XDOF vise 1,2 Md$ : la ruée sur les données robotiques

XDOF et la nouvelle prime accordée aux données du monde physique

XDOF viserait une valorisation d’environ 1,2 milliard de dollars dans le cadre d’un tour de série B encore en discussion. L’information, révélée par TechCrunch, intervient seulement trois mois après la sortie du stealth de cette jeune entreprise spécialisée dans les données robotiques. Le média américain résume la situation dans son titre : « XDOF, just 3 months out of stealth, is in talks for a Series B at a $1.2B valuation ». Il s’agit donc d’échanges rapportés, et non d’une opération annoncée comme finalisée par l’entreprise.

Le chiffre est néanmoins significatif. Une valorisation de 1,2 milliard de dollars placerait XDOF dans la catégorie des entreprises valorisées plus d’un milliard de dollars, alors même que son nom vient tout juste d’émerger publiquement. Surtout, elle illustrerait le déplacement d’une partie de l’attention financière de l’intelligence artificielle : après les puces, les centres de données et les grands modèles de langage, les investisseurs regardent de plus près les ressources nécessaires à l’IA capable d’agir dans le monde réel.

Le sujet n’est pas simplement celui de la robotique industrielle classique. Les modèles de robotique dite « générale », capables de recevoir une instruction en langage naturel, de reconnaître une scène, de planifier une action et de commander un bras ou une machine mobile, exigent des données très différentes de celles qui ont servi à entraîner les systèmes conversationnels. Un modèle de texte peut apprendre à partir de documents, de livres, de pages web ou de code. Un robot, lui, doit aussi apprendre ce que signifie saisir un objet, doser une force, éviter une collision, ouvrir un tiroir, repositionner sa pince après un glissement ou s’adapter à une scène mal rangée.

Ces interactions sont difficiles à transformer en jeux de données. Elles ne se résument pas à des images : une démonstration robotique peut associer de la vidéo, des mesures de profondeur, les positions des articulations, les commandes envoyées aux moteurs, les signaux d’effort, les mouvements d’une main humaine, une description linguistique de la tâche et un résultat final. La qualité de l’exécution importe autant que le volume. Une série de gestes ratés ou mal annotés peut être moins utile qu’un ensemble plus limité de manipulations variées, reproductibles et correctement synchronisées.

Dans ce contexte, la promesse d’un fournisseur de données robotiques prend une dimension particulière. Une entreprise qui parvient à organiser la collecte d’interactions physiques, à les normaliser et à les rendre exploitables pour l’entraînement peut se positionner en amont de plusieurs marchés : celui des laboratoires qui construisent les modèles, celui des fabricants de robots qui veulent les déployer, et celui des entreprises clientes qui cherchent à automatiser des opérations concrètes.

Les informations relayées par TechCrunch ne détaillent pas, dans le brief disponible, les investisseurs concernés, le montant recherché, les conditions précises de l’opération ni les caractéristiques techniques de l’offre de XDOF. Ces éléments ne doivent donc pas être extrapolés. Mais la seule hypothèse d’une série B à ce niveau de valorisation donne un indicateur de la lecture des investisseurs : les données issues du monde physique sont perçues comme un actif stratégique, potentiellement aussi rare que les ressources de calcul ou les équipes capables d’entraîner des modèles de grande taille.

Le nom même de XDOF renvoie à une notion familière de la robotique : les degrés de liberté, souvent désignés par l’acronyme anglais DOF, pour degrees of freedom. Dans un système mécanique, cette expression décrit les mouvements indépendants qu’un objet, un bras ou un mécanisme peut effectuer. Sans présumer de la signification exacte que l’entreprise donne à sa marque, cette référence s’inscrit naturellement dans un univers où l’IA ne traite plus seulement de l’information symbolique : elle doit composer avec des mouvements, des contraintes géométriques et des objets soumis à la gravité.

