OpenAI redistribui equipe de robótica apostando que IA generalista pode controlar robôs

A OpenAI esvaziou o time que criou para dar robôs ao ChatGPT

A OpenAI reorganizou nesta semana sua equipe de robótica, segundo reportagem da Fortune citada pelo site The Decoder em 14 de novembro de 2026. Os pesquisadores de robótica foram movidos para o time principal de pesquisa, sob o diretor de pesquisa Mark Chen, enquanto as equipes de robótica aplicada e hardware passaram para a área de Aplicados comandada por Greg Brockman.

A decisão foi tomada tão em cima da hora que a empresa já tinha reservado um estande na Conference on Robot Learning (CoRL), em Austin, que acabou ficando vazio no evento. Não se trata de a OpenAI abandonar robótica: a aposta, segundo a reportagem, é que modelos de propósito geral (sistemas de IA treinados para várias tarefas, não só para controlar um robô específico) como o GPT-6 Astra já conseguem controlar robôs diretamente, o que reduziria a necessidade de modelos especializados de robótica treinados do zero para cada tarefa.

Os números por trás da aposta ainda são iniciais

Um estudo da Nvidia citado pelo The Decoder mostrou um agente rodando sobre o Astra atingindo 74,8% de taxa de sucesso em tarefas de robótica simuladas, contra 51% do melhor modelo especializado testado. É importante notar que os testes usaram um robô DROID simulado, não um robô físico.

Um benchmark novo, batizado de StationeryBench, comparou o GPT-6 Astra com o MolmoAct2 (da Ai2) em cinco tarefas envolvendo objetos de mesa, usando braços robóticos de dois braços YAM. Em 200 tentativas:

• O Astra completou integralmente 7 de 100 tarefas.
• O MolmoAct2 não completou nenhuma.
• A pontuação média de progresso foi 46 para o Astra e 12 para o MolmoAct2.

Em outro teste, o Astra rodando num robô humanoide navegou por uma cozinha e fez a limpeza do ambiente. São resultados que mostram avanço, mas também mostram o tamanho do caminho: 7% de conclusão total em tarefas simples de mesa está longe do que se espera de uma linha de produção ou de um robô doméstico funcional.

Ainda não dá para saber o quanto de dado de robô entrou no treino

Não está claro, segundo o próprio The Decoder, quanta informação de robótica a OpenAI (e outras empresas) incorporou no treinamento desses modelos generalistas. Anthropic e Google também registraram avanços recentes em tarefas de robótica com seus modelos de uso geral, o que sugere que a disputa não é exclusiva da OpenAI.

Modelos especializados ainda podem levar vantagem em custo, confiabilidade, velocidade de resposta e consumo de energia, mesmo generalizando pior para tarefas novas. São exatamente os quatro critérios que mais pesam quando alguém decide colocar um modelo de IA para controlar um equipamento físico em produção.

Yoav Artzi, pesquisador de IA na Cornell University e no Google DeepMind, avalia o Astra como um salto relevante em entendimento espacial. Segundo ele, no benchmark ainda não publicado REMAP o modelo chega perto da precisão humana, e a suspeita é que a OpenAI tenha usado grandes volumes de dados de treino em 3D, como cenas geradas no Blender, para chegar a esse resultado.

Uma aposta que a própria OpenAI já tinha feito, e desfeito, antes

Esse não é o primeiro ciclo de robótica na OpenAI. A empresa fechou sua divisão original de robótica em 2020, segundo o cofundador Wojciech Zaremba, porque faltavam dados de treinamento suficientes e porque modelos de linguagem pareciam um caminho mais rápido rumo à inteligência artificial geral. O time foi reconstruído em 2024.

O CEO Sam Altman estaria mirando uma primeira demonstração pública de robô para 2027, com o plano de longo prazo de a OpenAI construir seus próprios robôs de uso doméstico. Ao mesmo tempo, a empresa enfrenta pressão financeira para concentrar esforços no negócio principal de IA, área em que perdeu espaço para a Anthropic nos últimos meses.

O que muda para quem constrói automação no Brasil

Até aqui, quem queria automatizar um braço robótico, uma esteira ou um robô móvel geralmente dependia de modelos especializados de visão e controle, os chamados VLA (vision-language-action), que exigem coleta de dados do próprio ambiente e um ciclo de fine-tuning específico para cada robô e cada tarefa. É um processo caro em dados, tempo de engenharia e manutenção.

A aposta da OpenAI, e o movimento de reorganização interna que ela fez, sinalizam uma hipótese diferente: que um modelo generalista multimodal, já treinado em escala para entender linguagem, imagem e espaço, pode receber instruções em linguagem natural e controlar o robô sem esse pipeline dedicado. Se isso se confirmar em produção, equipes de automação no Brasil poderiam, em teoria, poupar parte do investimento em coleta de dados e treino de modelos de controle próprios.

Na prática, porém, os números do próprio material ainda pedem cautela. Um agente que completa 7% das tarefas de ponta a ponta, mesmo que com progresso parcial relevante, não é algo que uma linha de produção ou uma rede de varejo pode colocar no chão de fábrica hoje. Além disso, rodar um modelo generalista grande a cada ciclo de controle físico traz custo de inferência e latência que um modelo especializado, menor e rodando localmente, costuma resolver melhor, justamente os pontos que o próprio The Decoder aponta como vantagem ainda viva dos modelos especializados.

Para quem decide onde investir em automação por aqui, o sinal prático é: acompanhar benchmarks como o StationeryBench e o REMAP antes de apostar created a infraestrutura em um ou outro caminho, e tratar a promessa de "um modelo para tudo" como hipótese em teste, não como substituto pronto para os sistemas especializados que já funcionam em produção.

Fonte: The Decoder