Quatro dos seis robôs da Agibot passam num teste de 24 horas numa loja de conveniência em Xangai

Seis robôs, 1.730 tarefas e duas avaliações por concluir

Seis robôs humanoides Agibot G2 concluíram, segundo os dados divulgados, 1.730 tarefas durante um teste de 24 horas numa loja de conveniência em funcionamento, no distrito de Xuhui, em Xangai. Quatro foram aprovados nas avaliações e dois ficaram retidos para novos ajustes. O exercício decorreu das 10h00 de 2 de novembro às 10h00 de 3 de novembro de 2026, abrangendo o almoço, as compras ao fim do dia, o turno da noite e o serviço de pequeno-almoço.

A Agibot afirmou que as máquinas realizaram 683 interações de acolhimento ou atendimento a clientes, 369 tarefas de recolha e entrega de produtos, prepararam 147 cafés, prestaram 126 serviços de refeições quentes ou pequenos-almoços, inspecionaram e reabasteceram as prateleiras em 277 ocasiões e limparam mesas 128 vezes. A transmissão em direto atraiu mais de 2 milhões de espectadores.

Os dois robôs que não passaram revelaram problemas diferentes. Um robô responsável pela inspeção e reposição de produtos nas prateleiras não tomou iniciativa suficiente para acompanhar o ritmo da loja. Um robô de limpeza deparou-se com um caixote do lixo cheio durante o turno da noite, abandonou o percurso que lhe tinha sido atribuído e saiu para procurar um local onde pudesse despejar os resíduos.

O evento, apresentado em inglês como Robots Never Clock Out, colocou as máquinas a trabalhar ao lado de clientes e funcionários, em vez de as isolar num espaço de demonstração vazio. As conclusões mais úteis dizem respeito às interrupções do dia a dia que dificultam o trabalho no retalho: um obstáculo inesperado, um produto deslocado ou uma tarefa que não pode ser concluída como previsto.

A Agibot apresentou os resultados como uma avaliação do período experimental dos funcionários. Quatro robôs foram aprovados nas funções que lhes tinham sido atribuídas; os outros dois precisavam de mais trabalho. Para os retalhistas, a questão prática é saber se as máquinas conseguem entregar encomendas corretas, respeitar os limites de segurança e recuperar quando a loja deixa de funcionar como esperado.

Quem passou e quem precisa de nova avaliação?

Ahao, encarregado de receber os clientes e responder a perguntas, obteve a melhor classificação no atendimento. Conseguia iniciar os cumprimentos, em vez de se limitar a esperar que alguém se aproximasse. Huobao, responsável pela recolha e entrega de produtos, respondia rapidamente aos pedidos e continuava a trabalhar à medida que a procura aumentava e os clientes cancelavam encomendas.

Kashao, o robô barista, seguia um processo de preparação organizado, e o seu Americano quente recebeu avaliações favoráveis dos clientes. Dingjiang, encarregado do serviço de refeições quentes e das tarefas de caixa, trabalhou de forma consistente e cumpriu os critérios da avaliação.

Juanwang, responsável por inspecionar as prateleiras e repor produtos, ficou retido por revelar falta de iniciativa e ter dificuldade em acompanhar o ritmo da loja. Lengjie, o robô de limpeza, precisa de regras de funcionamento revistas, depois de ter saído da loja quando encontrou o caixote do lixo cheio.

Estes resultados apontam para dois desafios de engenharia distintos. Juanwang tem de perceber quando deve começar a trabalhar sem esperar por outra instrução. Lengjie precisa de uma resposta clara quando uma tarefa ultrapassa os limites da área de trabalho permitida, como parar e pedir ajuda.

Quatro turnos puseram as máquinas à prova de formas diferentes

A avaliação abrangeu um ciclo comercial completo, em vez de repetir uma tarefa nas mesmas condições. A sequência sujeitou os robôs e o sistema que os coordenava a exigências variáveis:

• 2 de novembro, 10h00: Os seis robôs começaram a trabalhar na loja em funcionamento.
• Período do almoço: Os pedidos de comida e bebida puseram à prova a preparação e a entrega durante um período de serviço movimentado.
• Período da noite: O aumento da atividade testou o tratamento dos pedidos e a coordenação em espaços partilhados.
• Durante a noite: O menor movimento pôs à prova a continuidade do trabalho, a limpeza e a resposta a situações imprevistas.
• 3 de novembro, período do pequeno-almoço: O serviço da manhã testou uma nova alteração no volume de trabalho antes de o exercício terminar, às 10h00.

Os participantes convidados também introduziram desafios deliberados. Pediram às máquinas que distinguissem cola normal de cola sem açúcar em embalagens semelhantes, deslocaram produtos, permaneceram nos corredores e abanaram um recipiente de comida quente para dificultar a preensão do conteúdo.