Le moment est aussi révélateur d’un changement de vocabulaire dans l’industrie. Pendant plusieurs années, le débat sur l’IA générative a été largement dominé par la taille des modèles, le nombre de paramètres, les performances aux tests et les besoins en accélérateurs de calcul. En robotique, la question revient vite à une réalité plus matérielle : quelles données permettent d’entraîner un système pour qu’il réalise une tâche hors d’un environnement de démonstration ? La valorisation envisagée pour XDOF, si elle se confirme, constituerait une réponse financière à cette question.

Pourquoi les données robotiques sont plus difficiles à produire que les données textuelles

L’abondance apparente des données numériques a parfois créé une illusion : puisqu’il existe des milliards d’images et de textes en ligne, l’IA disposerait naturellement de tout ce dont elle a besoin pour apprendre à agir. Or observer le monde et le manipuler sont deux problèmes distincts. Une image montre qu’une tasse est posée sur une table ; elle ne dit pas nécessairement quelle pression exercer pour la prendre, comment compenser son poids, quelle trajectoire évite les autres objets, ni ce qu’il faut faire si la tasse est humide ou si sa poignée est tournée vers le mur.

La robotique a toujours souffert de cette distance entre perception et action. Les systèmes traditionnels sont souvent très efficaces lorsqu’ils sont configurés pour une tâche précise dans un environnement contrôlé. Une cellule industrielle peut répéter une opération à grande vitesse lorsque les pièces arrivent au même endroit et dans la même orientation. Mais l’automatisation devient beaucoup plus complexe lorsque les objets varient, que la scène est encombrée, que les matériaux sont fragiles ou que l’espace de travail change régulièrement.

Les approches fondées sur l’apprentissage cherchent justement à élargir cette capacité d’adaptation. Elles ont besoin d’exemples montrant comment une action est réalisée dans des circonstances diverses. Pour une tâche aussi simple en apparence que « mettre un objet dans un bac », les données doivent idéalement couvrir des objets de tailles, de formes et de surfaces différentes ; des positions variées ; plusieurs vitesses ; des erreurs de préhension ; des variations de lumière ; et les ajustements nécessaires en cours de mouvement. Un robot ne peut pas déduire entièrement ces cas à partir de descriptions textuelles.

Cette rareté tient d’abord au coût de la collecte. Il faut disposer de robots, de capteurs, d’opérateurs, d’espaces équipés et de procédures de contrôle. Contrairement à un corpus de textes, une heure de données de manipulation implique généralement qu’un dispositif physique fonctionne réellement, que les capteurs soient calibrés et que les séquences soient récupérables. Les données doivent aussi être nettoyées : un capteur peut perdre sa synchronisation, un mouvement peut être interrompu, une pince peut manquer sa cible, une caméra peut être occultée.

La diversité est une seconde difficulté. Des milliers de répétitions d’un même geste dans une même cuisine de laboratoire n’équivalent pas à des milliers de situations nouvelles. Pour qu’un modèle soit utile, il faut exposer le système à des différences de configuration, de matériaux, de tailles et de scénarios. Cette exigence rend la production de données plus longue et plus coûteuse, car elle ne consiste pas seulement à accumuler des heures de vidéo. Elle exige de choisir ce que l’on fait faire aux robots, à quelles conditions et avec quels instruments de mesure.

Les données peuvent par ailleurs être recueillies de plusieurs façons. Une méthode repose sur la téléopération, dans laquelle une personne contrôle à distance un robot et fournit ainsi des démonstrations. Une autre utilise des systèmes de capture de mouvement ou des dispositifs portés par des opérateurs afin d’enregistrer des gestes humains. Les robots peuvent aussi produire des traces par essais successifs, dans des environnements réels ou simulés. Chacune de ces approches a ses avantages et ses limites : fidélité au geste humain, coût, vitesse de collecte, capacité à mesurer les forces ou différence entre le corps humain et la machine finale.

Le problème de la compatibilité matérielle est central. Les données générées avec un bras robotique donné ne se transfèrent pas automatiquement à un autre appareil. Les dimensions, les pinces, le nombre d’articulations, les capteurs et les limites de vitesse peuvent différer. Un jeu de données peut donc être abondant tout en restant étroitement lié à une plateforme particulière. Pour les acteurs qui ambitionnent de construire des modèles utilisables sur plusieurs robots, l’enjeu est de représenter les actions et les observations de manière suffisamment générale sans perdre les informations nécessaires au contrôle précis d’une machine réelle.

