J'ai regardé récemment une intervention de recherche qui n'était pas destinée à des dirigeants, et c'est justement pour cela qu'elle mérite leur attention. Lors de l'AI Ascent 2026 de Sequoia Capital, Jim Fan, qui dirige la recherche en robotique chez Nvidia, a défendu dans son intervention « Robotics' End Game » une thèse simple : la robotique va suivre exactement le même chemin que les IA génératives, et ce chemin s'accélère. Je ne relaie pas cela pour vous vendre un futur de science-fiction. Je le relaie parce que, dans mes accompagnements, je vois deux réflexes également coûteux face à ce sujet : le déni (« ça ne nous concerne pas ») et le fantasme (« on va tout automatiser »). Cet article trace la troisième voie, celle d'un dirigeant qui anticipe avec lucidité.

1. Pourquoi reparler de robotique maintenant, après trente ans de promesses ?

Parce que le verrou a changé de nature. Pendant des décennies, les robots polyvalents sont restés bloqués non pas sur la mécanique, mais sur leur incapacité à généraliser d'une situation à une autre. La thèse de Jim Fan est que ce blocage saute quand on applique à la robotique la recette qui a fait fonctionner les grands modèles de langage. Il nomme cela le « grand parallèle ».

1.1 La recette qui a fait décoller les IA de texte

Les modèles de langage ont progressé en trois marches, résume Jim Fan : d'abord apprendre la forme du langage en prédisant le mot suivant sur d'immenses corpus, puis être alignés pour rendre service, puis être poussés par le renforcement pour raisonner. La même structure est aujourd'hui transposée au monde physique. Au lieu de prédire le mot suivant, les modèles apprennent à prédire l'état suivant du monde.

Le point de bascule est contre-intuitif. Ce sont les modèles de génération de vidéo qui apprennent, sans qu'on le leur code, les règles de la physique : la gravité, la lumière, les reflets, le comportement d'un liquide. En cherchant simplement à prédire l'image suivante à très grande échelle, ils intériorisent une intuition du réel. C'est cette intuition que l'on branche ensuite sur des gestes de robot.

1.2 Pourquoi un dirigeant devrait s'y intéresser

Quand un verrou passe du matériel à la donnée, la courbe de progrès change de forme. Le matériel avance par paliers lents et coûteux. La donnée et le logiciel, eux, avancent par effets cumulatifs. C'est précisément ce qui a rendu les IA de texte imprévisibles pour la plupart des organisations : elles ont sous-estimé la vitesse parce qu'elles raisonnaient en trajectoire linéaire. Le même piège de perception guette avec la robotique.

Le déni et le fantasme ont un point commun : ils dispensent de réfléchir. Anticiper, c'est refuser ce confort et regarder la courbe telle qu'elle est.

2. Qu'est-ce qui débloque vraiment la robotique aujourd'hui ?

Le déclic est un problème de données, et sa résolution est en cours. Le constat rejoint celui que l'on fait déjà côté logiciel : la donnée, et non la puissance de calcul, est le vrai goulot d'étranglement de l'IA. Pour apprendre un geste, un robot avait besoin qu'un humain le pilote, opération appelée téléopération. C'est lent, épuisant et surtout impossible à passer à l'échelle : la téléopération est plafonnée à 24 heures par robot et par jour, et en pratique Jim Fan parle plutôt de 3 heures utiles, « quand le robot veut bien coopérer ».

2.1 Trois façons de nourrir un robot en données

Pour sortir de cette impasse, la recherche déplace la collecte hors de la boucle du robot. On fait d'abord porter à l'humain la pince ou l'exosquelette de la machine, pour capter le geste directement. Puis on passe à la vidéo filmée à hauteur d'humain, annotée avec la position des mains, sans robot du tout. Un système présenté par Jim Fan a ainsi été pré-entraîné sur 21 000 heures de vidéo humaine, puis affiné avec seulement 4 heures de pilotage manuel, soit moins de 0,1 % du total.

