IA physique : au-delà des robots
L’IA physique ne se limite pas aux robots humanoïdes. Découvrez les briques à reconstruire, les usages industriels et les enjeux d’investissement en Europe.
L'IA physique ne se résume pas aux robots humanoïdes
Un robot qui danse ou une machine capable de répondre à une consigne en langage courant attire vite l'attention. Le problème, c'est que ces démonstrations en disent parfois peu sur la réalité du terrain : travailler huit heures par jour dans une usine, manipuler des objets fragiles, ou s'intégrer à une ligne déjà en place.
C'est précisément le décalage que souligne Amulya Vishwanath, ancienne responsable du marketing produit des plateformes robotiques de NVIDIA et fondatrice de Techable VC. D'après elle, la robotique en est encore à sa phase de construction : actionneurs, mains robotiques, logiciels et normes de sécurité restent à consolider. À ce rythme-là, l'idée d'un modèle généraliste qui provoquerait bientôt un « moment ChatGPT » dans la robotique lui paraît trop tôt.
Cette lecture élargit aussi le périmètre de l'IA physique. On parle bien sûr de robots, mais aussi de molécules, de matériaux, de médicaments et de machines industrielles. Pour des entreprises européennes, l'enjeu n'est pas de deviner quel robot impressionnera le plus en vidéo. L'enjeu, c'est de repérer les briques qui manquent, de choisir les tâches où l'automatisation répond vraiment à un problème concret, et de savoir comment mesurer le retour sur investissement.
L'IA physique dépasse la robotique
Quand on dit « IA physique », on pense souvent à un robot qui se déplace dans un entrepôt ou à un humanoïde avec des mains articulées. Oui, c'est une partie du sujet. Mais ce n'est pas toute la définition. Dans un entretien pour le podcast Equity de TechCrunch, Amulya Vishwanath inclut aussi dans ce champ une molécule, un matériau, un médicament ou une machine déployée sur une ligne de production.
Le point commun n'est pas la forme de l'objet. C'est l'interaction entre un système « intelligent » et un environnement réel. L'IA peut aider à concevoir, choisir, contrôler ou manipuler quelque chose qui a des propriétés physiques, avec des effets concrets dans le monde.
Du modèle numérique à l'action dans le monde réel
Un assistant conversationnel peut proposer une réponse fausse ; dans la plupart des cas, le dommage se limite à une information erronée, même si certaines décisions peuvent quand même coûter cher. Un système physique, lui, peut faire tomber une pièce, abîmer une machine, contaminer un lot ou mettre en danger des personnes.
Il doit donc percevoir son environnement, agir dans des conditions qui varient, et gérer les situations qui ne se passent pas comme prévu.
Au final, les exigences changent. Il ne suffit pas qu'un modèle soit bon sur un test de reconnaissance d'image. Il faut aussi que l'ensemble tienne dans la durée, avec des capteurs, du logiciel, du matériel, des procédures et des opérateurs, et que tout cela fonctionne dans le contexte de l'entreprise.
Dans une usine française, par exemple, un outil de vision par ordinateur peut repérer des défauts sur une pièce. Mais son intérêt dépend aussi de la cadence, de la variation d'éclairage, du taux de faux positifs, de la capacité à agir vite quand un défaut est détecté, et de la manière dont l'outil s'insère dans la chaîne de production. La performance du modèle n'est qu'un morceau du résultat.
Matières, médicaments et machines
En élargissant la définition, Vishwanath donne aussi aux entreprises une grille de lecture plus utile : l'innovation ne se limite pas à ce que l'on voit à l'écran. L'IA physique peut intervenir en amont, dans la recherche de matériaux ou de molécules, et en aval, dans la fabrication ou la manipulation d'objets.
Dans les sciences de la vie, des outils d'IA peuvent aider à explorer des hypothèses ou à accélérer certaines étapes. Dans les matériaux, ils peuvent aider à évaluer des combinaisons et des propriétés. Dans l'industrie, ils peuvent surveiller un processus, ajuster une opération ou assister un opérateur.
Bien sûr, cela ne veut pas dire que l'IA remplace la validation scientifique, l'expertise métier ou les essais physiques. L'idée est plus simple : le champ d'application dépasse largement la robotique mobile.
C'est aussi un point important pour les investisseurs. Une entreprise peut développer une activité solide en IA physique sans vendre un humanoïde. Elle peut se concentrer sur un composant, un logiciel de contrôle, un outil de simulation ou un système spécialisé pour une tâche donnée.
Pourquoi la robotique est encore dans son « ère des Lego »
L'image des Lego décrit un secteur où les éléments doivent encore être rendus compatibles, fiables et suffisamment accessibles pour qu'on puisse bâtir des solutions réutilisables. Elle s'oppose à l'idée qu'un modèle généraliste suffirait, à lui seul, à rendre une grande partie du travail spécialisé en robotique rapidement obsolète.
