- L’industrie de la robotique se situe actuellement à un stade équivalent à GPT-2.5 : les foundation models montrent des capacités réelles, mais l’écart entre les résultats en laboratoire et les déploiements sur le terrain reste important
- Même la prévision de 38 milliards de dollars de marché en 2035, relevée par Goldman Sachs d’un facteur 6 en un an, est jugée prudente par Bessemer, qui estime que le seul coût des données robotiques dépassera 3 milliards de dollars à l’échelle du secteur sur les deux prochaines années
- Parmi les fondateurs de startups américaines de robotique, 48 % sont issus de quatre institutions : Stanford, MIT, Berkeley et CMU, ce qui devrait accélérer une dynamique de concentration des talents au profit des gagnants
- La médiane des Series A dans la robotique de défense atteint 105 millions de dollars, soit deux fois celle des entreprises non liées à la défense, et Bessemer prévoit que le premier IPO au-delà de 50 milliards de dollars de ce secteur en émergera
- Sur les cinq dernières années, seules 42 entreprises de robotique ont levé plus de 30 millions de dollars, soit 18 fois moins que dans le logiciel, ce qui indique non pas une bulle, mais un sous-investissement structurel
Demande structurelle et perspectives de marché de la robotique
- La demande de remplacement de la main-d’œuvre dans les tâches physiques répétitives ou les environnements dangereux continue d’augmenter en raison des évolutions démographiques aux États-Unis, en Europe, au Japon et en Chine
- Certains analystes prévoient que le marché de la robotique atteindra 38 milliards de dollars d’ici 2035, et Goldman Sachs a relevé cette estimation d’un facteur 6 en un an
- Bessemer juge cette projection encore prudente, à la fois en vitesse et en ampleur
- Jeremy Levine, partner chez Bessemer, déclare : « D’ici 10 à 20 ans, il y aura sur Terre 100 000 fois plus de robots qu’aujourd’hui »
- Bessemer cherche à capter les opportunités d’investissement à un moment où mobilité des talents, percées technologiques et vents structurels favorables s’accélèrent simultanément. Son portefeuille comprend Waymo, Mind Robotics, Foxglove, Breaker, Noda, Voxel51, DroneDeploy, Auterion, Perceptron, ANYbotics, entre autres
Prévision 1 : le moment ChatGPT de la robotique approche, mais n’est pas encore là
- L’industrie de la robotique en est à un moment GPT-2.5 : les foundation models démontrent des capacités concrètes et des lois d’échelle commencent à apparaître, mais l’écart entre les démos de labo et les déploiements en production reste important
- Le modèle π0 de Physical Intelligence a réussi à plier du linge avec une dextérité de niveau humain
- L’article EgoScale, publié en février 2026, montre que les performances des politiques s’améliorent de manière prévisible avec la taille des données de préentraînement, apportant la première preuve solide que les foundation models robotiques suivent la même courbe d’amélioration pilotée par les données que les LLM
- Deux grandes questions restent ouvertes
- de quelle quantité de données a-t-on besoin pour combler l’écart entre les performances en laboratoire et la fiabilité de 99,9 % exigée en production
- à quoi ressemblera concrètement le moment ChatGPT de la robotique lorsqu’il arrivera
- Contrairement aux chatbots, il ne sera pas possible de prouver les capacités via une simple boîte de texte ; la preuve sera un robot capable d’exécuter des tâches complexes dans un environnement inconnu sans intervention humaine
- Domaines déjà commercialisés : automatisation d’entrepôt, assistance chirurgicale, livraison du dernier kilomètre, inspection industrielle ; des systèmes spécialisés pour des environnements contraints génèrent déjà du chiffre d’affaires
- Armen Aghajanyan, CEO de Perceptron : « Le cœur de la robotique dans le monde réel, ce n’est pas de meilleurs algorithmes de contrôle, mais des foundation models capables de comprendre le monde physique ; le contrôle du robot n’est qu’une fine couche au-dessus »
Prévision 2 : l’arrivée des lois d’échelle — les données coûtent cher, le capital forme le moat, et les world models pourraient offrir un raccourci
