Ao incorporar inteligência artificial generativa, os robôs estão evoluindo de máquinas baseadas em scripts para sistemas adaptativos que interpretam contexto, aprendem por demonstração e ajustam seus comportamentos em tempo real. Avanços em modelos de linguagem de grande escala e tecnologias relacionadas estão ajudando os robôs a oferecer resultados consistentes e personalizados em escala. Veículos autônomos e assistentes humanoides em fábricas demonstraram que os robôs podem lidar com instruções complexas e colaborar com pessoas em ambientes físicos.
Mas, para implementar com sucesso robôs movidos por IA generativa, as empresas precisam escolher casos de uso vinculados a restrições reais de trabalho, projetar interações que pareçam naturais, posicionar os robôs como parceiros — e não substitutos — dos funcionários, alinhar as capacidades dos robôs à variabilidade das tarefas e definir métricas de sucesso. Privacidade, transparência e segurança também devem permanecer prioridades à medida que os robôs coletam dados e influenciam decisões.
Se você já teve a chance de andar em um veículo da Waymo, provavelmente saiu impressionado com suas capacidades. Desde que a Alphabet lançou o projeto, em 2009, a Waymo desenvolveu uma frota de 2.500 robotáxis sem motorista que já circulam em São Francisco, Miami, Phoenix e outras cidades, onde realizaram mais de 20 milhões de viagens. Os veículos fazem mais do que simplesmente transportar passageiros a até 105 km/h. Eles conseguem responder a instruções verbais (“Toque um rap dos anos 80 no Spotify”) ou responder perguntas (“Que horas é o jogo do Giants?”) enquanto trocam de faixa para evitar uma van de entrega estacionada em fila dupla. Dados iniciais de atendimento ao cliente e comentários no aplicativo Waymo One mostram que os usuários estão encantados com a experiência.
A Waymo é um caso específico de uma tecnologia que está amadurecendo rapidamente e pronta para uma adoção significativa: robôs alimentados por IA generativa. Muitas empresas já utilizam chatbots, agentes e tecnologias relacionadas baseadas em IA generativa para automatizar e escalar o atendimento ao cliente, mas na maioria desses casos a interação ocorre por meio de telas. Incorporar IA generativa em robôs oferece às empresas a oportunidade de reinventar suas interações com clientes em ambientes físicos — restaurantes, hotéis, hospitais, lojas e outros estabelecimentos presenciais — onde o serviço ainda depende fortemente de humanos. Usando modelos de linguagem de grande escala, modelos comportamentais de grande escala e IA baseada em agentes, essa nova geração de robôs consegue compreender melhor o contexto, fazer inferências e oferecer experiências personalizadas. Eles podem conversar como funcionários competentes — mantendo a lógica ao longo de uma conversa, esclarecendo ambiguidades e explicando ideias complexas de forma simples. No passado, um paciente perguntando a um robô “Isso vai doer? Quanto tempo vai levar? E o que acontece se eu me sentir tonto?” ultrapassaria os limites de um script. Hoje, robôs de atendimento baseados em modelos de linguagem conseguem entender essas preocupações e oferecer respostas claras. Um robô chamado Robin já faz exatamente isso, oferecendo suporte emocional em 30 unidades pediátricas e casas de repouso. Ele se movimenta de forma autônoma para cumprimentar crianças e responder perguntas. Enfermeiros podem dar comandos verbais, como “Vá para o quarto 517 por 20 minutos e depois vá para o quarto 516 por 10 minutos”. Ele também vem com jogos que as crianças podem jogar usando respostas faladas.
Provavelmente este não é o primeiro artigo que você lê afirmando que os robôs vão transformar o setor de serviços. De fato, o impacto deles tem crescido mais lentamente do que muitos entusiastas esperavam. O mercado global de robôs profissionais de serviço, que inclui modelos para logística, saúde, limpeza e outros setores, cresceu cerca de 9% em 2024, atingindo quase 200 mil unidades vendidas. No entanto, muitos projetos piloto foram interrompidos ou tiveram desempenho abaixo do esperado. Pesquisas da McKinsey mostram que 71% das empresas apontam os altos custos iniciais como um grande desafio na adoção de robôs, e 61% destacam a falta de experiência com automação como outro obstáculo relevante. Manutenção e confiabilidade continuam sendo desafios constantes, assim como a aceitação por parte de clientes e funcionários; muitas pessoas ainda preferem interação humana, especialmente em situações complexas ou emocionalmente sensíveis. Quando empresas implementaram robôs voltados ao atendimento ao cliente, a maioria das aplicações ficou restrita a tarefas com scripts limitados, como entrega de serviço de quarto ou bagagens em hotéis. Esses robôs de serviço não são muito mais do que máquinas móveis sofisticadas de venda automática. Eles seguem rotas pré-programadas, leem códigos de barras e respondem perguntas frequentes, mas, em grande parte, não conseguiram alcançar a escala ou os retornos que os primeiros adotantes esperavam.