C’est ici que les données deviennent un goulet d’étranglement. Les capacités de calcul peuvent être achetées ou louées, même si elles restent coûteuses. Les architectures de modèles circulent rapidement dans les publications scientifiques et les communautés open source. En revanche, une collection d’interactions physiques de haute qualité, difficile à reproduire et associée à un savoir-faire opérationnel, peut conférer un avantage plus durable. Elle résulte d’une infrastructure, de processus de collecte et d’un travail de sélection qui ne se dupliquent pas instantanément.

Le parallèle avec la vision par ordinateur est utile, à condition de ne pas le pousser trop loin. Le jeu de données ImageNet, lancé à la fin des années 2000, a joué un rôle majeur dans l’accélération de la reconnaissance d’images en fournissant un vaste ensemble d’images annotées. La robotique cherche aujourd’hui ses propres ressources structurantes, mais l’équivalent est plus difficile à constituer. Reconnaître une catégorie dans une image est une tâche différente du contrôle continu d’une machine dans un espace tridimensionnel, avec des conséquences physiques immédiates en cas d’erreur.

La notion de « données robotiques » recouvre donc plusieurs actifs : les enregistrements bruts, les annotations, les métadonnées sur les robots utilisés, les descriptions de tâches, les systèmes permettant de synchroniser les flux, les outils d’évaluation et les droits d’usage. Une base qui ne précise pas clairement les conditions dans lesquelles les données peuvent servir à l’entraînement commercial vaut moins qu’un corpus dont la gouvernance est définie. Le débat sur la provenance des données, déjà majeur pour les modèles de langage et d’image, se pose aussi pour les données du monde physique.

Pour une entreprise comme XDOF, si l’ambition rapportée par TechCrunch se concrétise, la question ne sera donc pas seulement de démontrer qu’elle peut produire beaucoup de données. Elle devra prouver leur pertinence, leur diversité, leur qualité technique et leur utilisabilité pour différentes architectures et plateformes. Dans un secteur où les démonstrations spectaculaires abondent mais où le déploiement fiable reste difficile, la valeur économique des données dépendra de leur capacité à réduire l’écart entre un prototype de laboratoire et une opération répétable.

Des laboratoires aux constructeurs, une chaîne de valeur en recomposition

La course aux données physiques ne part pas de zéro. Les grandes entreprises technologiques et les équipes de recherche en robotique travaillent depuis longtemps sur l’apprentissage par démonstration, l’apprentissage par renforcement, la simulation et le transfert de politiques de contrôle. Google DeepMind a notamment présenté RT-1 en 2022, un modèle destiné à la robotique entraîné sur des données issues de robots réels. En 2023, l’équipe a présenté RT-2, qui cherchait à relier les capacités de modèles vision-langage à l’action robotique.

Ces travaux ont contribué à populariser l’idée de modèles capables de généraliser entre des consignes et des tâches plutôt que d’être programmés séparément pour chaque mouvement. Ils ont aussi rendu visible une limite fondamentale : l’amélioration des modèles ne peut pas être dissociée de l’accès à des démonstrations physiques. Les laboratoires disposant de flottes de robots et de longues années de collecte possèdent un avantage difficile à mesurer à partir des seules publications.

La recherche académique a également tenté d’élargir les ressources disponibles. Le projet Open X-Embodiment, présenté en 2023, a réuni 22 jeux de données robotiques provenant de plusieurs institutions. L’initiative visait précisément à explorer l’entraînement de modèles sur des données hétérogènes, collectées avec différents robots et pour différentes tâches. Son existence souligne à la fois la volonté de mutualiser les efforts et la fragmentation persistante du domaine : les données sont dispersées, les formats divergent et les robots ne disposent pas tous des mêmes capacités.

