La robotique connaît une nouvelle vague, portée par une forme inédite d'intelligence artificielle. Lors du Tech For Industry Show 2026 (Paris Expo Porte de Versailles), une table ronde a réuni Pierre-Yves Le Morvan (NVIDIA), Louis Esquerre Pourtere (Exotec), Sylvain Desroziers (Michelin), Christian Souche (Accenture) et Philippe Bartissol (Dassault Systèmes) pour répondre à cinq questions clés sur le physical AI. Point de départ : sur 550 responsables d'entrepôts et d'usines interrogés, 63 % pensent que l'industrie de demain sera gérée ou soutenue par l'IA, et 38 % ont déjà entamé cette transformation.

Pour NVIDIA, le physical AI, « c'est quand l'IA sort de vos PC et smartphones et entre dans le monde réel ». Depuis des décennies, la robotique consistait à programmer un robot pour une tâche précise — mais déplacer un boulon de quelques centimètres imposait de tout recoder. L'IA physique, elle, apporte la capacité de percevoir, raisonner et adapter son comportement à l'environnement. Elle repose sur trois piliers : la capacité de calcul embarquée, la simulation d'environnements réels, et un socle aussi ouvert que possible (open source) pour se déployer avec des partenaires.

Pour Michelin, l'enjeu est de passer d'une automatisation « très performante mais déterministe » à une autonomie que l'on souhaite contrôler : une usine plus flexible, apprenante, résiliente aux aléas — sans tomber dans la science-fiction d'une usine 100 % pilotée par l'IA. Exotec le confirme depuis les entrepôts : le physical AI répond au besoin de flexibilité et à la gestion des cas dégradés (le boulon absent dans 1-2 % des cas, ce qui, sur des millions d'opérations, arrive souvent). La bonne synthèse : passer de coder un robot à l'entraîner, tout en gardant du déterministe là où c'est nécessaire (soudure, assemblage) et de l'adaptatif là où l'environnement varie.

Malgré l'enthousiasme, l'adoption maximale n'est pas là. Plusieurs barrières se cumulent.

Les usines existantes ont des systèmes anciens et des données peu accessibles dans des formats hétérogènes — d'où la réponse d'un format ouvert comme OpenUSD pour les consolider. Pour passer à l'échelle sans faire rouler des AGV 24h/24 au risque d'accidents (comme pour les véhicules autonomes), il faut de la simulation à la fois rapide et suffisamment réaliste (NVIDIA Omniverse). Enfin, les experts en IA physique avec 20 ans d'expérience n'existent pas : le domaine n'existait pas il y a 5 ans. NVIDIA ajoute un message culturel : l'Europe, plus risk averse, doit oser explorer — « pour faire du vélo, il faut faire du vélo ».

Michelin détaille les freins industriels et humains. La fiabilité d'abord : une usine tourne 24/7, il faut des solutions robustes et maintenables. La sécurité ensuite, fondamentale dès qu'une IA « prend corps » près des machines et des hommes — « si vous mettez un humanoïde dans un atelier, la première question, c'est : où est le bouton d'arrêt d'urgence ? ». L'acceptation humaine : un robot à forme humaine de 1,80 m qui bouge est intimidant, et en avoir dix crée un effet d'échelle à maîtriser. Les compétences enfin : qui maintiendra et réentraînera ces systèmes dans un environnement variable ? Il faudra des profils hybrides (mécatronique, robotique, IA, data) qui n'existent pas encore. Exotec rappelle un frein tout bête : le coût — payer plus cher pour ce qu'un automate classique fait déjà à 90 % est difficile à vendre ; beaucoup préféreront un intérimaire pour les 10 % restants.

Pour Dassault Systèmes, l'automatisation « est absolument nécessaire » — « taxer les robots ne fait que ralentir l'automatisation et empêche de garder les usines en France ». Mais l'usine mêle systèmes déterministes (convoyeurs, robots programmés) et autonomes : le vrai défi est l'orchestration de tout cela, en utilisant l'autonomie « lorsque c'est utile », car elle a un coût et un temps de calcul (les automates cherchent 3 à 5 millisecondes). La donnée d'usine n'existe que chez celui qui l'opère : d'où un travail avec NVIDIA sur la combinaison jumeaux virtuels + données synthétiques pour entraîner les robots plus vite. « La simulation n'est pas tricher, c'est préparer » : si ça ne marche pas en simulation, aucune chance que ça marche en réel.

