Les robots IA réussissent les tests en usine — ce que ça change pour ceux qui pensent à l'automatisation
L'IA de Google a permis aux robots d'atteindre un taux de réussite de 96 % lors du tri de pièces automobiles dans de vraies usines Mercedes-Benz, montrant que les robots IA passent des démonstrations au travail industriel réel.
- 96%
- taux de réussite dans les vraies usines Mercedes-Benz
- 200+
- tâches distinctes évaluées
- 20–30%
- plus rapide que la version précédente
- Nov 10, 2026
- date de lancement
Gemini Robotics 2.5 de Google DeepMind vient de faire quelque chose que la plupart des démos de robots évitent : fonctionner sur une vraie ligne de production. Dans deux usines Mercedes-Benz — l'une à Kecskemét, en Hongrie, et l'autre à Sindelfingen, en Allemagne — un robot humanoïde Apollo 2 a trié des pièces automobiles en métal dans des plateaux, dans l'ordre précis dont chaque véhicule a besoin. Il a réussi 96 % du temps, ce que DeepMind appelle un progrès prometteur vers un usage industriel réel.
Ce chiffre compte parce que la vraie difficulté de l'automatisation industrielle n'a jamais été de faire fonctionner un robot en laboratoire. Le défi, c'est de le faire marcher dans une vraie usine — éclairage changeant, pièces légèrement différentes chaque jour, ouvriers qui se déplacent à proximité. Le même modèle d'IA qui a appris en pratiquant 200 tâches différentes — plier des vêtements, emballer des aliments, accrocher des tasses — s'est adapté à une usine réelle avec très peu d'ajustements. Voilà le vrai cap franchi.
DeepMind indique que le nouveau modèle accomplit les tâches 20 à 30 % plus vite que la version précédente et atteint des taux de réussite supérieurs de 30 à 100 % selon les types de travail. Le modèle est en cours de déploiement via des partenaires — Apptronik, Agile Robots et Boston Dynamics — sans API publique pour l'instant. Il est couplé à un modèle de planification distinct qui suit le flux de travail global tandis que Gemini Robotics 2.5 gère les mouvements précis des mains et des bras.
Pour ceux qui gèrent des opérations ou développent des produits d'automatisation, le signal est limpide : le problème le plus difficile de l'automatisation physique — gérer la variabilité du monde réel — est en train d'être résolu. Les mêmes progrès qui améliorent l'IA en écriture et en code rendent maintenant les robots plus fiables sur le terrain. Si vous travaillez dans la fabrication, la logistique ou tout domaine impliquant de saisir, trier ou emballer des objets physiques, la question n'est plus de savoir si cette technologie fonctionne. La question est de savoir quand commencer.