Para lograr una economía circular completa para las baterías de vehículos eléctricos usadas, es esencial implementar un paso de desensamblaje. Dada la significativa diversidad de geometrías y diseños de baterías, se requiere un alto grado de flexibilidad para los procesos de desensamblaje automatizados. La incorporación de la interacción humano-robot proporciona un valioso grado de flexibilidad en el flujo de trabajo del proceso. Sin embargo, el comportamiento humano se caracteriza por un tiempo impredecible y duraciones de tareas variables, lo que añade una considerable complejidad a la planificación del proceso. Por lo tanto, es crucial desarrollar una estrategia robusta para coordinar las tareas humanas y robóticas para gestionar de manera eficiente la programación de las actividades de producción. Este estudio propone un enfoque de optimización global para la programación de actividades de producción, que emplea un algoritmo genético con el objetivo de minimizar el tiempo total de producción mientras se reduce simultáneamente el tiempo de inactividad tanto del operador humano como del robot. El enfoque propuesto se ocupa de optimizar la secuenciación de las tareas de desensamblaje, considerando tanto las restricciones temporales como las de exclusión, para garantizar que las tareas consideradas peligrosas no se ejecuten en presencia de un humano. Este enfoque se basa en un marco de adaptación de dos niveles desarrollado en RoboDK (Robot Development Kit, v5.4.3.22231, 2022, RoboDK Inc., Montréal, QC Canadá). En el primer nivel, se realiza una optimización fuera de línea utilizando un algoritmo genético para determinar la estrategia óptima de secuenciación de tareas. Esta etapa anticipa el comportamiento humano al proponer secuencias de desensamblaje alineadas con la disponibilidad humana esperada. En el segundo nivel, un ajuste reactivo en línea refina el plan en tiempo real, adaptándolo a las intervenciones humanas reales y compensando las desviaciones de las previsiones iniciales. La efectividad de esta estrategia de optimización global se evalúa en comparación con un enfoque no global, en el que el problema se divide en subproblemas independientes que se resuelven por separado y luego se integran. Los resultados demuestran la eficacia del enfoque propuesto en comparación con un enfoque no global, particularmente en escenarios donde los humanos llegan antes de lo anticipado.