Pourquoi la dextérité est le vrai goulot d'étranglement de l'IA physique

Nicolas Sauvage, fondateur et président de TDK Ventures, soutient dans une tribune publiée par The Robot Report que le vrai goulot d'étranglement de l'IA physique n'est plus la capacité des robots à manipuler des objets, mais la fiabilité avec laquelle ils enchaînent des actions. Son raisonnement repose sur un calcul simplifié, qui suppose des taux de succès égaux et indépendants. Pour un flux de travail de 100 actions successives, un taux de réussite de 99 % par action ne donne que 36,6 % de chances de tout réussir du premier coup. À 99,9 %, la probabilité monte à 90,5 %, et à 99,99 % elle atteint 99,0 %. Un robot « réussi à 99 % » n'est donc pas automatisé à 99 %. Il s'agit d'un texte d'opinion, sans nouveau produit, sans déploiement ni donnée de terrain. L'auteur est photographié aux côtés du quadrupède d'ANYbotics, une entreprise suisse.

Le message est direct pour les intégrateurs et les décideurs industriels : une démonstration où l'objet est saisi, déplacé et posé ne dit presque rien de l'autonomie réelle. La bonne question est de savoir ce que devient la performance après des centaines de cycles, avec des objets légèrement décalés, une prise qui varie, des composants qui s'usent et des pannes imprévues. Cette lecture confirme l'écart entre démonstration et réalité qui pèse sur le secteur humanoïde, et elle déplace la comparaison. Le nombre de doigts ou de degrés de liberté compte moins que le nombre de « neuf » de fiabilité, c'est-à-dire la différence entre deux et quatre neuf, qui décide si un robot peut travailler sans surveillance. Le client n'achète pas des degrés de liberté, il achète du travail utile. Cela suppose une boucle fermée entre vision, position, contact, force, pression, préhension et correction, avec l'énergie, la sécurité et la capacité de récupération comme contraintes. Sauvage nuance toutefois : tous les flux n'exigent pas le toucher, car la vision et le mouvement suffisent parfois. Le tactile devient précieux pour détecter un glissement, un contact instable, une pression excessive ou la bonne mise en place d'un composant.

Pour gagner ces neuf supplémentaires, l'auteur met en avant la récupération sur erreur. Il faut moins viser une prise parfaite que détecter un glissement assez tôt pour le corriger avant que la tâche n'échoue. Il décrit aussi un cercle vertueux : les échecs en déploiement (glissements, mauvaises prises, usure, récupérations ratées) deviennent des données qui améliorent le logiciel, la simulation, les capteurs, la commande et le matériel. Il y met une réserve : changer la main modifie le mouvement, la détection et l'étalonnage, si bien que les données d'un design ne se transfèrent pas forcément à un autre. Cette position n'est pas neutre. TDK Ventures finance des start-up en matériaux, énergie, cleantech, industrie 5.0, mobilité et santé, et TDK est lui-même un fabricant de capteurs, ce qui donne un intérêt à la thèse du tactile et de l'instrumentation. Le texte ne cite aucun acteur concurrent ni calendrier de pilote, et l'extrait fourni s'interrompt avant sa conclusion. Il s'inscrit néanmoins dans un débat croissant sur la manière de mesurer la maturité des robots polyvalents, où le taux de réussite par tâche cède la place à la fiabilité sur un flux complet.