Un modèle plus performant peut aider un robot à comprendre une consigne ou à s'adapter à une situation nouvelle. Mais il ne règle pas, automatiquement, les questions de mécanique, de précision, de coût, de sécurité et de maintenance. En conditions réelles, ce sont ces contraintes qui décident souvent si le produit peut être déployé... ou s'il reste cantonné au rôle de démonstration.
Des briques matérielles et logicielles à fiabiliser
Un robot s'appuie sur beaucoup d'éléments : actionneurs pour produire le mouvement, capteurs pour percevoir l'environnement, mains ou outils adaptés à la tâche, logiciel de commande, alimentation et dispositifs de sécurité. Si une brique coûte trop cher, s'abîme facilement ou s'entretient mal, l'ensemble peut perdre son intérêt économique.
La dextérité montre bien le problème. Attraper une pièce toujours identique, au même endroit, n'a rien à voir avec saisir des objets de formes variées dans un environnement encombré. Dans le second cas, il faut gérer plus d'incertitude, et cela peut demander du matériel plus complexe, des capteurs supplémentaires et des procédures pour récupérer après un échec.
Il faut aussi penser à la durée de vie et au support. Une solution en usine ne se juge pas uniquement sur sa capacité à réussir en laboratoire. Les équipes doivent savoir comment réagir en cas d'arrêt, d'erreur de détection ou de pièce défectueuse. Les temps d'indisponibilité ont un coût direct.
La sécurité n'est pas un détail qu'on ajoute à la fin
Les normes et la sécurité font partie des fondations du secteur, comme le rappelle Vishwanath. Ce n'est pas une formalité qu'on traiterait après coup. Elles influencent la conception, les tests, les modes d'utilisation et la façon dont les humains et les machines partagent un espace de travail.
Pour un déploiement en Europe, il faut aussi regarder les responsabilités, la protection des données quand des capteurs enregistrent des personnes ou des zones, et les obligations réglementaires liées au système. Le RGPD ne suffit pas à lui seul à couvrir la sécurité des machines, mais il devient central dès que des données personnelles sont collectées ou traitées. L'entreprise doit donc distinguer les risques au lieu de tout regrouper sous le terme vague de « conformité ».
La leçon est simple : l'innovation matérielle et l'intégration opérationnelle doivent progresser ensemble. Une fonction impressionnante, mais inutilisable en sécurité dans le contexte visé, n'est pas encore une capacité vendable.
Où se trouvent les occasions d'affaires concrètes
Vishwanath suit, via Techable VC, des entreprises d'IA physique dans la robotique, les matériaux et les sciences de la vie. Le fil rouge, c'est la résolution de problèmes importants, surtout quand recruter est difficile ou quand les professionnels sont déjà au bout du rouleau.
Cette façon de regarder change la question de départ. Plutôt que de demander « Quel robot peut-on construire ? », une équipe devrait d'abord se demander : « Quelle tâche coûte cher, est difficile à maintenir ou devient impossible avec les ressources actuelles ? ». Ce n'est pas seulement une nuance de méthode : ça influe aussi sur le modèle économique.
Partir du problème, pas du robot
Une petite structure peut manquer de personnel pour assurer des opérations répétitives ou pénibles. Un établissement de santé peut chercher à réduire la charge de tâches logistiques ou administratives. Un fabricant peut vouloir repérer plus tôt des défauts coûteux. Dans chaque cas, il faut vérifier si l'automatisation répond vraiment au besoin, ou si une modification du processus, un nouvel outil logiciel, ou une meilleure organisation suffiraient.
Un cadrage pragmatique peut passer par quatre étapes :
- Décrire la tâche : fréquence, durée, variabilité, environnement et conséquences d'une erreur.
- Mesurer le coût actuel : temps humain, arrêts, rebuts, retards et difficultés de recrutement.
- Définir le niveau d'autonomie utile : assistance à un opérateur, automatisation d'une étape ou fonctionnement sans intervention.
- Tester sur un périmètre limité : vérifier les performances dans les conditions réelles avant d'étendre le déploiement.
Cette approche évite de confondre faisabilité technique et valeur commerciale. Une tâche automatisable n'est pas forcément rentable. Si elle est rare, très variable ou peu coûteuse à faire manuellement, le matériel et l'intégration peuvent revenir plus cher que le problème qu'elle résout.
L'automatisation « consciente » comme principe de conception
Dans l'entretien, l'expression « conscious automation » (automatisation consciente) apparaît comme un sujet de discussion. Dans ce cadre, on peut la voir comme une invitation à réfléchir aux effets de l'automatisation : quelle part du travail revient à la machine, quel rôle garde l'humain, et comment sont réparties les responsabilités. Le texte source ne donne pas de définition technique précise, donc il vaut mieux ne pas la traiter comme un concept standardisé.
