Les robots apprennent à apprendre : les 75 millions de Tutor Intelligence et le mur des données derrière l'IA physique

Tutor Intelligence a annoncé le 2 novembre avoir levé 75 millions de dollars en série B, menée par Andreessen Horowitz, pour accélérer la production des données d'entraînement de ses robots industriels. L'entreprise de Watertown, dans le Massachusetts, est issue du MIT CSAIL en 2021. Elle défend un modèle où l'humain reste dans la boucle. Des opérateurs à distance, qu'elle appelle des « tuteurs », supervisent des flottes de robots connectés à internet qui font un vrai travail. Les données ainsi produites servent à entraîner les modèles qui rendent les machines plus capables avec le temps.

L'argument est simple. Le travail physique génère des données, et ces données améliorent les robots.

Selon The Robot Report, Tutor affirme que ses robots sont deux fois plus nombreux à travailler dans presque quatre fois plus de sites qu'il y a un an. La société prévoit plus de 1 000 robots sous contrat d'ici fin 2027, tous construits et déployés depuis les États-Unis, même si les tuteurs peuvent se trouver à l'étranger. Près d'un tiers des organisations qui ont reçu des robots Tutor ces douze derniers mois étaient des clients existants qui installaient des unités supplémentaires. Les clients paient à l'heure ou à la prise, sans acheter le matériel. La société assume donc le déploiement et la maintenance, et les robots apparaissent comme une ligne de coût de main-d'œuvre.

Les données sont le goulot d'étranglement, et l'argent le sait

Le financement tombe dans une semaine chargée en actualité robotique. Le fil commun, ce sont les données et l'économie du déploiement, pas une nouvelle vidéo de démonstration. Agility Robotics a obtenu le vote de ses actionnaires le 2 novembre, rapporte The Robot Report. Plus de 84 % des voix exprimées lors de l'assemblée spéciale de Churchill Capital Corp XI se sont prononcées pour la fusion SPAC. L'opération devrait être finalisée le 4 novembre, la cotation sur le Nasdaq sous le symbole AGLT devant commencer le 5 novembre. Elle devrait rapporter à Agility environ 465 millions de dollars de capital brut avant frais, contre plus de 620 millions de dollars attendus à l'annonce de la fusion en juin. La transaction initiale valorisait Agility à 2,5 milliards de dollars en valeur des fonds propres avant apport.

L'empreinte commerciale d'Agility est le chiffre à suivre. Les robots Digit fonctionnent dans 9 environnements clients. La relation avec GXO Logistics s'est élargie en octobre à deux sites de plus, à Statesville en Caroline du Nord et à Lebanon dans le Tennessee, les déploiements devant commencer début 2027 avec Digit 4. Agility revendique plus de 300 millions de dollars de commandes pluriannuelles fermes pour Digit 5. Ce montant correspond à une valeur sur plusieurs années, soumise à des jalons contractuels, et non à un chiffre d'affaires actuel.

Les deux entreprises vendent la même leçon : le robot est la partie facile, et les données d'exploitation sont l'actif.

L'argument de coût en faveur des poids ouverts

Gartner a chiffré l'économie du sujet plus précisément le 3 novembre. Dans un document intitulé « Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps », le directeur senior Mark Petty et le vice-président de groupe Raymond Paquet écrivent que neuf étapes de workflow d'agent sur dix sont routinières. Les modèles à poids ouverts les traitent aussi bien pour un quart du prix du modèle fermé le moins cher, écrivent-ils. Face à un modèle de frontière sollicité à chaque étape, ils estiment le coût à un vingtième seulement. Ils reconnaissent que les modèles ouverts peuvent être plus bavards et relancer plus souvent, si bien que l'économie réelle par tâche se rapproche de cinq ou six fois. Hypothèse de travail des analystes : d'ici 2030, 90 % des étapes de workflow d'agents opérationnels en entreprise s'exécuteront sur des modèles à poids ouverts.

L'argument compte pour la robotique, car la même séparation apparaît entre le modèle qui raisonne et celui qui fait le travail répétitif. Les analystes de Gartner présentent l'économie comme un bonus et le contrôle comme l'essentiel. Chaque étape routinière envoyée à une API de frontière fait sortir un morceau de l'historique de vos workflows hors de votre périmètre.