2.2 Le signal qui change tout : une loi d'échelle

La découverte la plus importante n'est pas un robot, c'est une courbe. Jim Fan rapporte l'existence d'une « loi d'échelle » pour la dextérité : une relation mathématique propre entre la quantité de données d'entraînement et la performance obtenue, six ans après la loi d'échelle équivalente pour le langage. Ce détail est décisif pour un décideur.

Une loi d'échelle transforme un espoir en feuille de route. Tant qu'une capacité progresse par démonstrations isolées, elle reste un pari. Dès qu'elle suit une courbe prévisible, il devient possible d'estimer quand elle franchira un seuil utile. C'est ce qui explique pourquoi des acteurs sérieux investissent aujourd'hui, et pourquoi je vous invite à traiter ce sujet comme une tendance de fond, pas comme un gadget.

3. Qu'est-ce que cela change concrètement dans vos opérations ?

Cela ne veut pas dire « des robots remplacent des salariés », mais « l'unité qui s'automatise devient la tâche physique ». Jusqu'ici, l'automatisation logicielle grignotait le travail de bureau. Ce qui s'ouvre, c'est l'automatisation du geste : manipuler, assembler, trier, déplacer. Jim Fan pousse l'idée jusqu'à une « API physique », c'est-à-dire des flottes de robots pilotées comme on pilote un logiciel, par commandes et interfaces.

3.1 Le geste devient un candidat à l'automatisation

Concrètement, les tâches de manipulation répétitive dans un environnement cadré deviennent des candidates crédibles : logistique, préparation de commandes, assemblage, manipulation d'échantillons en laboratoire, certains gestes de service. Ce n'est pas nouveau dans son principe, mais la nouveauté est la vitesse d'apprentissage et la capacité à généraliser d'une tâche à une autre sans tout reprogrammer.

3.2 La leçon déjà apprise avec l'IA de bureau

La bonne grille de lecture, nous l'avons déjà rencontrée avec l'IA générative. Comme je l'ai développé à propos de la façon dont l'IA reconfigure les métiers sans les supprimer, l'automatisation déplace l'énergie : elle retire la partie répétitive et laisse à l'humain la responsabilité, l'exception et la décision. Le geste change, la redevabilité reste.

Cette continuité est rassurante et exigeante à la fois. Rassurante, parce qu'on sait déjà conduire ce type de transition. Exigeante, parce qu'elle impose la même discipline : gouvernance claire, cadre de sécurité, et vigilance sur la question de qui garde l'initiative. C'est le même fil que celui de la souveraineté humaine face aux agents IA, transposé cette fois au monde physique.

Un prototype impressionnant n'est pas un produit fiable. La différence entre les deux, ce sont l'intégration, la sécurité et la responsabilité, c'est-à-dire précisément le travail qui reste humain.

4. Quels métiers et quelles tâches sont réellement exposés ?

Il faut raisonner en tâches, pas en intitulés de poste. Jim Fan propose une borne utile : le « test de Turing physique », c'est-à-dire le moment où, sur une gamme d'activités, on ne peut plus distinguer un humain d'un robot en train d'agir. Il l'estime à 2 ou 3 ans, mais « une gamme d'activités » n'est pas « toutes les activités », et une démonstration en laboratoire n'est pas un déploiement en entreprise. L'exemple de Waymo le rappelle : déployer une technologie de rupture se gagne sur la distance, pas au sprint de départ. C'est d'ailleurs le même schéma que dans une transformation IA, où le vrai frein n'est jamais la technologie.

4.1 Ce qui est exposé tôt, ce qui l'est tard

La ligne de partage est assez lisible. Sont exposés plus tôt les gestes qui combinent répétition, dextérité et environnement stable. Sont exposés plus tard, ou pas du tout, les activités qui demandent du jugement, de la relation, de la responsabilité et une capacité à gérer l'imprévu. Un poste mélange presque toujours les deux, ce qui explique pourquoi on parle d'évolution des métiers plutôt que de disparition brutale.

