibot G2 concluíram, segundo a empresa, 1.730 tarefas durante um teste de 24 horas em uma loja de conveniência em funcionamento no distrito de Xuhui, em Xangai. Quatro foram aprovados nas avaliações, enquanto dois ficaram retidos para novos ajustes. O exercício começou às 10h de 2 de novembro e terminou às 10h de 3 de novembro de 2026, abrangendo o almoço, as compras no período da noite, o turno da madrugada e o serviço de café da manhã.

A Agibot informou que as máquinas realizaram 683 cumprimentos ou interações de recepção a clientes, 369 tarefas de retirada e entrega de produtos, prepararam 147 cafés, atenderam 126 pedidos de comida quente ou café da manhã, fizeram 277 inspeções e reposições de produtos nas prateleiras e limparam mesas 128 vezes. A transmissão ao vivo atraiu mais de 2 milhões de espectadores.

Os dois robôs reprovados apresentaram problemas diferentes. O robô de inspeção e reposição de prateleiras não tomou iniciativa suficiente para acompanhar o ritmo da loja. Durante o turno da madrugada, o robô de limpeza encontrou uma lixeira cheia, saiu da rota designada e foi para fora em busca de um lugar para descartar o lixo.

O evento, chamado em inglês de Robots Never Clock Out, colocou as máquinas para trabalhar ao lado de clientes e funcionários, em vez de em um espaço vazio de demonstração. As descobertas mais úteis dizem respeito às interrupções corriqueiras que dificultam o trabalho no varejo: um obstáculo inesperado, um produto fora do lugar ou uma tarefa que não pode ser concluída como planejado.

A Agibot apresentou o resultado como uma avaliação de período de experiência de funcionários. Quatro robôs foram aprovados nas funções designadas; os outros dois precisam de mais ajustes. Para os varejistas, a questão prática é saber se as máquinas conseguem entregar os pedidos certos, respeitar limites de segurança e se recuperar quando a loja não funciona como esperado.

Quem foi aprovado e quem precisa de uma nova avaliação?

Ahao, encarregado de receber os clientes e responder a perguntas, obteve a maior pontuação em atendimento. Ele conseguia iniciar os cumprimentos, em vez de simplesmente esperar que alguém se aproximasse. Huobao, responsável por coletar e entregar produtos, respondia rapidamente aos pedidos e continuava trabalhando à medida que a demanda aumentava e os clientes cancelavam solicitações.

Kashao, o robô barista, seguia um processo organizado de preparo, e seu Americano quente recebeu avaliações favoráveis dos clientes. Dingjiang, encarregado de servir comida quente e operar o caixa, trabalhou de forma consistente e atendeu aos critérios da avaliação.

Juanwang, responsável por inspecionar as prateleiras e repor os produtos, não foi aprovado porque demonstrou pouca iniciativa e teve dificuldade para acompanhar o ritmo das operações da loja. Lengjie, o robô de limpeza, precisará de regras operacionais revisadas depois de sair da loja ao encontrar a lixeira cheia.

Os resultados apontam para dois desafios distintos de engenharia. Juanwang precisa reconhecer quando deve começar a trabalhar sem esperar outro comando. Lengjie precisa de uma resposta clara quando uma tarefa chega ao limite da área de trabalho permitida, como parar e pedir ajuda.

Quatro turnos impuseram diferentes desafios às máquinas

A avaliação abrangeu um ciclo completo de funcionamento da loja, em vez de repetir uma tarefa nas mesmas condições. A sequência impôs demandas diferentes aos robôs e ao sistema que os coordenava:

• 2 de novembro, 10h: Os seis robôs começaram a trabalhar na loja em funcionamento.
• Horário do almoço: Os pedidos de comida e bebida testaram o preparo e a entrega durante um período de grande movimento.
• Período da noite: O aumento da atividade testou o processamento de pedidos e a coordenação em espaços compartilhados.
• Madrugada: O movimento mais tranquilo testou a continuidade do trabalho, a limpeza e as respostas a imprevistos.
• 3 de novembro, horário do café da manhã: O serviço da manhã testou uma nova mudança na carga de trabalho antes do encerramento do exercício, às 10h.

Os participantes convidados também criaram desafios deliberados. Pediram às máquinas que diferenciassem refrigerantes comuns e sem açúcar em embalagens semelhantes, mudaram produtos de lugar, ficaram nos corredores e sacudiram um recipiente de comida quente para dificultar que os robôs pegassem seu conteúdo.

A Agibot avaliou a assiduidade, o desempenho nas tarefas ao longo dos quatro períodos e a aprovação dos clientes. Ren Guanghui, vice-presidente do centro de pesquisa de inteligência incorporada da Agibot, disse que a equipe também acompanhou o índice de sucesso das tarefas, a taxa de sucesso na primeira tentativa, os tempos de resposta e conclusão, a qualidade aceitável dos resultados, a frequência de intervenção humana, o tempo de recuperação e a disponibilidade do sistema.

