La volonté de Google DeepMind de faire passer l’IA des écrans aux usines a franchi une nouvelle étape : Gemini Robotics 2.5, son dernier modèle vision-langage-action, a été testé sur les chaînes de production de Mercedes-Benz en Hongrie et en Allemagne.

L’argument de DeepMind est simple. L’entreprise affirme que le système élargit les tâches que les robots peuvent apprendre tout en améliorant la vitesse, la dextérité et la sécurité. Dans plus de 200 évaluations — comprenant notamment l’utilisation de pinces, le pipetage de liquide et la réalisation de nœuds décoratifs —, elle a fait état de taux de réussite de 30 % à 100 % supérieurs aux références précédentes, les tâches étant exécutées 20 % à 30 % plus rapidement.¹ Le modèle est déployé auprès de partenaires en robotique plutôt que rendu disponible au grand public.

L’essai en usine constitue le principal résultat. Apollo 2, l’humanoïde d’Apptronik, a trié des pièces automobiles depuis des bacs en vrac vers des plateaux séquencés, un processus répétitif appelé kitting, et a atteint un taux de réussite de 96 %. Le PDG d’Apptronik, Jeff Cardenas, a qualifié cela de « travail utile aux côtés des personnes dans de véritables environnements industriels », soutenant que les résultats fournissent une base pour déployer des humanoïdes à l’échelle industrielle et commerciale.¹ DeepMind a également présenté ce lancement comme permettant aux robots d’apprendre « des centaines de compétences du quotidien », du pliage du linge au tri de pièces automobiles.Demis Hassabis (demishassabis)²

Mais c’est dans la distinction entre une démonstration convaincante et une fiabilité prête pour l’usine que le débat s’intensifie. Des couvertures indépendantes soulignent que les travailleurs humains exécutant de telles tâches répétitives les réalisent correctement pratiquement à chaque fois ; le directeur de DeepMind, Kanishka Rao, a décrit la réduction de l’écart restant de quatre points comme une « route escarpée ».³

Carolina Parada, responsable de la robotique chez DeepMind, présente cette tension comme un compromis. Un robot peut être optimisé pour une application, a-t-elle déclaré, ou les développeurs peuvent viser une généralisation large et « peut-être ne pas atteindre 99,9 dans chaque application ».³ Cela importe car l’ambition de l’entreprise n’est pas de créer une autre machine d’usine étroitement programmée, mais un robot capable de s’adapter à des environnements incertains.

La sécurité fait partie de la même équation non résolue. DeepMind affirme que ses orientations de raisonnement ont augmenté de 33 % l’exécution sûre des tâches autour d’obstacles et de 43 % autour de personnes, tandis que son nouveau benchmark ASIMOV-Jailbreak examine si les robots refusent des instructions dangereuses.¹ Pourtant, le modèle actuel reste basé sur le cloud, ce qui signifie que la latence sépare encore un pilote bien abouti de la réponse fluide, quasi instantanée, qu’exige un atelier d’usine très actif.³