4.2 Les trois jalons annoncés, et leur horizon

Jim Fan décrit trois étapes restantes avant ce qu'il appelle la fin de partie. Les lire comme une trajectoire, et non comme un calendrier garanti, aide à situer son propre secteur sur la courbe.

5. Comment un dirigeant anticipe-t-il sans fantasme ni déni ?

En se donnant une méthode plutôt qu'une opinion. Anticiper ne consiste pas à parier sur une date, mais à mettre son organisation en position de lire les signaux et d'agir au bon moment. Voici cinq étapes que j'utilise dans mes accompagnements de comités de direction sur les sujets d'automatisation.

1. Séparer le signal du bruit. Revenez aux sources primaires et distinguez une loi d'échelle documentée d'une vidéo spectaculaire. Un progrès qui suit une courbe prévisible est un signal ; une démonstration isolée n'en est pas un.
2. Cartographier vos tâches physiques répétitives. Listez les gestes répétitifs de vos opérations et évaluez la stabilité de leur environnement. Plus l'environnement est cadré, plus la tâche est exposée tôt.
3. Raisonner en tâches, pas en postes. Décomposez les métiers en tâches. C'est une tâche qui s'automatise, rarement un métier entier : cette distinction évite les caricatures anxiogènes et oriente la formation.
4. Poser la gouvernance et la responsabilité avant l'outil. Définissez qui répond d'une erreur commise par une machine, avant tout déploiement. La responsabilité reste humaine et doit être nommée, exactement comme pour un agent logiciel.
5. Préparer les humains. Anticipez la requalification et les nouveaux rôles de supervision et d'orchestration. La valeur se déplace vers ce que la machine ne fait pas : décider, arbitrer, rendre des comptes.

Cette posture n'a rien de spécifique à la robotique. C'est la même capacité qui permet de bâtir une résilience organisationnelle face aux perturbations et de installer une dynamique de culture projet capable d'absorber le changement. La technologie change ; la discipline d'anticipation, elle, est transférable.

6. Quel reste le rôle humain face à des machines plus habiles ?

Le rôle humain se concentre sur tout ce que le test de Turing physique ne mesure pas. Jim Fan résume l'objectif technique par une formule : « de l'énergie en entrée, du travail en sortie ». C'est une promesse de productivité, pas une promesse de sens. Or une organisation ne fonctionne pas seulement grâce à des gestes exécutés, mais grâce à des directions choisies et à des responsabilités assumées.

6.1 Là où la valeur humaine se déplace

Quand la dextérité devient abondante, ce qui devient rare prend de la valeur : décider de ce qui mérite d'être fait, arbitrer sous contrainte, tenir la relation, et répondre des choix. C'est un déplacement, pas un effacement. Il rejoint ce que j'observe déjà avec l'IA de bureau, et il renforce l'exigence sur la posture managériale : savoir adapter son leadership au niveau de maturité de chaque équipe devient une compétence centrale, pas un supplément d'âme.

6.2 Garder la lucidité, y compris sur la source

Rester lucide, c'est aussi lire les intérêts en jeu. Le discours de Jim Fan est brillant et documenté, mais son employeur vend le calcul qui rend tout cela possible, et il le glisse lui-même avec humour dans son intervention. Cela n'invalide pas sa thèse : la loi d'échelle et les résultats sont réels. Cela invite simplement à traiter les horizons comme une direction, à vérifier sur votre propre terrain, et à ne jamais déléguer votre jugement à l'enthousiasme d'un tiers, aussi crédible soit-il.

Reste sa formule de conclusion, que je trouve juste au-delà de la technique : notre génération serait « née juste à temps pour résoudre la robotique ». Pour un dirigeant, la traduction est sobre. Ni spectateur, ni victime : acteur d'une transition qui se prépare maintenant, à froid, pendant qu'elle est encore lisible. Pour situer ce signal parmi les autres, j'ai rassemblé les tendances IA que les dirigeants doivent retenir en 2026.