L’IA physique lève des questions pour les systèmes autonomes

L’IA physique bouscule les systèmes autonomes et pose des questions de gouvernance. Les robots capables de raisonner, de planifier et d’agir dans le monde réel multiplient les risques de dérive. Entre la montée des déploiements industriels et l’entrée en vigueur prochaine de l’EU AI Act, la maîtrise de ces agents physiques devient un enjeu pour les entreprises et les régulateurs européens.

---

À retenir

• 542 000 robots industriels installés dans le monde en 2024 ; 700 000 unités attendues en 2028 (International Federation of Robotics).
• Marché de l’IA physique estimé à 70,2 milliards d’euros en 2025, en route vers 826 milliards d’euros d’ici 2033 (Grand View Research).
• Seulement un tiers des organisations atteignent un niveau de maturité « 3 ou plus » en gouvernance de l’IA agentive (McKinsey AI Trust Maturity Survey 2026).
• Gemini Robotics-ER 1.6 (avril 2026) : modèle de raisonnement spatial, planification de tâches et « success detection ».
• Dataset ASIMOV pour tester la sécurité sémantique des robots face aux instructions dangereuses.
• Normes clés 2026 : ISO/IEC 42001 pour les systèmes de management IA et profil NIST sur les infrastructures critiques.
• Échéance européenne : application pleine et entière de l’EU AI Act prévue pour août 2026.

---

L’explosion du marché de l’IA physique impose une gouvernance renforcée

En 2024, 542 000 robots industriels ont rejoint les chaînes de production mondiales. Ce volume, déjà deux fois supérieur à celui de 2014, devrait franchir les 700 000 unités en 2028. Désormais, ces machines perçoivent, raisonnent et agissent sans intervention humaine constante.

Une croissance évaluée à plus de 36 % par an

Les analystes de Grand View Research évaluent le marché de l’IA physique à 70,2 milliards d’euros en 2025. Ils projettent 826 milliards d’euros d’ici 2033. Cette trajectoire repose sur la convergence des modèles de vision, du raisonnement spatial et des actionneurs physiques. Chaque nouvelle génération de robots gagne en autonomie dans l’atelier ou l’entrepôt.

Des conséquences directes sur les responsabilités

Contrairement aux logiciels classiques, un modèle qui commande un bras robotisé ou un drone d’inspection engage la sécurité des personnes et des infrastructures. Toute erreur de planification peut se traduire par une collision, une fuite ou une interruption critique. La gouvernance ne se limite donc plus à la conformité logicielle : elle doit encadrer le passage de l’ordre numérique à l’action mécanique.

De la sortie d’un modèle à l’action physique : le nouveau défi technique

Google DeepMind a rendu ce passage concret avec la famille Gemini Robotics. Les modèles Vision-Language-Action (VLA) ne se contentent plus de décrire une scène : ils génèrent directement des trajectoires de mouvement. Cette évolution impose de repenser la chaîne de contrôle du début à la fin.

Généralité, interactivité et dextérité : les trois piliers du robot utile

Pour être opérationnels, les robots doivent maîtriser des environnements inconnus, répondre à des instructions humaines changeantes et exécuter des gestes de haute précision. Ces trois qualités transforment le robot en agent autonome capable d’agir en temps réel.

Gemini Robotics-ER 1.6 : le stratège derrière le mouvement

Introduit en avril 2026, Gemini Robotics-ER 1.6 se concentre sur le raisonnement de haut niveau. Il planifie des tâches complexes, interprète des jauges analogiques via « instrument reading » et vérifie si une action a réussi (« success detection »). Boston Dynamics collabore déjà avec Google DeepMind pour intégrer cette capacité sur le robot Spot dans des installations industrielles.

Le passage du texte à l’action physique

Quand un modèle génère un mouvement plutôt qu’un texte, les garde-fous habituels deviennent insuffisants. Les développeurs doivent définir des limites mécaniques — force, vitesse, zone interdite — et des règles sémantiques, comme le fait de ne pas soulever un objet fragile sans validation. Ces contraintes relèvent désormais de la conception du système complet.

Sécurité multicouche et cadres réglementaires européens

La sécurité physique se décline en deux niveaux. Le premier concerne le contrôle immédiat : évitement de collision, limitation de couple et maintien de la stabilité. Le second porte sur le raisonnement : un robot doit comprendre qu’une instruction « déplace ce cylindre » peut devenir dangereuse si un opérateur se trouve sur la trajectoire.

Le dataset ASIMOV pour évaluer la sécurité sémantique

Google DeepMind a créé le benchmark ASIMOV pour mesurer la capacité d’un modèle à refuser ou à reformuler une requête risquée. Les tests portent sur des scénarios industriels concrets : manipulation de pièces lourdes, navigation en zone partagée avec des humains, ou intervention sur des équipements sous tension. Ce type d’évaluation devient nécessaire pour toute certification future.

ISO/IEC 42001 et le NIST pour les infrastructures critiques

La norme ISO/IEC 42001:2023 prévoit des évaluations d’impact sur la sécurité et les biais tout au long du cycle de vie de l’IA. De son côté, le NIST a publié en avril 2026 un profil spécifique pour l’« IA de confiance dans les infrastructures critiques ». Les secteurs de l’énergie, de la manufacture et de la logistique doivent donc documenter chaque décision algorithmique qui peut affecter la sûreté des installations.

McKinsey souligne le retard de maturité des entreprises

Seul un tiers des organisations interrogées par McKinsey en 2026 atteignent un niveau de maturité satisfaisant en matière de gouvernance de l’IA agentive. Ce chiffre révèle un décalage important entre la rapidité des déploiements techniques et la mise en place de processus de contrôle, d’audit et d’escalade humaine.

Déploiement industriel : logistique, inspection et collaboration avec les acteurs clés

Les premiers usages concrets concernent l’inspection d’équipements, la préparation de commandes en entrepôt et la maintenance prédictive. Dans ces environnements fermés ou semi-fermés, les limites opérationnelles peuvent être définies clairement avant déploiement.

Partenariats et écosystème de test

Google DeepMind travaille avec Apptronik sur des humanoïdes, avec Agility Robotics sur des robots de logistique et avec Enchanted Tools pour des scénarios de manipulation fine. Ces collaborations permettent de tester les modèles dans des conditions réelles tout en collectant des données de sécurité utiles à l’amélioration continue.

Vers une « Robot constitution » opérationnelle

Inspirée des lois d’Asimov, l’approche de l’« IA constitutionnelle » consiste à injecter des règles de comportement de haut niveau dans les modèles. Ces règles orientent les décisions sans remplacer les contrôles physiques ni les procédures d’approbation humaine. Leur adoption progressive dans les standards européens pourrait devenir un atout pour les fournisseurs qui visent le marché de l’Union.