Dans le secteur privé, le mouvement dépasse les seuls laboratoires de recherche. Les fabricants de robots humanoïdes, les concepteurs de bras collaboratifs, les spécialistes des entrepôts et les entreprises qui développent des modèles d’action ont tous besoin de données correspondant à leurs usages. Figure, entreprise américaine spécialisée dans les robots humanoïdes, a annoncé en février 2024 une levée de fonds de 675 millions de dollars impliquant notamment Microsoft, OpenAI, Nvidia et Jeff Bezos par l’intermédiaire de sa structure d’investissement. Cette opération a témoigné de l’intérêt des grands groupes pour l’interface entre IA et robotique physique.

Nvidia, de son côté, a multiplié les annonces autour de la robotique et de la simulation. En mars 2024, l’entreprise a présenté Project GR00T, une initiative destinée au développement de modèles de fondation pour robots humanoïdes. Son importance ne tient pas seulement à un modèle ou à une plateforme : Nvidia est aussi présente dans les puces, les outils de simulation et l’infrastructure logicielle. Cette position lui permet de relier plusieurs étapes de la chaîne de valeur, de l’entraînement des modèles à leur exécution sur des machines.

Les entreprises de données comme XDOF s’inséreraient dans une autre partie de cette chaîne. Elles ne sont pas nécessairement les constructeurs du robot final ni les éditeurs du modèle le plus visible. Mais elles peuvent devenir des partenaires critiques si elles détiennent des corpus difficiles à recréer. Une analogie imparfaite mais éclairante peut être faite avec les entreprises qui fournissent des données annotées pour la vision par ordinateur : elles ont permis à de nombreux acteurs de développer plus vite des systèmes de perception. En robotique, l’enjeu est plus vaste, parce que les données comprennent aussi des actions et des conséquences physiques.

Cette situation peut produire plusieurs modèles économiques. Un fournisseur peut vendre l’accès à des jeux de données ; réaliser des collectes sur mesure pour un client ; fournir une infrastructure permettant à des flottes de robots d’enregistrer et de gérer leurs propres données ; ou encore participer directement à l’entraînement et à l’évaluation des modèles. Le brief de TechCrunch ne permet pas d’identifier le modèle exact de XDOF. La valorisation évoquée suggère toutefois que le marché attribuerait une forte valeur à sa capacité de création ou de gestion de données robotiques.

La concentration est un risque structurel. Si quelques acteurs possèdent les plus grands ensembles d’interactions physiques, les nouveaux entrants pourraient se retrouver dépendants de leurs conditions d’accès. À l’inverse, un marché de fournisseurs spécialisés peut aussi réduire les barrières à l’entrée pour des équipes qui n’ont pas les moyens d’acheter et d’opérer une vaste flotte de robots. Tout dépendra du degré d’ouverture des données, de leur interopérabilité et de la possibilité pour les clients de les utiliser avec leurs propres matériels et modèles.

Les constructeurs ont intérêt à conserver une partie de leur collecte en interne, car les données de leurs machines reflètent leurs spécificités mécaniques et leurs cas d’usage clients. Les laboratoires de modèles ont intérêt à accumuler des corpus transversaux afin d’améliorer la généralisation. Les fournisseurs de données, enfin, cherchent à devenir neutres ou compatibles avec plusieurs plateformes. Ces intérêts peuvent s’aligner, mais ils peuvent également entrer en concurrence. Le contrôle de la donnée déterminera en partie qui capte la valeur lorsqu’un modèle robotique devient plus performant.

La négociation rapportée autour de XDOF intervient donc dans une phase où le secteur cherche encore ses frontières. Le logiciel de contrôle, la donnée, le modèle, le simulateur et le robot sont profondément liés. Pourtant, les investisseurs financent déjà des entreprises positionnées sur chacun de ces maillons. Une valorisation élevée pour un acteur des données signalerait que le marché ne considère plus cette couche comme un simple service d’exécution, mais comme une technologie et une infrastructure susceptibles de peser sur l’évolution de toute la filière.