Les modèles de frontière avancent aussi

Gemini 4 Carbon de Google, sorti la semaine dernière, occupe désormais la tête de l'Intelligence Index V5 d'Artificial Analysis avec un score de 59, selon Tom's Hardware. C'est un point de plus que Claude Opus 5.5 et deux de plus que GPT-6 Astra d'OpenAI. Le modèle arrive aussi en tête du test d'hallucination et de rappel AA-Omniscience v1.1 de la firme. Le meilleur score sur cette échelle de -100 à +100 n'était que de 54, rappel utile de la distance qui sépare encore les modèles d'un rappel factuel cohérent. Le coût par tâche sur l'Intelligence Index est de 7,76 dollars, un peu moins cher que Gemini 3.8 Flash et bien en dessous de Claude Opus 5.5 ou Sonnet 5.5. Google réserve le premier accès aux défenseurs cyber via son programme Fairwind.

Pour les constructeurs de robots, le détail pertinent est le prix, pas le classement. Un modèle qui devance d'un point est intéressant. Un modèle plusieurs dollars moins cher par tâche change ce qu'on peut se permettre de faire tourner en boucle.

La sécurité arrive avec la pile d'entraînement

La recherche de vulnérabilités assistée par IA compresse elle aussi le délai entre la découverte d'une faille et l'obligation de la corriger. VicOne a identifié 28 failles zero-day en moins de deux jours grâce à une recherche assistée par IA, écrivait The Robot Report le 1er novembre. Le travail couvrait des logiciels et des outils qui soutiennent l'écosystème de l'IA physique, dont des projets développés ou maintenus par Google, NVIDIA et Meta. La société indique que la validation initiale classe les 28 comme des vulnérabilités zero-day. Le décompte peut évoluer après l'examen des éditeurs et des autorités compétentes, et certaines découvertes n'ont pas encore de numéro CVE.

Trois quarts des découvertes concernaient des outils de développement, d'entraînement, de simulation ou de validation. C'est la partie qui devrait inquiéter quiconque déploie des modèles en usine. Un modèle préentraîné compromis peut se comporter normalement lors des tests de routine. Il peut ensuite mal réagir à un objet, une scène ou une commande particulière après le déploiement. Un environnement de simulation compromis peut faire réussir à un robot des tests qui auraient dû échouer. Aucun des deux scénarios n'exige qu'un attaquant touche le robot.

La recherche s'attaque au même problème

Du côté de la recherche, les travaux les plus récents visent le problème de variabilité plutôt que l'architecture des modèles. QUAL a été soumis à arXiv le 30 octobre et accepté au NeurIPS 2026 Workshop on Foundation Models for Temporal Systems. La méthode utilise un ensemble de modèles de fondation pour séries temporelles comme référence probabiliste afin d'aligner les quantiles de chaque membre avant de les combiner, sans étiquettes et sans réentraînement. Sur GIFT-Eval, les auteurs rapportent que l'alignement des quantiles réduit le MASE et le CRPS moyens des membres de 7,4 % et 9,8 %. Le cadre reste stable quand des prévisionnistes faibles entrent dans un ensemble dont la qualité ne peut pas être vérifiée à l'avance. Cette dernière propriété est la plus utile en pratique : sur le terrain, on sait rarement quel modèle est bon avant de l'avoir constaté.

Séparément, un article arXiv de 67 pages soumis le 29 octobre par Yuda Song et neuf coauteurs avance une thèse plus large. Le préentraînement, l'entraînement intermédiaire, l'affinage supervisé et l'apprentissage par renforcement peuvent tous s'exprimer comme un ajustement par maximum de vraisemblance à des distributions cibles générées par le modèle, soutiennent-ils. Cela ramène le cycle de vie par étapes à un seul entraîneur qui mélange données statiques et générations RL. Les auteurs annoncent un meilleur compromis précision-calcul et une couverture de tâches plus large. Si la thèse tient, elle comptera davantage pour les courbes de coût que pour les benchmarks de tête d'affiche.

Rien de tout cela ne comble l'écart sur lequel Tutor mise. Les robots apprennent encore sur un relevé mince comparé aux textes et aux images qui ont entraîné les modèles de langage. Les entreprises les plus proches de l'atelier sont celles qui paient pour construire ce relevé à la main, une prise à la fois.