Sur le terrain, cela se traduit par des choix concrets. L'opérateur doit-il pouvoir reprendre la main ? Le système doit-il signaler son niveau d'incertitude ? Que se passe-t-il quand il ne reconnaît pas la situation ? Comment l'entreprise suit-elle les erreurs et les incidents ?
Automatiser ne veut pas dire forcément supprimer un poste. Ça peut réduire une activité pénible, assister un professionnel ou déplacer le travail vers la supervision et la maintenance. Mais ces gains ne tombent pas automatiquement : il faut organiser la formation, les procédures et l'évolution des rôles. C'est particulièrement important dans des secteurs où l'expertise humaine reste indispensable, comme la santé ou certains environnements industriels.
Investir dans l'IA physique : les critères qui comptent
Amulya Vishwanath décrit aussi son expérience de fondatrice et d'investisseuse, après sept ans à diriger le marketing produit des plateformes robotiques de NVIDIA. Elle explique vouloir que les fondateurs voient l'investisseur en capital-risque comme un vrai avantage concurrentiel, et elle évoque le réseau qu'elle a acquis chez NVIDIA pour la diligence et les mises en relation avec des clients.
Pour elle, l'apport financier ne suffit pas. Dans un secteur où le matériel, les cycles de vente et l'intégration client peuvent être lourds, l'accès à des partenaires, à des clients pilotes et à une expertise sectorielle peut aider une jeune entreprise à apprendre plus vite. Mais un réseau ne remplace ni la qualité du produit, ni la preuve qu'il répond à un besoin solvable.
Examiner l'avantage opérationnel, pas seulement la démonstration
Pour évaluer une jeune entreprise d'IA physique, investisseurs et acheteurs peuvent regarder plusieurs points :
- Le problème est-il prioritaire ? Un enjeu de recrutement ou de sécurité peut peser plus lourd qu'un simple confort en plus.
- Le système fonctionne-t-il hors laboratoire ? Les tests doivent couvrir les variations de matériaux, d'éclairage, de cadence et d'environnement propres au client.
- Le déploiement est-il répétable ? Une solution qui demande une intégration entièrement sur mesure à chaque site risque d'avancer lentement.
- Les économies sont-elles mesurables ? Il faut comparer le coût total - matériel, logiciel, installation, maintenance, formation - aux gains réellement constatés.
- La sécurité et la responsabilité sont-elles traitées ? Une approche crédible prévoit les limites du système et les procédures à suivre en cas d'incident.
Ce cadre ne garantit pas le succès. Il permet surtout de distinguer une démonstration convaincante d'un produit qui peut être acheté, installé et maintenu.
États-Unis, Chine et Europe : comparer les conditions, pas les slogans
L'entretien aborde aussi les positions des États-Unis et de la Chine, ainsi que la place des robots humanoïdes. Le résumé disponible ne précise pas comment Vishwanath répartit exactement les avantages ; il serait donc hasardeux d'en tirer une conclusion trop détaillée. Pour une entreprise européenne, la bonne approche consiste plutôt à comparer des éléments concrets : composants disponibles, talents, accès au capital, coûts de production, réglementation et proximité des clients.
L'Europe peut trouver des occasions dans ses secteurs industriels, ses compétences d'ingénierie et ses besoins de modernisation. Mais ces atouts doivent se traduire en produits déployables et en ventes répétables. Les aides publiques, notamment via Bpifrance, peuvent financer l'innovation ; elles ne remplacent pas la validation par les clients ni la maîtrise des coûts.
Quant aux humanoïdes, la vraie question n'est pas de savoir s'ils peuvent danser ou se déplacer dans une vidéo. La question est de savoir s'ils accomplissent une tâche suffisamment utile, sûre et fréquente pour justifier leur coût. Un robot spécialisé, moins spectaculaire mais fiable sur une opération précise, peut très bien avoir une valeur économique supérieure.
Conclusion : financer les briques qui rendent l'usage possible
L'IA physique n'a pas forcément un « moment ChatGPT » à la même échelle : un modèle unique qui transformerait d'un coup toute la robotique. Les progrès dépendront aussi de composants robustes, de logiciels adaptés, de normes de sécurité, d'intégrations maîtrisées, et de cas d'usage où un client accepte de payer.
Pour les dirigeants, le point de départ reste un problème opérationnel mesurable. Pour les fondateurs, il faut d'abord prouver que la solution tient dans des conditions réelles et qu'elle se déploie de façon répétable. Pour les investisseurs, l'enjeu est d'évaluer l'ensemble du système, pas seulement « l'intelligence » du modèle.
Avant de lancer un projet, choisissez une tâche précise, mesurez son coût actuel et testez une solution sur un périmètre limité. Ce n'est pas aussi spectaculaire qu'une promesse de robot universel, mais c'est plus utile pour savoir si l'innovation peut devenir une activité durable.