- Les LLM ont pu exploiter des centaines de milliers de milliards de tokens issus d’Internet, mais la robotique ne dispose pas d’un corpus équivalent
- Le volume mondial de données de manipulation robotique est estimé à environ 300 000 heures, à comparer à environ 1 milliard d’heures de vidéo sur Internet et 300 000 milliards de tokens de texte, ce qui crée un écart structurel
- Bessemer estime que le coût total des données robotiques à l’échelle du secteur dépassera 3 milliards de dollars sur les deux prochaines années
- cela inclut la téléopération, la vidéo égocentrique, la simulation et la collecte de démonstrations physiques
- les données robotiques ne peuvent ni être scrapées ni achetées ; elles doivent être générées directement pour chaque tâche et chaque environnement
- Ian Glow, CEO de Zeromatter : « La téléop seule ne peut pas constituer une stratégie de données gagnante ; il faut aller chercher des données via l’apprentissage par renforcement sur Internet ou dans des simulateurs pour atteindre l’échelle et la diversité nécessaires »
- World models : réseaux neuronaux qui apprennent les lois physiques à partir de vidéos à l’échelle d’Internet
- V-JEPA 2 de Meta, entraîné sur plus d’un million d’heures de vidéo, a atteint 80 % de succès zero-shot en pick-and-place sur un vrai bras robotique avec seulement 62 heures supplémentaires de données robotiques
- mais Cosmos de NVIDIA a nécessité 10 000 GPU H100 pendant 3 mois pour l’entraînement, ce qui fait aussi des world models une approche très capitalistique
- Simulation et apprentissage par renforcement : la transition sim-to-real fonctionne bien pour la locomotion, mais, pour la manipulation, les problèmes de fidélité des objets souples, des tissus et des liquides restent un sujet de recherche non résolu
- Brian Moore, CEO de Voxel51 : « Ce qui distingue les leaders des vendeurs de rêve dans l’IA physique, c’est l’obsession de la qualité des données ; de mauvaises données ne sont pas juste inefficaces, elles sont dangereuses »
Prévision 3 : la concentration des talents déterminera rapidement les gagnants — ce n’est pas un marché où 50 entreprises réussiront
- Parmi les entreprises américaines de robotique créées au cours des cinq dernières années et ayant levé plus de 30 millions de dollars, 43 % des fondateurs sont titulaires d’un doctorat
- Parmi eux, 48 % viennent de quatre institutions : Stanford, MIT, Berkeley et CMU
- 56 % ont au moins un cofondateur titulaire d’un doctorat, et 43 % ont un fondateur directement issu du monde académique
- Le moat de talent produit un effet composé selon la chaîne talent → capital → partenariats data → relation client → jeux de données propriétaires, ce qui accélère une dynamique winner-takes-most plus vite que beaucoup ne l’anticipent
- Dans les LLM, l’open source (Llama, Mistral) a démocratisé l’accès aux capacités, tandis qu’en robotique l’open source progresse avec LeRobot, Genesis, Isaac Lab, mais la friction physique demeure : « il faut toujours des robots »
- Les équipes ayant l’expertise la plus profonde en sim-to-real, manipulation, locomotion et fusion de capteurs construisent un avantage difficile à répliquer par de simples releases open source
Prévision 4 : les entreprises full-stack captent la valeur à court terme — les acteurs purement foundation model devront attendre
- Dans les LLM, un simple endpoint API comme GPT-4 a permis à des équipes de deux personnes de construire immédiatement des produits d’IA de pointe ; en robotique, il faut collecter des données par domaine, faire du fine-tuning adapté à l’environnement, intégrer le hardware et déployer une infrastructure opérationnelle
- Les moats qui se construisent aujourd’hui résident moins dans l’architecture des modèles que dans les pipelines de données propriétaires, l’expertise métier, l’infrastructure de déploiement et les relations clients qui génèrent des boucles de feedback
- La baisse du coût du hardware accélère encore cette dynamique