Ainda assim, praticamente todos os grandes fabricantes de robôs estão integrando IA generativa em suas soluções — e alguns dos primeiros resultados já mostram um potencial real. Tenho pesquisado robótica avançada há mais de uma década e, nos últimos 18 meses, viajei pela Europa, Ásia e América do Norte para observar implementações de robôs físicos de serviço com IA generativa em 14 organizações que atuam em serviços financeiros, saúde, educação, hospitalidade e outros setores. Neste artigo, apresento como as empresas podem usar essa nova tecnologia para gerar valor, mitigar riscos e desenvolver as capacidades organizacionais necessárias para o sucesso.
O que são robôs com IA generativa
Robôs habilitados com IA generativa dependem de uma combinação de tecnologias — algumas já conhecidas e outras menos familiares.
A essa altura, a maioria dos executivos já tem uma boa compreensão de modelos de linguagem de grande escala e de IA baseada em agentes. Em um robô, os modelos de linguagem permitem a conversação, enquanto a IA baseada em agentes adiciona memória, planejamento, execução e reflexão. Com essas tecnologias, um robô pode lembrar de um cliente recorrente, avaliar alternativas (é possível fazer check-in antecipado se a equipe de limpeza disser que o quarto está quase pronto?), planejar uma sequência de tarefas, executar etapas em sistemas digitais e em espaços físicos e depois refletir sobre o que funcionou e o que não funcionou. A diferença entre robôs tradicionais baseados em scripts e aqueles impulsionados por IA baseada em agentes é enorme. Um sistema baseado em script pode reconhecer que uma entrega precisa ser priorizada, mas ainda assim seguir uma rota pré-definida. Já um sistema baseado em agentes pode atribuir a tarefa a um humano, redirecionar a entrega e realocar recursos para viabilizá-la. Embora um robô tenha inteligência específica de domínio (um robô em um hotel será treinado de forma muito diferente de um em um hospital), ele pode tomar decisões complexas para executar instruções de alto nível, como “realizar check-in de hóspedes rapidamente” ou “reabastecer o estoque de soro intravenoso até o fim do turno”.
Modelos comportamentais de grande escala são uma tecnologia menos conhecida. Eles são treinados com grandes conjuntos de comportamentos, assim como os modelos de linguagem são treinados com uma quantidade praticamente infinita de texto. Esses modelos ajudam os robôs a lidar com o fato de que o serviço em ambientes físicos é caótico. Bandejas inclinam, pisos ficam escorregadios, clientes entregam itens frágeis. Por isso, programar robôs para todas as contingências é impossível. Em vez disso, os desenvolvedores ensinam os robôs a aprender usando esses modelos para qualquer contexto necessário. São esses modelos que permitem, por exemplo, que veículos autônomos desviem de obstáculos como vans estacionadas em fila dupla.
Robôs com IA generativa utilizam câmeras, microfones e sensores para aprender observando humanos, fazendo perguntas e por tentativa e erro. Esse treinamento pode ser feito inicialmente no mundo real. Os robôs podem adquirir comportamentos observando algumas demonstrações (como pegar cuidadosamente uma taça de vinho) e depois testar milhões de microvariações de velocidade, pegada e trajetória, usando ambientes virtuais ou gêmeos digitais para aperfeiçoar sua abordagem. Esses comportamentos também podem ser transferidos entre contextos. Se um robô aprende a manusear um copo frágil em um café, elementos dessa habilidade podem ser aplicados ao manuseio de frascos em uma clínica ou de produtos delicados em uma boutique.