Une valorisation élevée, entre rareté industrielle et spéculation sur les modèles d’action

Le niveau de valorisation évoqué par TechCrunch appelle une lecture prudente. Une discussion de financement ne garantit ni la conclusion de l’opération ni le maintien des conditions initialement envisagées. Dans l’écosystème technologique, les valorisations annoncées ou rapportées reflètent autant les attentes sur une entreprise que ses revenus présents. Elles dépendent de la concurrence entre investisseurs, du montant levé, des droits associés aux actions et de la perception du potentiel futur.

Dans le cas de XDOF, l’intérêt réside moins dans la seule étiquette de « licorne » potentielle que dans ce qu’elle révèle du raisonnement sous-jacent. Les investisseurs semblent prêts à attribuer une valeur importante à un acteur exposé aux données robotiques, avant même que les robots à usage général aient démontré un déploiement massif dans la vie quotidienne. C’est un pari sur la maturation prochaine des modèles d’action, mais également sur l’idée que les meilleurs jeux de données seront rares au moment où la demande s’accélérera.

Cette logique comporte une part industrielle tangible. Construire une capacité de collecte demande des équipements, des sites, des protocoles et des équipes. À la différence d’une application logicielle classique, l’activité peut nécessiter des dépenses matérielles et opérationnelles importantes. Si une entreprise a réellement accumulé des données utiles et mis en place un système reproductible pour en générer de nouvelles, elle possède potentiellement une infrastructure que les concurrents ne peuvent pas répliquer en quelques semaines.

Mais le secteur reste soumis à de grandes incertitudes. Il n’existe pas encore de consensus sur la quantité et le type de données nécessaires pour entraîner des modèles véritablement polyvalents. Les progrès en simulation, en apprentissage auto-supervisé et en transfert entre robots pourraient réduire certains besoins de collecte. À l’inverse, ils pourraient augmenter la demande en données réelles de haute qualité, indispensables pour valider et ajuster les modèles face aux imperfections du monde physique.

La simulation est précisément l’un des points de tension. Elle permet de générer à grande échelle des scènes et des trajectoires dans des environnements virtuels. Elle est utile pour tester des politiques, explorer des situations dangereuses ou rares et réduire le coût des premiers essais. Mais un environnement simulé ne reproduit pas parfaitement les frottements, les déformations, les capteurs imparfaits, les objets inattendus ou les gestes humains. Le passage de la simulation au réel, souvent appelé sim-to-real, reste un défi. Les données collectées sur de véritables robots gardent donc une valeur particulière.

La valorisation potentielle de XDOF s’inscrit aussi dans une période où la frontière entre un jeu de données et un produit d’IA devient moins nette. Une plateforme de collecte peut intégrer des outils d’annotation automatisée. Un fournisseur peut aider à définir les tâches et les métriques. Un ensemble de données peut être couplé à un modèle préentraîné, à un environnement de simulation ou à un système de déploiement. Dans ces conditions, valoriser seulement « des données » serait réducteur ; les investisseurs peuvent chercher à financer une capacité complète de production de connaissances actionnables pour les robots.

Le risque, pour le marché, serait de confondre l’importance stratégique d’un actif avec la certitude d’un modèle économique durable. Les données physiques sont coûteuses et difficiles à acquérir, mais leur valeur dépend de leur fraîcheur, de leur diversité, de leurs droits d’utilisation et de leur correspondance avec les besoins de clients réels. Un corpus utile pour entraîner un bras dans un laboratoire peut ne pas répondre aux contraintes d’un entrepôt, d’une cuisine professionnelle, d’un site de production ou d’un environnement de soins.

Les critères de vérification seront donc essentiels. Les clients et investisseurs devront s’intéresser à la provenance des données, aux conditions de collecte, aux mécanismes de consentement lorsque des opérateurs humains participent aux démonstrations, à la qualité des annotations, aux modalités d’export et aux performances obtenues par les modèles entraînés sur ces données. La quantité d’heures enregistrées ne suffira pas comme indicateur unique. Les progrès devront être mesurés sur des tâches définies, des robots précis et des environnements représentatifs.

