Modelos VLA: a que distância está o «fale com o robô e ele despacha» do piso do armazém?

Os modelos VLA — Vision-Language-Action (visão-linguagem-ação) — já conseguem receber uma instrução falada como «leve aquele palete para a Zona B», observar a cena e montar os movimentos por conta própria. Meu veredito, de cara: a tecnologia funciona em princípio, mas faltam pelo menos três obstáculos para ela movimentar volume real de armazém: conformidade de segurança, precisão do tempo de ciclo e custo total de propriedade. Não esperem que ela substitua sua lógica de despacho antes de 2027. Mas coloquem-na no radar tecnológico desde já, porque a primeira coisa que ela reescreve não é o algoritmo de programação — é a interface entre humanos e máquinas.

O que é VLA de verdade, em uma frase

Um AMR convencional funciona com ordens de trabalho: o WMS diz «vá ao ponto A, colete, entregue ao ponto B», e o robô segue um roteiro fixo. Incline um palete no caminho dele e ele congela. Um modelo VLA injeta a imagem da câmera e a instrução em linguagem natural em um único modelo grande, que produz diretamente a sequência de ações. Em uma frase: os robôs de ontem executavam um roteiro; VLA permite que eles leiam a situação, entendam a linguagem do dia a dia e improvisem.

Isto já não é um conceito de pesquisa. A Figure lançou o Helix em fevereiro de 2025, o Google DeepMind tem sua linha RT, a Physical Intelligence tem o π0 — todos VLA. A Amazon vem pilotando o humanoide Digit da Agility para manuseio de caixas em seus centros de distribuição desde 2023, e os robôs da Figure fizeram pilotos de movimentação de materiais na fábrica americana da BMW em 2024. Tratem os detalhes de cada fornecedor como «conforme seus materiais mais recentes», mas o sinal é inequívoco: capital sério está apostando em visão mais linguagem mais ação em um único modelo.

Este filme eu já vi três vezes

Mais de trinta go-lives ensinam o padrão. Primeiro ato: os AGVs, há uma década. A demo do fornecedor rodava macia, o cliente assinou na hora — e na primeira semana uma junta de piso de cinco centímetros parou a frota inteira. O salão de demonstração tinha piso epóxi; o armazém tinha concreto de vinte anos. Segundo ato: a onda de euforia dos AMR. Um dono de 3PL voltou de uma feira exigindo «apagar todas as luzes». Três perguntas o pararam: quem cobre as quedas de roaming de Wi-Fi, quem responde quando um robô bloqueia uma rota de fuga de incêndio, e o que acontece com as filas de carregamento quando o volume de pico triplica. Terceiro ato: a coleta por visão. 99% de reconhecimento no laboratório, 80% no piso do cliente assim que os SKUs mudaram e a luz caiu — e o tempo takt desmoronou.

VLA agora está rodando o mesmo roteiro pela quarta vez. Na demo, um operador diz «ponha a caixa vermelha no transportador» e o robô executa com leveza. Num armazém de verdade, a caixa está mal fechada com fita, metade da etiqueta foi raspada por uma empilhadeira e um paleteiro entra no corredor no meio da tarefa. As demos respondem «ele consegue». Os go-lives respondem «ele consegue, todo dia, às 2 da manhã, em dezembro». Já vi essa armadilha três vezes. VLA não tem isenção.

Três cenários de armazém onde VLA pode pousar primeiro

Fora do barulho, três casos de uso têm uma chance genuína de pousar primeiro:

1. Despacho por voz para AMRs: a reatribuição em uma frase. O fluxo de exceção de hoje é: detectar o problema, avisar pelo rádio, um despachador edita a tarefa no sistema, redespacha. Cadeia longa, fácil de distorcer. A versão VLA: um supervisor fala num terminal — «Unidade 3, pule o corredor C, tem água no piso, desvie pelo corredor D» — e o robô entende e replaneja sozinho. Isto não substitui o sistema de despacho; entrega ao modelo o último trecho da tradução das instruções do WMS. O ganho não são alguns segundos — é a resposta a exceções caindo de minutos para segundos.

2. Treinamento de coleta: os temporários aprendem com o robô. Treinar temporários na alta temporada é o pesadelo de todo armazém. Um dos meus clientes contratou 40 temporários para o pico e queimou duas semanas inteiras de capacidade em treinamento e correção de erros. Um robô VLA pode narrar enquanto trabalha — anunciando o SKU e a quantidade em cada posição, corrigindo erros na hora. Cada novato ganha um mentor incansável.

3. Exceções em ciclo fechado: quando trava, ele pede ajuda. Hoje um robô travado é um robô morto até alguém caminhar até ele — paradas de dez minutos são rotina. Um robô VLA pode descrever sua própria situação: «estou bloqueado por um palete vazio caído, há passagem livre dois metros à minha esquerda». Um humano remoto responde «contorne pela esquerda», e ele se move. O tempo parado passa de «esperar uma pessoa» para «uma frase».