- Mike Winn, CEO de DroneDeploy : « Dans la construction, les robots terrestres sont passés de 100 000 dollars à moins de 15 000 dollars l’unité, et les drones avec station d’accueil de 200 000 dollars à moins de 20 000 dollars, ce qui nous fait franchir le seuil critique pour étendre les déploiements »
- La stack se découpe en trois couches
- couche infrastructure : foundation models, world models
- couche application : entreprises full-stack avec hardware sur mesure (humanoïdes, systèmes industriels) + entreprises full-stack appliquant l’IA à des plateformes commerciales sur étagère
- Si la valeur se concentre sur la couche applicative, c’est parce que la couche infrastructure n’est pas encore assez générale pour supporter seule des déploiements end-to-end
- Quand les foundation models progresseront et que le sim-to-real gagnera en maturité, le moment API de la robotique arrivera, mais cela relève plutôt de l’après-2028 ; dans la fenêtre actuelle, l’intégration verticale est l’espace qui crée une valeur durable
- Adrian Macneil, CEO de Foxglove : « L’avantage décisif dans l’IA physique ne vient pas de la nouveauté du modèle, mais de la qualité de l’infrastructure de données ; à mesure que les modèles convergent, les entreprises dotées du data flywheel le plus puissant gagnent »
Prévision 5 : la robotique de défense mènera le premier IPO de la catégorie au-delà de 50 milliards de dollars
- En 2025, la médiane des Series A dans la robotique de défense atteint 105 millions de dollars, contre 50 millions de dollars pour les entreprises hors défense, et cet écart s’élargit chaque année depuis 2021
- En mars 2026, Anduril a bouclé un tour sur une valorisation de 60 milliards de dollars ; le même mois, Saronic a levé une Series D de 1,75 milliard de dollars pour ses navires autonomes
- Les cycles d’achat de la défense sont longs mais prévisibles, avec des contrats de grande taille, des taux de renouvellement élevés et des coûts de changement importants
- Contrairement à la robotique commerciale, les acheteurs de la défense raisonnent non pas en ROI mais en termes de risque pour la sécurité nationale
- La géopolitique amplifie encore le phénomène : environ 90 % des robots humanoïdes vendus dans le monde en 2025 sont fabriqués en Chine
- Les modèles d’IA chinois accusent en moyenne environ 7 mois de retard sur les modèles américains, mais l’écart se réduit continuellement, tandis que le gouvernement américain commence à traiter la robotique comme un impératif de sécurité nationale
- Dimension dual-use : les entreprises les plus défensives ne construisent pas des systèmes d’armes à usage unique, mais des plateformes autonomes, systèmes de perception et infrastructures de décision pouvant aussi avoir des usages commerciaux
- Matthew Buffa, cofondateur de Breaker : « Les entreprises les plus intéressantes ne choisissent pas entre défense et commerce ; elles construisent des systèmes assez performants pour répondre aux exigences de la défense tout en étant innovants commercialement »
Prévision 6 : il n’y a pas de bulle robotique — au contraire, le secteur ne reçoit pas assez de capitaux
- Sur les cinq dernières années, 745 entreprises logicielles ont levé plus de 30 millions de dollars, contre 42 en robotique, soit 18 fois moins
- pourtant, le marché sous-jacent de la robotique est 30 fois plus grand que la dépense mondiale en logiciels
- Même en tenant compte du caractère capitalistique du hardware, il s’agit d’un sous-investissement structurel au regard de l’opportunité
- La plupart des analystes anticipent une croissance de l’industrie par 50 sur les dix prochaines années, mais Bessemer estime que cela reste limité à l’automatisation des workflows existants et ne prend pas en compte les nouvelles catégories d’activité économique créées par les robots généralistes
- Toutes les entreprises financées ne réussiront pas ; certaines valorisations sont excessives et le capital se concentrera sur un petit nombre de leaders
- Mais sélectivité et rareté sont deux choses différentes : le niveau global d’investissement en robotique reste très insuffisant au regard de l’ampleur de l’opportunité et du rythme des progrès des capacités