Pour les jeunes entreprises du domaine, cette phase peut favoriser une course à la capacité : davantage de robots, davantage de sites de collecte, davantage d’opérateurs et de capteurs. Elle peut également encourager la consolidation, les fabricants de robots pouvant chercher à internaliser les données, tandis que les laboratoires de modèles pourraient nouer des accords exclusifs avec des fournisseurs. La discussion de série B de XDOF, à peine trois mois après sa sortie du stealth selon TechCrunch, montre à quel point cette course peut aller vite.

Il faut enfin distinguer la robotique de l’IA conversationnelle sur un point majeur : le délai de validation. Un modèle de langage peut être déployé rapidement en ligne, puis mis à jour par logiciel. Un robot qui interagit avec des objets, des équipements ou des personnes doit être testé dans des conditions plus strictes. Les cycles de conception, de sécurité et d’intégration sont plus longs. Le marché peut donc valoriser très tôt les infrastructures de données, tout en attendant encore plusieurs années avant que certains usages robotiques ne se diffusent à grande échelle.

Ce que cette course peut changer pour la France et l’Europe

Pour les acteurs français et européens, la montée en puissance des données robotiques pose une question d’autonomie technologique qui ne se limite pas aux modèles de langage. L’Europe dispose de compétences reconnues en robotique industrielle, en vision par ordinateur, en systèmes embarqués, en automatisation et en recherche académique. La France accueille notamment des laboratoires et des entreprises travaillant sur la robotique, l’IA et les applications industrielles. Mais la capacité à collecter et exploiter à grande échelle des interactions physiques constitue une couche distincte, qui demande des investissements, des infrastructures et des partenariats avec les utilisateurs finaux.

Les environnements industriels européens peuvent représenter une opportunité. Les usines, les entrepôts, les laboratoires et les sites logistiques concentrent des tâches où la robotique est déjà présente ou recherchée. Ils offrent potentiellement des conditions de collecte pertinentes pour des cas d’usage concrets. Mais ils soulèvent également des contraintes fortes : confidentialité des procédés, sécurité des employés, disponibilité limitée des lignes de production et réticence légitime à faire circuler des données décrivant des opérations sensibles.

Cette tension pourrait favoriser des modèles de collecte au plus près des clients. Au lieu de centraliser toutes les données brutes, des solutions peuvent être conçues pour traiter ou anonymiser certaines informations localement, selon les exigences des entreprises. Cela ne résout pas automatiquement les difficultés de gouvernance, mais cela montre que la valeur ne se trouve pas uniquement dans l’accumulation centralisée. La capacité à respecter les contraintes de confidentialité et à prouver la maîtrise des flux de données peut devenir un avantage commercial en Europe.

Le cadre réglementaire européen est également appelé à peser sur la manière dont ces technologies sont développées et déployées. Le règlement européen sur l’intelligence artificielle, l’AI Act, introduit une approche par niveaux de risque pour certains systèmes d’IA. Il ne transforme pas à lui seul les règles de collecte des données robotiques, mais il s’inscrit dans un environnement où les exigences de transparence, de sécurité et de gouvernance prennent une importance croissante. Pour les entreprises qui visent des usages physiques, la conformité ne pourra pas être séparée des processus d’ingénierie.

Les questions de responsabilité sont particulièrement sensibles lorsqu’un modèle pilote un dispositif matériel. Un résultat inadéquat d’un modèle conversationnel peut être gênant ou coûteux ; une erreur robotique peut endommager un objet, interrompre une production ou créer un risque de sécurité. Les données d’entraînement doivent donc être complétées par des mécanismes de contrôle, des limites opérationnelles, des procédures de test et une supervision adaptée. Aucun volume de données ne dispense un fabricant ou un intégrateur de ces obligations.

Pour les entreprises françaises qui envisagent l’automatisation, le discours sur les modèles robotiques généraux doit ainsi être lu avec pragmatisme. Les cas d’usage les plus immédiats restent souvent ceux où les tâches sont assez répétitives, les environnements suffisamment structurés et les bénéfices mesurables. L’arrivée de meilleurs modèles et de données plus variées peut élargir progressivement le périmètre des opérations automatisables, notamment là où la programmation traditionnelle atteint ses limites. Mais cette évolution dépendra aussi des coûts d’intégration, de maintenance, de formation des équipes et de sûreté.