Por que pegar comida pode ser mais difícil do que encontrá-la

Manusear uma bebida embalada é diferente de pegar um alimento macio. Um robô pode identificar o item correto e ainda assim falhar ao tocá-lo: embalagens flexíveis mudam de forma, superfícies escorregadias se movem e alimentos frágeis se quebram quando são apertados com força demais.

Ren descreveu o manuseio de um pedaço de bolo dourado com uma pinça como uma sequência de movimentos precisos. O robô precisa segurar o utensílio, controlar sua abertura, escolher onde tocar o alimento e aplicar pressão suficiente para levantá-lo sem esmagá-lo. Em seguida, precisa alinhá-lo com um saco, soltar o alimento, retirar a pinça e mudar a pegada para levantar o saco.

Um pequeno erro no fim pode comprometer tudo o que deu certo antes. Pendurar doces embalados em um gancho na prateleira apresenta outro exemplo do mesmo problema: a máquina precisa alinhar uma abertura pequena sem prender a embalagem nem deslocar os produtos vizinhos.

Wang Xingxing, fundador da Unitree, também apontou o contato físico preciso como um dos gargalos que ainda restam na robótica. Sua avaliação destaca a diferença entre reconhecer o mundo e controlar os movimentos finais necessários para tocá-lo e manipulá-lo. Em uma loja, esses movimentos determinam se o cliente recebe comida intacta e produtos colocados corretamente.

Um espaço de loja compartilhado exige um plano conjunto

Seis robôs trabalhando em uma loja pequena criam problemas de programação, além dos desafios de manuseio. A reposição pode ocupar o espaço necessário para a retirada de um pedido. A limpeza pode bloquear um corredor. Um atraso em uma estação de trabalho pode comprometer várias entregas posteriores.

A Agibot usou sua estrutura Genie Master para coordenar as máquinas. A empresa informou que lançou a estrutura em 27 de outubro, pouco antes do exercício na loja. Ela conecta a atribuição de tarefas, as instruções para execução e o feedback por meio de um protocolo de execução incorporada, conhecido como EEP.

Em termos simples, o software de coordenação decide qual robô deve realizar uma tarefa, verifica o que aconteceu e usa esse resultado para definir o próximo passo. Também considera a prioridade dos pedidos, o estado dos robôs e o espaço de trabalho disponível. Tarefas que disputam o mesmo espaço na prateleira podem ser separadas, enquanto atividades compatíveis podem ocorrer ao mesmo tempo.

Os clientes acrescentam outra variável. Esperava-se que os robôs diminuíssem a velocidade, parassem, dessem passagem ou calculassem uma nova rota quando pessoas entrassem em sua área de trabalho. Ren disse que um aumento da incerteza deveria levar a uma operação menos agressiva e, quando necessário, à parada e a um pedido de ajuda. Isso torna a espera segura uma parte necessária do desempenho útil, mesmo que reduza a velocidade.

Como a Agibot diz que os robôs aprendem com os erros

A Agibot descreve sua abordagem de aprendizado como Physical RSI, um processo no qual a experiência do trabalho físico alimenta melhorias posteriores. A empresa divide esse processo em duas frentes: guardar experiências úteis e retreinar os modelos que controlam as ações.

A primeira frente, chamada Harness RSI, armazena e resume sequências de tarefas bem-sucedidas e malsucedidas. Se encontrar um problema semelhante mais tarde, o robô pode consultar esse registro. A segunda, Policy RSI, usa exemplos selecionados para treinar sua política de ação, o modelo que orienta seus movimentos e o manuseio de objetos.

Ren disse que problemas de fluxo de trabalho e coordenação podem ser analisados no mesmo dia e evitados no dia seguinte. Alterações nas políticas de ação geralmente levam vários dias para completar um ciclo de desenvolvimento. Os dados da transmissão ao vivo seriam selecionados, desidentificados e submetidos a uma verificação de qualidade antes de serem usados no treinamento. Em geral, as mudanças resultantes chegariam a versões posteriores do software em uma ou duas semanas.

A Agibot também descreveu um período de testes anterior no qual a taxa de sucesso de processos envolvendo tarefas como embalar alimentos, coletar produtos e repor prateleiras passou de 28,6% no primeiro dia para 85,7% no quinto. Isso representa um aumento de 57,1 pontos percentuais, ou aproximadamente o triplo da taxa inicial.

Esses números se referem ao período de testes anterior. A empresa não publicou taxas detalhadas de sucesso equivalentes para cada função durante o exercício público de 24 horas.