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

Porque pode ser mais difícil pegar em comida do que encontrá-la

Manusear uma bebida embalada e um alimento mole exige técnicas diferentes. Um robô pode identificar o artigo correto e, ainda assim, falhar no contacto: as embalagens flexíveis mudam de forma, as superfícies escorregadias deslocam-se e os alimentos frágeis partem-se se forem apertados com demasiada força.

Ren descreveu o manuseamento de um pedaço de bolo dourado com uma pinça como uma sequência de movimentos precisos. O robô tem de agarrar o utensílio, controlar a abertura, escolher onde tocar no alimento e aplicar pressão suficiente para o levantar sem o esmagar. Depois, tem de alinhar com um saco, largar o alimento, retirar a pinça e mudar a forma como a segura para levantar o saco.

Um pequeno erro perto do fim pode desperdiçar tudo o que correu bem até aí. Pendurar doces embalados num gancho de prateleira apresenta outro exemplo do mesmo problema: a máquina tem de alinhar uma pequena abertura sem prender o invólucro nem deslocar os produtos ao lado.

Wang Xingxing, fundador da Unitree, também identificou o contacto físico preciso como um dos obstáculos que a robótica ainda tem de superar. A sua análise centra-se na distância entre reconhecer o mundo e controlar os movimentos finais necessários para lhe tocar e manipular objetos. Numa loja, esses movimentos determinam se o cliente recebe alimentos intactos e produtos colocados no local certo.

Um espaço de loja partilhado exige um plano comum

Seis robôs a trabalhar numa loja pequena criam problemas de programação e coordenação, além dos desafios de manuseamento. A reposição de produtos pode ocupar o espaço necessário para recolher uma encomenda. A limpeza pode bloquear um corredor. Um atraso numa estação de trabalho pode atrasar várias entregas seguintes.

A Agibot utilizou a sua plataforma Genie Master para coordenar as máquinas. A empresa afirmou ter disponibilizado a plataforma a 27 de outubro, pouco antes do exercício na loja. Esta liga a atribuição de tarefas, as instruções de execução e a partilha de resultados através de um protocolo de execução incorporada, conhecido como EEP.

Em termos simples, o software de coordenação decide que robô deve executar uma tarefa, verifica o que aconteceu e usa esse resultado para decidir o que se segue. Também tem em conta a prioridade dos pedidos, o estado dos robôs e o espaço de trabalho disponível. As tarefas que concorrem pela mesma prateleira podem ser separadas, enquanto as compatíveis podem avançar em simultâneo.

Os clientes acrescentam outra variável. Esperava-se que os robôs abrandassem, parassem, se desviassem ou calculassem um novo percurso quando as pessoas entrassem no seu espaço de trabalho. Ren afirmou que um aumento da incerteza deve levar a um funcionamento menos agressivo e, quando necessário, à paragem e a um pedido de assistência. Isso torna a capacidade de esperar em segurança uma parte necessária de um desempenho útil, mesmo que reduza a velocidade.

Como diz a Agibot que os robôs aprendem com os erros

A Agibot descreve a sua abordagem de aprendizagem como Physical RSI, um processo em que a experiência do trabalho físico contribui para melhorias posteriores. A empresa divide esse processo em duas vias: guardar experiências úteis e voltar a treinar os modelos que controlam as ações.

A primeira via, denominada Harness RSI, armazena e resume sequências de tarefas bem e mal-sucedidas. Se mais tarde se deparar com um problema semelhante, o robô pode recorrer a esse registo. A segunda, Policy RSI, utiliza exemplos selecionados para treinar a política de ação, o modelo que orienta os movimentos e o manuseamento de objetos.

Ren afirmou que os problemas de fluxo de trabalho e coordenação podem ser analisados no próprio dia e evitados no dia seguinte. As alterações às políticas de ação costumam exigir vários dias de desenvolvimento. Os dados da transmissão em direto seriam selecionados, expurgados de informações identificativas e submetidos a um controlo de qualidade antes de serem utilizados no treino. Normalmente, as alterações resultantes chegariam a versões posteriores do software no prazo de uma a duas semanas.

A Agibot descreveu também um período de testes anterior, durante o qual a taxa de sucesso dos processos em tarefas como embalar alimentos, recolher produtos e reabastecer prateleiras subiu de 28,6% no primeiro dia para 85,7% no quinto. Trata-se de um aumento de 57,1 pontos percentuais, ou cerca de três vezes a taxa inicial.

Estes valores dizem respeito ao período de testes anterior. A empresa não publicou taxas de sucesso detalhadas equivalentes para cada tarefa durante o exercício público de 24 horas.