- C’est maintenant que s’ouvre la fenêtre pour investir dans les entreprises clés, avant l’arrivée du moment ChatGPT et avant que la consolidation des talents soit achevée ; attendre des preuves au point d’inflexion, c’est risquer de manquer l’opportunité
- Nikita Rudin, CEO de Flexion : « Dans cinq ans, la majorité des robots déployés dans le monde seront fabriqués non pas par les startups connues aujourd’hui, mais par des entreprises qui n’ont peut-être même pas encore commencé à construire des robots, mais qui savent produire à grande échelle »
Défis non résolus et débats ouverts
- Écart de fiabilité : passer d’un taux de succès de 80 % à 99,9 % n’est pas un problème linéaire
- cela pourrait nécessiter des approches fondamentalement différentes, notamment en sensing tactile, retour de force et sim-to-real pour la manipulation
- Lisa Yan, CEO d’Argus Systems : « D’après mon expérience chez Waymo, le déploiement réel devient plus difficile avec le temps et révèle des problèmes très spécialisés de curation des données ; réduire l’écart entre 99 % et 99,9 % prend plus de temps que la plupart ne l’imaginent »
- Problème du coût d’inférence : les world models et les grands modèles vision-langage-action coûtent cher à exécuter en temps réel
- les modèles texte peuvent être batchés sur une infrastructure partagée pour des milliers d’utilisateurs simultanés, mais les modèles robotiques doivent générer l’état de l’environnement toutes les quelques millisecondes pour chaque robot, ce qui impose en pratique des pipelines GPU dédiés
- le coût d’inférence des LLM a chuté d’environ 1 000× en trois ans ; savoir si la robotique suivra une courbe similaire déterminera la viabilité commerciale de l’approche foundation model
- L’interprétabilité (Interpretability) émerge comme prochaine couche d’infrastructure
- rien qu’au premier trimestre 2026, environ 6 milliards de dollars ont été injectés dans 6 à 7 entreprises de world models
- Mahesh Krishnamurthi, cofondateur de Vayu Robotics : « À mesure que le secteur mûrit, l’interprétabilité devient non négociable ; aujourd’hui, ces modèles restent des boîtes noires, et nous nous attendons à voir une vague de startups construire des outils pour les ouvrir »
- Open source vs fermé : dans les LLM, l’open source a fortement accéléré le développement de l’écosystème, mais on ne sait pas encore si la même dynamique s’appliquera à la robotique, où les données physiques et l’infrastructure de déploiement comptent autant que l’architecture des modèles
- l’open source pourrait commoditiser l’architecture des modèles plus vite que prévu, tandis que les couches données et déploiement pourraient rester propriétaires suffisamment longtemps
- les entreprises qui comprendront quelle partie de la stack ouvrir et quelle partie protéger obtiendront un avantage stratégique
La coexistence de deux vérités
- Brad Porter, CEO de Cobot : « Le moment ChatGPT de la robotique arrivera plus vite que la plupart ne le pensent et, lorsqu’il sera là, le goulot d’étranglement sera le temps de production (vrais robots, vraies tâches, vrais environnements) ; les entreprises qui optimisent pour le déploiement, et non pour la démo, se détacheront nettement »
- Philipp Wu, cofondateur d’une entreprise de robotique en stealth : « Le calendrier sera bien plus long que la plupart ne l’anticipent, et la robotique généraliste est encore à plus de cinq ans »
- Ces deux points de vue ne sont pas contradictoires ; ils décrivent des dimensions différentes : Porter parle du chemin vers le point d’inflexion, Wu de la distance réelle jusqu’à ce point
- Implication pour les fondateurs : déployer de manière décisive dès maintenant, tout en construisant avec le moment généraliste à l’horizon
- Le point d’inflexion approche ; les talents circulent, le hardware se commoditise, l’infrastructure de données se construit, et les entreprises qui définiront l’IA physique des dix prochaines années sont en train d’être créées et financées dès maintenant
1 commentaires
Je me demande quelles entreprises vont émerger.