Outras tecnologias facilitam a capacidade de aprendizado dos robôs com IA generativa. Programação sem código e aprendizado em frota, por exemplo, tornam a implementação e as melhorias muito mais simples do que eram há uma década. No passado, qualquer ajuste em robôs exigia abrir um chamado para a equipe de TI ou solicitar a visita de um fornecedor. O treinamento sem código, possibilitado pela IA generativa, permite que funcionários da linha de frente ajustem o comportamento de um robô perguntando por que ele adotou determinada abordagem, descrevendo uma alternativa melhor e demonstrando fisicamente essa melhoria. Essa facilidade reduz o tempo de ciclo para melhorias operacionais de meses para dias. Essas capacidades transformam robôs em sistemas adaptativos que integram conversação, cognição e ação física em escala e de forma personalizada para cada cliente.
Considere os robôs em operação dentro da fábrica de montagem da BMW em Spartanburg, na Carolina do Sul. A indústria automotiva foi uma das primeiras a adotar robótica; fábricas utilizam braços robóticos simples para tarefas repetitivas, como soldagem por pontos, desde a década de 1980. Porém, em 2024, a BMW iniciou testes com o Figure 02, um robô humanoide que representa uma ruptura significativa em relação à automação industrial tradicional. Diferentemente dos robôs convencionais, ele pode se mover de forma autônoma pela fábrica usando seis câmeras integradas, interpretar o que vê e raciocinar sobre como os objetos devem ser utilizados, com base em uma ampla base de conhecimento automotivo e geral. Alimentado por modelos da OpenAI, ele escuta e processa a fala humana, infere intenções mesmo a partir de instruções vagas, faz perguntas para esclarecer dúvidas quando necessário e aprende com seus erros ao longo do tempo. Durante um período de 11 meses, o robô contribuiu para a produção de cerca de 30 mil veículos da BMW. Ele atuou como um par de mãos de alta precisão na área de carroceria, transportando e posicionando peças frágeis de metal e alinhando componentes para que os robôs de soldagem pudessem montar as estruturas dos carros. A BMW agora está avançando para o Figure 03, uma versão mais leve e alta, projetada para levar essas capacidades além do ambiente fabril. Em um vídeo promocional, o Figure 03 realiza tarefas como lavar louça, dobrar roupas, servir bebidas e brincar de buscar objetos, destacando como a IA generativa está ampliando o conjunto de funções que robôs podem desempenhar.
Como implementar robôs com IA generativa
Meu trabalho com empresas mostra que os usos mais promissores desses robôs envolvem tarefas de linha de frente e atividades voltadas para clientes e funcionários. Levar um robô para um ambiente de trabalho é mais complexo do que simplesmente tirar um dispositivo da caixa, porque muitos ambientes são imprevisíveis — garçons carregam bandejas, médicos e enfermeiros se deslocam rapidamente entre salas, entre outras situações. Para transformar potencial em desempenho, os líderes precisam selecionar cuidadosamente os casos de uso, comunicar a clientes e funcionários por que e como estão utilizando robôs e estabelecer diretrizes claras. Quatro etapas críticas, baseadas nas minhas observações em campo, podem orientá-los.
1.
Comece com casos de uso que abordem restrições de mão de obra. Robôs são mais eficazes quando aplicados a tarefas repetíveis e economicamente relevantes, que geram retornos mensuráveis. Muitos dos primeiros experimentos que observei envolveram funções em setores que enfrentam escassez crônica de trabalhadores. Isso faz sentido: os robôs reduzem não apenas custos, mas também a dificuldade de recrutar profissionais difíceis de encontrar. Depois de identificar as funções-alvo, comece analisando as tarefas específicas exigidas por esses cargos. Elas são repetitivas o suficiente para que um robô aprenda rapidamente? O retorno ao transferi-las para um robô é imediato em termos de velocidade, eficiência, consistência ou liberação de funcionários para atividades de maior valor?
Bons candidatos para experimentação incluem check-in e check-out em hotéis, modificação e entrega de pedidos em restaurantes de serviço rápido e logística em enfermarias hospitalares — ambientes onde há pressão constante sobre a capacidade da linha de frente e uma transferência operacional clara que o robô pode assumir.
Depois de escolher o caso de uso, projete o piloto de modo que os funcionários da linha de frente possam melhorar ativamente o desempenho no fluxo de trabalho. Um funcionário que perceba que o robô está executando uma sequência subótima deve conseguir explicar e demonstrar um método melhor sem precisar esperar semanas por uma atualização de software.