O que os totais de tarefas dizem aos operadores de lojas

As 1.730 tarefas informadas equivalem a uma média de cerca de 72 atividades concluídas por hora pelos seis robôs. O atendimento aos clientes e a retirada de produtos somaram 1.052 tarefas, cerca de 61% do total.

Esses cálculos ajudam a descrever a carga de trabalho, mas as atividades variam bastante. Cumprimentar um cliente e preparar uma refeição quente exigem tempos, manuseios e verificações diferentes. Um gerente que avaliasse a implantação precisaria analisar cada função separadamente, incluindo os tempos de espera e a qualidade do serviço concluído.

Os materiais do evento não apresentaram um registro de tarefas auditado de forma independente, a contagem de intervenções ou a taxa de falhas, nem uma comparação com a produção e o custo de funcionários humanos. Também não foram divulgados os intervalos de recarga nem o tempo de manutenção. Sem esses dados, não é possível determinar o tempo total de operação autônoma nem o volume de apoio prestado pelos funcionários.

Medir o trabalho útil, não o tempo diante das câmeras

A Agibot propôs uma métrica de produtividade chamada Worken, descrita como horas efetivas de trabalho inteligente. Seu cálculo combina o número de robôs ativos, o tempo de trabalho autônomo e uma taxa de eficiência da produção.

A ideia direciona a atenção para resultados de qualidade: quanto trabalho aceitável uma máquina entrega durante o período em que opera de forma autônoma. Em uma loja, isso significa produtos corretos, pedidos completos e alimentos ou bebidas próprios para consumo, entregues dentro de um prazo de espera aceitável.

Yao Maoqing, cofundador e copresidente da Agibot e presidente de seu grupo de negócios de inteligência incorporada, descreveu a diferença entre demonstrações e trabalho produtivo no Innovation Day da empresa. Em tradução, ele disse:

As demonstrações testam o limite máximo de uma capacidade isolada, mas a produtividade testa o limite mínimo do sistema.

O ponto é concreto para as operações de varejo. Uma máquina que se sai muito bem com um pedido fácil ainda precisa responder de forma confiável ao mais difícil. O cálculo do Worken para o teste de Xangai exigiria dados sobre horas de operação autônoma e eficiência da produção que não foram divulgados junto com os totais de tarefas.

O que precisa mudar antes de uma implantação mais ampla?

Ren disse que a prontidão comercial depende da tarefa, e não de um cronograma fixo. Ele apontou três critérios práticos: se a atribuição tem limites claros, se é fácil verificar o resultado e se os imprevistos são raros o suficiente para que o sistema se recupere sozinho.

Organizar prateleiras, repor produtos e ajudar na limpeza são algumas das funções que, na avaliação dele, podem ser implantadas mais cedo em ambientes organizados. Tarefas que envolvem interações complexas com clientes, verificação de identidade ou manuseio menos previsível exigem validação mais prolongada. Mesmo funções aparentemente adequadas precisam ser planejadas com cuidado, como demonstraram os robôs de inspeção de prateleiras e de limpeza.

A expansão de uma loja para centenas exigiria ferramentas padronizadas, conexões com sistemas de gestão do varejo, instalações mais rápidas e manutenção remota eficaz. Os robôs também precisariam transferir experiências úteis entre lojas com diferentes layouts e produtos, reduzindo o trabalho de configuração necessário em cada local.

Ren reconheceu que os robôs ainda ficam atrás de funcionários experientes na adaptação a mudanças, na rapidez para realizar movimentos precisos e no tratamento de imprevistos. Os critérios comerciais que ele propôs são práticos: reduzir o tempo de implantação, diminuir a necessidade de ajustes manuais e aumentar a produção útil. O exercício de Xangai apresentou exemplos tanto de rotinas que funcionaram quanto de regras que precisam ser revisadas; o próximo desafio de engenharia é tornar essas rotinas confiáveis em turnos repetidos e em diferentes lojas.

Principais pontos

• Seis robôs Agibot G2 trabalharam durante um teste de 24 horas em uma loja de conveniência no distrito de Xuhui, em Xangai, nos dias 2 e 3 de novembro de 2026.
• A Agibot informou que foram concluídas 1.730 tarefas e que mais de 2 milhões de pessoas assistiram à transmissão ao vivo.
• Quatro robôs foram aprovados nas avaliações de suas funções; o robô de inspeção de prateleiras e o robô de limpeza precisaram de novos ajustes.
• Um robô não demonstrou iniciativa suficiente; outro saiu da loja após encontrar uma lixeira cheia.
• O Genie Master coordenou as tarefas, o espaço de trabalho compartilhado e o feedback dos robôs.
• Não foram divulgados dados detalhados sobre horas de operação autônoma, número de intervenções, taxas de falha auditadas ou comparações com funcionários humanos.