A lista de verificação da véspera do go-live: cinco testes de prontidão

Se um fornecedor disser hoje que seu robô VLA está pronto para o armazém, peguem minha lista de go-live e avaliem cada item de 0 a 2. Abaixo de 8 em 10, nem falem de pilotos:

1. Cerca de segurança (2 pts): há uma camada de restrição dura independente do modelo? Modelos grandes alucinam. Se ele interpretar mal uma instrução e for em direção a uma estante, há um e-stop separado e uma cerca eletrônica? Falhar aqui e o resto não importa — é a primeira pergunta que a OSHA e sua seguradora vão fazer.
2. Orçamento de latência (2 pts): da palavra falada ao movimento do robô, qual é o atraso de ponta a ponta? A inferência na nuvem leva de centenas de milissegundos a segundos; o desvio de obstáculos de um AMR exige resposta em milissegundos. Perguntem direto: a inferência roda no dispositivo ou na nuvem? Se a rede cair, o robô para ou se degrada com elegância?
3. Plano B para exceções (2 pts): o que acontece quando o modelo não tem certeza — ele para e espera, ou «chuta» e continua? Num armazém, um chute errado pode significar um módulo de estante destruído. Vocês precisam de um limiar de confiança mais uma cadeia de intervenção humana, escrita no SOP.
4. A conta do custo (2 pts): qual é o prêmio por unidade? Não parem no preço da etiqueta quando calcularem o TCO: a computação (chips de borda ou taxas de inferência na nuvem), a adequação da rede e o custo oculto de manter uma versão do modelo. Já vi projetos demais morrerem no «dava para comprar, mas não para operar».
5. O ciclo de dados (2 pts): quando o modelo erra no seu prédio, esse erro vira uma lição que ele não vai repetir? Há feedback de dados de campo e ajuste fino contínuo? Inteligência sem ciclo atinge o pico no primeiro dia.

A aposta contraintuitiva: VLA substitui o rádio, não o despachador

Todo mundo pergunta se VLA tira o emprego dos despachadores. Minha aposta é o oposto: o primeiro trabalho de VLA no armazém é eliminar a camada de tradução entre humanos e máquinas, não os humanos. O valor real de um despachador nunca foi clicar em «atribuir tarefa» — é o julgamento durante as exceções. VLA automatiza a etapa de converter o julgamento em instruções para máquinas, então um despachador cobre uma frota maior: vinte AMRs por pessoa viram sessenta, porque o trabalho de «retransmitir mensagens» foi engolido pela interação por voz.

Há um dilema que vale a pena ponderar: a generalidade de VLA e a necessidade de determinismo do armazém puxam em direções opostas. Quanto mais geral o modelo, menos previsível seu comportamento; o armazém exige «mesma instrução, mesmo movimento, todas e cada vez». Então a arquitetura realista para os próximos anos é híbrida — VLA cuida da compreensão e do planejamento, o controle determinístico testado em batalha cuida da execução. VLA puro de ponta a ponta em escala de armazém? Eu não apostaria nisso antes de 2030.

Uma linha do tempo para donos de armazém: o que fazer agora

Minha linha do tempo (baseada no progresso público dos pilotos; tratem os detalhes de cada fornecedor como «conforme seus materiais mais recentes»):

• Agora até 2027: pilotos cercados. Tarefas de baixo risco como triagem e manuseio simples de materiais, supervisionadas, em lotes pequenos. Falem de PoC, não assinem grandes contratos.
• 2027–2029: tarefas limitadas em pequena escala. Trabalhos fixos dentro da cerca de segurança, com os primeiros dados reais de ROI. Esta é a janela para avaliar uma compra a sério.
• Por volta de 2030: observem a curva de custos. A computação de borda fica barata o suficiente, um ou dois clientes farol rodam um ano inteiro sem incidentes — aí falamos de escala.

Três coisas que vocês podem fazer agora mesmo, em ordem de prioridade:

1. Coloquem VLA no radar tecnológico e revisem-no a cada trimestre. Sem orçamento necessário — designem alguém para acompanhar o progresso público de Figure, Agility e Physical Intelligence.
2. Consertem primeiro sua cadeia de resposta a exceções. VLA amplifica sua capacidade de processo; não a substitui. Um armazém onde o rádio não é atendido não ganha nada com um robô falante.
3. Delimitem qualquer PoC a cenários de exceção, não à substituição de mão de obra. Façam o fornecedor pilotar na sua exceção mais dolorosa — digamos, as paradas do turno da noite — e meçam «horas de parada reduzidas». Esse é o único número de ROI que se sustenta.

A tecnologia vai chegar atrasada, mas não vai faltar. VLA ainda está a distância do piso do armazém, mas a direção está certa — veredito primeiro: não corram atrás do barulho, mas também não percam a chamada de embarque.

Por Lin Xiao, Consultor de Implementação WMS Traduzido do inglês. Em caso de divergência, prevalece a versão em inglês.