Quando bem executada, essa abordagem amplia ao longo do tempo o que os robôs podem fazer, melhora seu desempenho no domínio e torna sua implementação mais eficaz — ao mesmo tempo em que desloca funções da linha de frente para atividades mais qualificadas e alivia a escassez de mão de obra onde ela é mais crítica.
2.
Projete interações dos robôs para aceitação do cliente. A maior parte da resistência aos robôs começa no ponto de contato com o cliente, e não na tecnologia em si. Quiosques tradicionais, tecnologias de autoatendimento e bots baseados em scripts frequentemente obrigam os clientes a seguir sequências rígidas e pouco naturais. Isso é um problema de design, e robôs com modelos de linguagem ajudam a eliminar essa limitação. Clientes e funcionários podem falar naturalmente com eles e, de forma crucial, os robôs conseguem executar ações no ambiente físico.
Considere o check-in em hotéis. Um funcionário humano normalmente precisa navegar por vários sistemas — reservas, perfis de fidelidade, status da limpeza, pagamento e preferências — uma tela de cada vez. Um robô com IA generativa pode se conectar a esses sistemas em paralelo, reconciliar conflitos e entregar a chave do quarto em segundos enquanto interage e recepciona o hóspede. Para o cliente, a experiência se torna uma conversa eficiente e acolhedora — muitas vezes mais consistente do que o atendimento humano sob pressão.
Implantações iniciais mostram tanto o potencial quanto as limitações. No Henn na Hotel, em Tóquio, recepcionistas robóticos orientam os hóspedes em verificação de identidade, alocação de quartos e pagamento. A iniciativa ajudou com custos e escassez de mão de obra, mas nem tudo funcionou como planejado. Em alguns momentos, os robôs tiveram dificuldade com sotaques, ruído de fundo e solicitações inesperadas, às vezes aumentando, em vez de reduzir, a carga de trabalho da equipe.
Projetar para aceitação do cliente significa testar essas interações em ambientes reais com clientes reais, identificar onde surgem atritos e garantir que a competência conversacional do robô seja acompanhada por uma execução física confiável.
3.
Posicione os robôs como ampliadores de serviço, não como substitutos da força de trabalho. A forma como os robôs são introduzidos — e como seu papel é explicado — influencia fortemente a percepção das pessoas. A aceitação da IA varia conforme o perfil do público e o contexto, e muitos clientes ainda preferem interação humana em situações que exigem empatia, sensibilidade ou julgamento. Já os funcionários frequentemente temem perder seus empregos para a tecnologia.
Para lidar com essas preferências e preocupações, as empresas devem posicionar os robôs com IA generativa não como substitutos, mas como ferramentas que aumentam acessibilidade, velocidade e confiabilidade, liberando os humanos para focar em interações emocionalmente complexas, ambíguas ou de alto risco. Nas minhas observações, as implementações mais bem-sucedidas ocorrem onde a conveniência é prioridade para o cliente e o valor da automação é evidente.
As empresas também devem comunicar claramente o que o robô faz e como os clientes podem acessar suporte humano quando necessário. Em hospitais, por exemplo, os robôs podem explicar que tornam interações simples mais confortáveis e sem atrito e que acionam um humano ao atingir seus limites. No varejo, a presença visível de funcionários combinada com automação robótica nos bastidores ajuda a manter a experiência ancorada no contato humano.
Definir expectativas de forma honesta é essencial. Compartilhe com clientes e funcionários aquilo em que os robôs se destacam hoje — velocidade, consistência e confiabilidade em larga escala — e onde os humanos ainda são superiores, especialmente em situações que exigem empatia, criatividade ou resolução de problemas inéditos. Use evidências, não exageros. Métricas são mais persuasivas do que promessas abstratas: “Nosso tempo de espera caiu de seis minutos para 90 segundos” ou “Nossos enfermeiros caminham 3.000 passos a menos por turno e passam uma hora a mais com os pacientes”. Números assim demonstram como os robôs podem gerar ganhos para clientes e funcionários.
4.
