Robô com IA do Google separa peças com 96% de acerto numa fábrica real da Mercedes

Um robô humanoide controlado por um modelo de inteligência artificial do Google DeepMind acertou 96% das vezes ao separar peças metálicas numa linha de montagem real da Mercedes-Benz. O resultado foi divulgado pelo laboratório em 10 de novembro de 2026 e relatado pelo site The Decoder (the-decoder.com, 10 nov. 2026).

O modelo se chama Gemini Robotics 2.5. É um VLA, sigla em inglês para modelo de visão, linguagem e ação: ele lê o que uma câmera enxerga, entende uma instrução dada em linguagem comum e transforma isso em movimento de braço e mão. A versão 2.5 é sucessora de um modelo apresentado no início de 2026, que já dava a robôs controle de corpo inteiro pela primeira vez.

O que o modelo faz de diferente da versão anterior

Segundo o Google DeepMind, o Gemini Robotics 2.5 foi testado em mais de 200 tarefas, de servir comida com pinça a pipetar líquido em laboratório. Comparado às versões anteriores da própria empresa, ele acerta de 30% a 100% mais, dependendo do tipo de tarefa, e completa o trabalho de 20% a 30% mais rápido.

O modelo foi desenhado para funcionar em robôs diferentes. Um deles é o Apollo 2, humanoide da Apptronik, que tem mão de cinco dedos com 22 graus de liberdade (o número de eixos e articulações que a mão consegue mover de forma independente). O outro é a plataforma Franka Duo, que usa garra de duas pontas, mais simples, comum em braços robóticos industriais.

O teste que importa: separar peça de verdade numa linha que não para

O piloto aconteceu em duas fábricas da Mercedes-Benz que seguem operando normalmente: Kecskemét, na Hungria, e Sindelfingen, na Alemanha. A tarefa do Apollo 2 foi o que a indústria chama de kitting: pegar peças metálicas de caixas a granel e organizar numa bandeja, na sequência exata que cada carro específico da linha vai precisar.

Dois modelos trabalharam em conjunto. O Gemini Robotics ER ficou responsável por monitorar o fluxo de trabalho, enquanto o Gemini Robotics 2.5 controlou as mãos e os braços do robô. Juntos, alcançaram 96% de sucesso na tarefa, segundo o Google DeepMind.

O CEO da Apptronik, Jeff Cardenas, disse que os modelos melhoraram de forma significativa poucas semanas depois do treino adicional feito já em contexto de fábrica (o que a empresa chama de pós-treinamento) e que a transição para a produção real da Mercedes aconteceu com perda mínima de desempenho em relação ao ambiente de teste.

Para quem decide automação no chão de fábrica, o ponto central não é só o número 96%. É o fato de o teste ter saído do laboratório e rodado em linha ativa, com peça real e carro real saindo no fim. É o tipo de prova que normalmente falta quando um fornecedor apresenta robô humanoide: a maioria dos resultados divulgados até aqui vem de demonstração controlada, não de produção em curso.

Segurança perto de gente e de máquina: o que pesa pra quem segue a NR-12

O Google DeepMind afirma que o Gemini Robotics 2.5 usa controle em tempo real para o robô evitar riscos físicos durante a tarefa. Nas avaliações internas da empresa, a conclusão segura de tarefas melhorou 33% perto de obstáculos e 43% perto de pessoas, na comparação com a versão anterior do modelo.

A empresa também publicou um benchmark aberto chamado ASIMOV-Jailbreak, disponível na plataforma Hugging Face. Ele reúne centenas de comandos que disfarçam pedidos perigosos dentro de dezenas de cenas, para testar se um modelo de robótica pode ser enganado e levado a executar uma ação arriscada. Segundo o Google DeepMind, o modelo de linguagem Gemini 4 Argon resiste a 99,5% dessas tentativas de jailbreak (quando alguém tenta burlar as travas de segurança de um sistema de IA), contra 82% do modelo anterior, o Gemini Robotics ER 2.

Esses números são métricas internas do próprio Google DeepMind, aplicadas em cenário simulado de jailbreak, e não substituem a avaliação de risco que a NR-12 exige para qualquer máquina ou robô que opere perto de trabalhador em fábrica brasileira. Antes de levar um piloto como esse para uma planta no Brasil, a análise de risco local, o laudo de conformidade e a adequação da célula de trabalho continuam sendo etapa obrigatória, independente do que o fornecedor reporta em teste próprio.

Como o Google treinou o robô sem precisar parar a linha pra testar tudo

Uma parte do trabalho de treino não aconteceu com o robô físico. O Google DeepMind usou seu próprio modelo de linguagem, o Gemini 4 Argon, como motor de simulação: a partir de uma cena real captada por câmera, o Argon gera milhares de execuções de treino simuladas e cria um gêmeo digital do ambiente.

Essa simulação, somada a demonstrações reais gravadas na própria fábrica, ajuda o robô a generalizar mais rápido para cenas e objetos que não viu antes. O Argon também consegue olhar gravações de vídeo, levantar hipótese sobre a causa de um erro e testar a correção primeiro em simulação, antes de aplicar no robô de verdade.

Para quem planeja um piloto de automação, essa etapa de simulação é o que reduz o risco de parar a linha para testar ajuste de modelo. Na prática, o grosso do treino e do ajuste fino acontece fora do chão de fábrica, e só a validação final roda em produção.

O que ainda não está respondido

O Gemini Robotics 2.5 está sendo distribuído para os parceiros Agile, Apptronik e Mercedes-Benz, segundo o Google DeepMind. A empresa não divulgou custo do robô Apollo 2, tempo de ciclo comparado a um operador humano na mesma tarefa de kitting, nem prazo de retorno do investimento.

Também não há, até o momento, qualquer piloto anunciado para planta no Brasil. E o número de 96% de acerto foi reportado pelo próprio Google DeepMind, sem auditoria independente divulgada publicamente. Para o gestor de fábrica que avalia humanoide como opção de automação, isso significa tratar o resultado como indicação de maturidade técnica, não como dado pronto para entrar numa planilha de payback.

Fonte: The Decoder