Michelin observe « beaucoup de preuves de concept » dont il faut sortir : la valeur n'est pas encore complètement prouvée, elle dépendra de la massification et du coût. Les PoC portent sur le fonctionnel (le robot tient-il la charge ?) et l'adaptabilité (« le cerveau »), mais il reste à travailler le hardware — jugé « fragile » par les mécaniciens — via une montée en TRL. Exotec nuance : le hardware progresse vite (un vivier français existe), et c'est plutôt la maturité des modèles et la capacité à réapprendre qui manquent (un opérateur humain devient efficace en quelques jours, un humanoïde demande des semaines d'entraînement). Recommandation partagée : ne pas attendre la solution parfaite, s'attaquer aux tâches où la valeur et la maturité le permettent — « je n'ai pas besoin d'un humanoïde pour bouger une caisse, un convoyeur suffit ».

Débat central. Dassault Systèmes rappelle que la vraie rupture est la perception (interprétation puis action), utile aux AGV, AMR et robots de picking aléatoire — qui n'ont pas de jambes. NVIDIA assume l'humanoïde comme étendard R&D (comme les véhicules autonomes : réussir sur l'humanoïde « drive » tout le reste), mais défend une plateforme laissant émerger les form factors les plus adaptés à chaque cas d'usage. Les exemples concrets abondent : Wandercraft déploie des humanoïdes autonomes chez Renault (ils portent des pneus), Schaeffler en Allemagne en prépare, et surtout Pegatron (usines de semi-conducteurs en Asie) et Amazon (convoyeurs d'entrepôts) montrent qu'un passage à l'échelle a déjà eu lieu. Un humanoïde entraîné plusieurs semaines pour une séquence de deux minutes devient rentable une fois déployé sur une flotte de 300-400 robots.

La conviction commune : personne ne réussit seul. Michelin combine projets internes (développer ses compétences), partenariats avec des fournisseurs (comprendre la maturité réelle) et collaborations avec des instituts de recherche/académiques pour les technologies à TRL très bas. Dassault Systèmes rappelle que l'Europe a deux grands acteurs du jumeau virtuel (dont Dassault Systèmes et Siemens) et travaille avec NVIDIA, ainsi qu'avec Neura Robotics (dont les « Neura Gyms », environnements physiques d'entraînement) et Agile Robots — l'avenir étant une combinaison d'entraînements physiques et virtuels (3DEXPERIENCE, plateformes Siemens, briques NVIDIA). NVIDIA insiste : sa plateforme, « c'est l'écosystème » (intégrateurs, éditeurs, start-up, instituts, Accenture, et en France Mistral et d'autres). Le message : « montons sur le vélo tous ensemble », en codéveloppement plus qu'en simple partenariat.

Interrogés sur une action pour faire de l'Europe un leader, les intervenants convergent : NVIDIA mise sur les données synthétiques et le fait de « faire causer les environnements entre eux » ; Exotec sur la chaîne de valeur hardware + software ; et Michelin, comme Dassault Systèmes, sur la formation — les métiers se transforment (mécatronique + IA + simulation + intégration), les formations ne sont pas encore adaptées, et il n'existe pas « un » profil roboticien. Michelin a d'ailleurs créé une académie interne physical AI pour former et reformer ses talents. Message final : « le moment, c'est aujourd'hui », avec un courage industriel et national à assumer.

Qu'est-ce que le physical AI ? C'est l'IA qui « sort des écrans » pour entrer dans le monde réel via la robotique : la capacité d'un robot à percevoir son environnement, raisonner et adapter son comportement — au lieu d'exécuter un programme figé. On passe de coder un robot à l'entraîner.

Pourquoi la robotique ne passe-t-elle pas encore à l'échelle ? À cause de barrières cumulées : données peu accessibles, besoin de simulation réaliste, manque d'experts, robustesse 24/7 non prouvée, enjeux de sécurité, coût des solutions et absence de profils hybrides (mécatronique + IA + data).

La simulation, est-ce tricher ? Non : « la simulation n'est pas tricher, c'est préparer ». Si une solution ne fonctionne pas en simulation, elle n'a aucune chance de fonctionner en réel. Combinée aux données synthétiques et aux jumeaux virtuels, elle permet d'entraîner les robots à l'échelle sans risque.

Les robots humanoïdes sont-ils prêts pour l'industrie ? Ils servent surtout d'étendard R&D. Pour l'industrie immédiate, ce sont plutôt les form factors sans jambes (AGV, AMR, robots de picking) dotés de perception qui se déploient. Des humanoïdes existent déjà (Wandercraft chez Renault), mais leur généralisation prendra du temps.

Cette table ronde a été enregistrée lors du Tech For Industry Show 2026, le salon B2B de la transformation industrielle (Smart Manufacturing, IA, Supply Chain) à Paris Expo Porte de Versailles. Retrouvez l'intégralité des échanges en vidéo ci-dessus, et rendez-vous les 19 et 20 mai 2027, Hall 7, pour la prochaine édition.