Atualize continuamente as diretrizes de uso responsável. Quando empresas implementam robôs com IA generativa, aumentam as exigências relacionadas a ética, equidade e privacidade. Muitos robôs vêm equipados com câmeras e microfones, o que significa que podem digitalizar praticamente tudo que acontece em interações presenciais, salvo restrições legais. Somando isso às capacidades avançadas de linguagem, os robôs passam a ter potencial de persuasão. Isso pode ser útil para vendas, mas também pode ultrapassar limites se clientes forem analisados ou influenciados de maneiras não previstas. A situação se torna ainda mais sensível quando robôs tomam decisões de alocação ou precificação, como upgrades, check-in antecipado ou ofertas personalizadas, que podem gerar percepções de viés ou injustiça.
Implementações bem-sucedidas tratam robôs com IA generativa como sistemas em aprendizado contínuo, e não como produtos finalizados. As organizações precisam de mecanismos para observar como as pessoas realmente interagem com os robôs, identificar falhas e melhorar o desempenho de forma sistemática. Isso começa com a coleta de sinais definidos — como momentos em que usuários hesitam, repetem instruções ou corrigem o robô — e a transformação desses dados em melhorias práticas para supervisores e líderes operacionais.
Também existem riscos de aprendizado. Como esses robôs aprendem com interações, funcionários e clientes podem explorar vulnerabilidades. Sem salvaguardas, eles podem adquirir comportamentos indesejados. Já houve casos de robôs repetindo linguagem inadequada em hotéis e visitantes tentando interferir em robôs em museus por diversão. Ferramentas sem código e aprendizado em frota ampliam esses riscos: funcionários podem introduzir erros ou vieses sem intenção, e agentes mal-intencionados podem comprometer sistemas, com falhas se propagando rapidamente.
A melhoria deve ser deliberada e iterativa: testar mudanças, medir resultados, manter o que funciona e repetir o processo. Na prática, nenhuma implementação funciona perfeitamente no início, e o ajuste fino é essencial. Funcionários da linha de frente desempenham papel central nesse ciclo de aprendizado e devem ser apoiados como desenvolvedores cidadãos, com processos de microaprendizado, certificações e ferramentas sem código. Especialistas do domínio podem identificar falhas e ensinar abordagens melhores diretamente aos robôs, usando linguagem natural. Com o tempo, funções de supervisão evoluem de monitoramento de tarefas para orquestração de sistemas, revisando melhorias, garantindo protocolos de segurança e alinhando incentivos com qualidade, confiabilidade e resultados para o cliente — não apenas velocidade.
Ao mesmo tempo, o aprendizado deve ser limitado por uma governança robusta e responsabilidade digital corporativa. Como os robôs coletam dados sensíveis, a privacidade é essencial. E como operam em ambientes físicos, onde podem colidir com pessoas ou objetos, a segurança também é crítica. Movimentação cuidadosa, limpeza do ambiente e confiabilidade devem ser tratadas como requisitos inegociáveis, apoiados por análises de risco, geofencing, paradas de emergência e acordos claros de nível de serviço com fornecedores para manutenção e resposta a incidentes.
Nada disso significa que as empresas devem evitar robôs com IA generativa. Mas significa que segurança, proteção e design responsável precisam ser prioridades desde o início. Erros vão acontecer. Se a arquitetura, as políticas e os testes forem sólidos, esses erros terão muito menos chance de causar danos reais. Boas práticas garantem que, à medida que os robôs se tornam mais capazes, as organizações permaneçam responsáveis, ampliando a inovação sem comprometer a confiança.
Robôs com IA generativa oferecem um caminho prático para alcançar serviços eficientes em custo no mundo físico. Eles podem entregar consistência e personalização em escala, algo que historicamente sempre foi um ponto fraco dos serviços presenciais. No entanto, sua implementação é complexa e prolongada — e, por ocorrer no mundo real, envolve riscos maiores, falhas visíveis e preocupações relevantes com segurança física.
Embora a tecnologia ainda esteja em estágio inicial, projetos piloto já demonstram que robôs com IA generativa podem beneficiar empresas, funcionários e clientes. Ao seguir as etapas descritas, as organizações podem iniciar a adoção de forma estruturada e segura.
Fonte:
Uma versão deste artigo foi publicada na edição de maio-junho de 2026 do periódico Harvard Business Review. Traduzido pelo ChatGPT 5.
Sobre o autor:
Jochen Wirtz é professor de marketing e vice-diretor dos programas de MBA na NUS Business School da National University of Singapore.