L’intelligence artificielle robotique doit désormais faire ses preuves entre les bacs de pièces. Le 10 novembre 2026, Google DeepMind a présenté Gemini Robotics 2.5, avec un essai chez Mercedes-Benz où le robot Apollo 2 aurait atteint 96 % de réussite dans la préparation de kits automobiles.
Ce résultat annoncé par le développeur est prometteur. Mais sa portée dépend de ce qui se passe autour du geste réussi : cadence, incidents, reprises et interventions humaines. C’est là que se joue le passage d’une démonstration convaincante à un outil industriel utile.
Chez Mercedes-Benz, le test porte sur la préparation des pièces
Dans sa présentation officielle, DeepMind décrit une preuve de concept menée sur des lignes actives à Kecskemét, en Hongrie, et Sindelfingen, en Allemagne. Apollo 2 prélève des supports métalliques dans des bacs et les range selon l’ordre requis pour les véhicules.
Le raisonnement incarné suit le déroulement de la tâche ; Gemini Robotics 2.5 contrôle les mains et les bras. Les 96 % concernent cet essai de tri, et ne constituent pas un taux de réussite pour toutes les opérations d’une usine. Le modèle est en cours de déploiement auprès des partenaires robotiques de Google.
Pourquoi un travail de préparation peut compter
La préparation d’un kit paraît moins spectaculaire que l’assemblage complet d’une voiture. Elle offre pourtant une façon concrète d’évaluer un robot : a-t-il choisi la bonne pièce, l’a-t-il placée au bon endroit et le résultat peut-il être utilisé à l’étape suivante ?
Imaginons un plateau contenant plusieurs supports proches visuellement. Une prise réussie ne suffit pas si la pièce déposée ne correspond pas à la commande. L’intérêt d’un système se mesure donc à l’ensemble de cette séquence, plutôt qu’à la seule souplesse de ses mouvements. Cet exemple est une grille de lecture du cas industriel, pas une description d’un incident observé pendant l’essai.
Une IA de commande, distincte du robot lui-même
La page de la famille Gemini Robotics distingue le modèle vision-langage-action, ou VLA, de la couche de raisonnement incarné. Le premier transforme des images et des instructions en commandes motrices. La seconde sert à comprendre l’espace et à organiser des étapes.
Cette séparation permet de mieux lire l’annonce. Le modèle d’IA ne remplace ni les moteurs, ni les capteurs, ni les dispositifs d’arrêt d’une machine. Son rôle se comprend à l’intérieur d’un système complet qui doit percevoir, décider et agir.
Du côté matériel, Apptronik présente Apollo 2 comme une plateforme modulaire, avec configurations bipède ou sur roues. Le fabricant décrit aussi des zones de sécurité matérielles et un arrêt du mouvement lorsqu’un objet entre dans une zone définie. Il s’agit de caractéristiques annoncées par le constructeur, distinctes des performances du modèle de Google.
Les 96 % ne disent pas encore le coût d’un service rendu
Notre lecture du pilote est qu’il faut compléter le pourcentage par une mesure du travail réellement livré. Un système peut réussir souvent et demander malgré tout beaucoup d’assistance pour les cas restants. À l’inverse, un échec correctement détecté et signalé peut être plus facile à gérer qu’une erreur discrète.
Pour apprécier une future exploitation, trois informations seraient particulièrement utiles :
- le nombre de kits conformes produits par heure, reprises comprises ;
- la fréquence et la durée des interventions d’un opérateur ;
- le comportement après une pièce mal saisie, manquante ou déposée de travers.
Ces indicateurs permettraient de comparer une solution complète au travail qu’elle doit assurer. Ils éviteraient aussi de transformer un score de réussite en promesse de rentabilité, alors qu’aucun calcul économique de ce type n’est établi ici.
La sécurité consiste aussi à savoir demander de l’aide
La robotique pilotée par des instructions doit composer avec une difficulté supplémentaire : une demande peut être ambiguë ou incompatible avec les capacités de la machine.
Dans sa présentation d’ASIMOV-Agentic, DeepMind décrit plusieurs dimensions d’évaluation : refuser une tâche qui viole les contraintes, déclencher une intervention lors d’un événement critique, protéger le modèle d’action face à une tâche infaisable et demander une aide humaine en cas d’incertitude. Ce cadre éclaire le problème de sécurité ; il ne certifie pas à lui seul une installation industrielle.
Une bonne interruption peut être un résultat utile
Prenons une instruction hypothétique : « complète ce plateau », alors qu’une pièce requise est absente. Un comportement utile pourrait être de signaler le manque plutôt que de choisir une pièce ressemblante. Dans une telle situation, mesurer uniquement les tâches achevées risquerait de pénaliser une décision prudente.
L’enjeu éditorial est donc de suivre la qualité des décisions autant que la fluidité des gestes. La bonne question n’est pas seulement « le robot a-t-il terminé ? », mais aussi « a-t-il su reconnaître les limites de ce qu’il pouvait faire ? ».
Le prochain cap sera la répétition dans la durée
Gemini Robotics 2.5 fournit un cas concret à observer : une tâche délimitée, des pièces réelles et un environnement de production. La suite devra préciser comment ce résultat tient lorsque les conditions changent et lorsque les opérations se répètent.
Une preuve de concept peut montrer qu’une approche mérite d’être poursuivie. Pour convaincre durablement, il faudra relier la réussite technique à un service régulier, contrôlable et suffisamment simple à reprendre par les équipes. C’est sur ce terrain que l’IA physique gagnera sa place dans l’usine.
Références
- Google DeepMind — Annonce de Gemini Robotics 2.5, 10 novembre 2026.
- Google DeepMind — Modèles et rôles de la famille Gemini Robotics.
- Apptronik — Présentation d’Apollo 2.
- Google DeepMind — Évaluations ASIMOV-Agentic.
