Tutor Intelligence lève une série B pour accélérer l'entraînement de ses modèles et ses déploiements de robots

Tutor Intelligence, spin-off du MIT CSAIL créée en 2021 et basée à Watertown (Massachusetts), annonce une levée de 75 millions de dollars en Series B, portant son financement total à 117 millions. Le tour est mené par Andreessen Horowitz, avec la participation d'Union Square Ventures et de Neo, qui avaient respectivement dirigé la Series A et le seed. La société exploite des flottes de robots connectés dans des environnements de production, supervisés à distance par des opérateurs humains appelés « tutors » (potentiellement situés à l'étranger). Sa gamme comprend Sonny, un robot semi-humanoïde à deux bras dédié au picking de colis, et Cassie, un manipulateur mobile conçu pour le picking de cartons et la palettisation. Ces machines manipulent des céréales, snacks, confiseries, cosmétiques, articles ménagers et jouets chez certains des grands réseaux industriels et logistiques américains. Selon l'entreprise, le parc de robots a doublé en un an, déployé dans près de quatre fois plus de sites, et près d'un tiers des clients recevant des robots sur les 12 derniers mois sont des clients existants qui en ajoutent. Tutor vise plus de 1 000 robots sous contrat fin 2027, tous fabriqués aux États-Unis. Elle a aussi ouvert cette année une « Data Factory » permettant d'évaluer des politiques de contrôle sur 100 robots physiques.

Le modèle économique est l'élément le plus significatif. Plutôt qu'un contrat de robots-as-a-service classique, Tutor facture à l'heure ou à la prise (« by the pick »), comme une main-d'œuvre manuelle, sans achat initial ni engagement long. Elle assure déploiement, maintenance et mises à jour logicielles. Pour un COO ou un intégrateur, cela déplace le risque technologique vers le fournisseur et rend l'automatisation comparable à une ligne de coûts opérationnels variables. La téléopération à la demande sert aussi de filet de sécurité : les cas que le modèle ne sait pas traiter sont résolus par un humain, et ces interventions alimentent l'entraînement. C'est l'argument du « data flywheel » : le déploiement n'est pas seulement l'aboutissement de la recherche, mais sa source de données. Il faut toutefois lire avec prudence. L'entreprise ne publie ni taux d'autonomie, ni ratio opérateurs par robot, ni tarif à la prise, des chiffres décisifs pour juger de la rentabilité réelle. Les citations sur des robots « impossibles à construire assez vite » relèvent du discours de levée de fonds, sans volumes de production détaillés.

Le contexte est celui d'une course au « physical AI » où la donnée réelle manque, contrairement au texte et aux images qui ont nourri les modèles de langage. Les approches divergent : des acteurs comme Figure ou Tesla misent sur des humanoïdes généralistes et des modèles VLA entraînés en grande partie en interne, tandis que Tutor privilégie des tâches de manipulation étroites mais payantes dès aujourd'hui, finançant la recherche par les revenus de terrain. Les fonds levés doivent soutenir l'entraînement de modèles et la production de robots. L'enjeu des prochains mois sera de vérifier que le parc atteint le seuil de 1 000 unités en 2027 et que la part d'intervention humaine diminue à mesure que les modèles progressent.