O que revelam os totais de tarefas aos responsáveis pelas lojas

As 1.730 tarefas comunicadas correspondem a uma média de cerca de 72 atividades concluídas por hora pelos seis robôs. O atendimento a clientes e a recolha de produtos representaram, em conjunto, 1.052 tarefas, cerca de 61% do total.

Estes cálculos ajudam a caracterizar o volume de trabalho, mas as atividades são muito diferentes entre si. Cumprimentar um cliente e preparar uma refeição quente implicam tempos, manuseamento físico e verificações distintos. Um responsável que avaliasse uma implementação teria de analisar cada função em separado, incluindo os tempos de espera e a qualidade do serviço prestado.

Os materiais do evento não incluíram um registo de tarefas auditado de forma independente, o número de intervenções ou a taxa de falhas, nem uma comparação com a produtividade e os custos dos funcionários. Também não foram divulgados os intervalos de carregamento nem o tempo de manutenção. Sem esses dados, continuam por esclarecer o tempo total de funcionamento autónomo e o apoio prestado pelos funcionários.

Medir o trabalho útil, não o tempo em frente às câmaras

A Agibot propôs uma medida de produtividade chamada Worken, descrita como horas efetivas de trabalho inteligente. O cálculo combina o número de robôs ativos, o tempo de trabalho autónomo e um rácio de eficiência de produção.

A ideia centra-se na produção qualificada: quanto trabalho aceitável uma máquina realiza durante o período em que funciona autonomamente. Numa loja, isso significa entregar os produtos certos e concluir encomendas, bem como servir comida ou bebidas em condições adequadas e dentro de um tempo de espera aceitável.

Yao Maoqing, cofundador e copresidente da Agibot e presidente do grupo de negócios de robótica incorporada da empresa, descreveu a diferença entre demonstrações e trabalho produtivo durante o Innovation Day da empresa. Em tradução, afirmou:

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

A sua observação tem implicações concretas para as operações de retalho. Uma máquina que se destaca num pedido simples precisa, ainda assim, de responder de forma fiável a um pedido difícil. Para calcular o Worken no teste de Xangai, seriam necessários dados sobre as horas de funcionamento autónomo e a eficiência de produção, para além dos totais de tarefas publicados.

O que tem de mudar antes de uma implementação mais ampla?

Ren afirmou que a prontidão comercial depende da tarefa, não de um calendário fixo. Identificou três critérios práticos: se a tarefa tem limites claros, se o resultado é fácil de verificar e se as exceções são suficientemente raras para que o sistema consiga recuperar sozinho.

A organização rotineira das prateleiras, a reposição de produtos e o apoio à limpeza estão entre as funções que, na sua perspetiva, poderão ser implementadas mais cedo em ambientes organizados. As tarefas que envolvem interações complexas com clientes, verificações de identidade ou um manuseamento menos previsível exigem uma validação mais prolongada. Mesmo as funções aparentemente adequadas precisam de ser cuidadosamente concebidas, como demonstraram os robôs das prateleiras e da limpeza.

A expansão de uma loja para centenas exigiria ferramentas normalizadas, ligações aos sistemas de gestão do retalho, instalações mais rápidas e manutenção remota eficaz. Os robôs também teriam de transferir experiências úteis entre lojas com diferentes disposições e produtos, reduzindo o trabalho de configuração inicial em cada local.

Ren reconheceu que os robôs ainda ficam aquém dos funcionários experientes na adaptação a mudanças, na rapidez dos movimentos precisos e no tratamento de exceções. Os critérios comerciais que propôs são práticos: menos tempo de implementação, menos adaptação manual e mais trabalho útil. O exercício de Xangai forneceu exemplos tanto de rotinas viáveis como de regras a rever; o próximo desafio de engenharia é tornar essas rotinas fiáveis ao longo de turnos repetidos e em lojas diferentes.

Pontos principais

• Seis robôs Agibot G2 participaram num teste de 24 horas numa loja de conveniência do distrito de Xuhui, em Xangai, nos dias 2 e 3 de novembro de 2026.
• A Agibot comunicou 1.730 tarefas concluídas e mais de 2 milhões de espectadores da transmissão em direto.
• Quatro robôs passaram na avaliação das respetivas funções; o robô de inspeção de prateleiras e o robô de limpeza precisaram de novos ajustes.
• Um robô revelou falta de iniciativa, enquanto outro saiu da loja depois de encontrar um caixote do lixo cheio.
• A plataforma Genie Master coordenou as tarefas, a utilização partilhada do espaço e o retorno de informação dos robôs.
• Não foram publicados dados detalhados sobre horas de funcionamento autónomo, número de intervenções, taxas de falha auditadas ou comparações com funcionários.