La compétition internationale peut néanmoins ouvrir des fenêtres pour des acteurs européens spécialisés. Ils peuvent développer des jeux de données centrés sur des secteurs où l’Europe possède des savoir-faire : industrie manufacturière, logistique, énergie, agriculture, aéronautique, santé ou services techniques. Il ne s’agit pas de supposer que XDOF ou d’autres entreprises cibleront ces marchés ; le point est plus général. La donnée physique tend à être contextualisée. Un corpus consacré à une tâche industrielle exigeante peut avoir une valeur élevée même s’il est moins spectaculaire qu’une collection généraliste de vidéos robotiques.

Les instituts de recherche et les programmes publics ont également un rôle dans l’interopérabilité. Les initiatives ouvertes, à l’image d’Open X-Embodiment, montrent l’intérêt de formats permettant de croiser plusieurs robots et plusieurs tâches. Pour l’Europe, favoriser des standards de représentation, des protocoles d’évaluation et des mécanismes de partage sécurisé pourrait éviter que l’accès aux données ne devienne entièrement dépendant de quelques plateformes extra-européennes. L’ouverture n’implique pas nécessairement la publication de données industrielles sensibles ; elle peut concerner les outils, les méthodes et les interfaces.

La question des compétences est tout aussi importante. La robotique alimentée par l’IA requiert des profils capables de relier mécanique, automatique, apprentissage machine, vision, logiciel embarqué et sûreté. La collecte de données elle-même n’est pas une activité secondaire : elle mobilise des spécialistes des capteurs, des opérateurs, des ingénieurs de validation et des experts des processus métier. Une stratégie centrée uniquement sur l’achat de modèles ou de robots importés risquerait de laisser de côté cette expertise opérationnelle.

Dans cette perspective, la valorisation potentielle de XDOF est un signal pour le marché francophone, pas une preuve que tous les modèles économiques sont déjà établis. Elle rappelle que la souveraineté technologique ne se joue pas seulement dans la propriété des algorithmes ou des infrastructures de calcul. Elle se joue également dans l’accès légal, fiable et durable aux observations et aux gestes qui permettront aux machines d’apprendre à travailler dans les environnements où les entreprises européennes créent de la valeur.

Vers un marché où la donnée, le robot et le modèle ne pourront plus être séparés

La discussion de financement autour de XDOF intervient à un moment charnière. La robotique bénéficie du regain d’attention suscité par les modèles génératifs, les systèmes vision-langage et les ambitions autour des humanoïdes. Mais son adoption ne suivra pas nécessairement le même rythme que celle des assistants logiciels. Dans le monde physique, chaque progrès doit franchir l’épreuve de la fiabilité, de l’intégration et du coût. Les données constituent l’un des moyens les plus concrets d’améliorer cette fiabilité, à condition qu’elles soient représentatives des situations rencontrées sur le terrain.

Le scénario le plus probable à court terme n’est pas celui d’un unique modèle universel contrôlant tous les robots dans tous les contextes. Les contraintes des matériels et des métiers resteront fortes. En revanche, des modèles plus génériques pourraient servir de base, puis être adaptés à des flottes, des tâches et des environnements spécifiques. Dans ce schéma, les données deviennent la matière première de l’adaptation. Elles permettent de spécialiser un système sans repartir de zéro à chaque nouveau cas d’usage.

Cette évolution peut accroître la valeur des entreprises capables d’organiser un cycle complet : capturer les interactions, les vérifier, entraîner ou ajuster un modèle, mesurer ses résultats, puis utiliser les nouvelles opérations du robot pour enrichir le corpus. Une telle boucle de données peut devenir plus importante que la possession ponctuelle d’un grand stock de séquences. Les données perdent rapidement de leur intérêt si elles ne correspondent plus aux robots, aux logiciels et aux tâches effectivement déployés.

Le marché devra alors arbitrer entre deux visions. La première parie sur de grandes plateformes centralisées, possédant des corpus massifs et capables de proposer des modèles à de nombreux clients. La seconde repose davantage sur des données locales, sectorielles et protégées, détenues par les constructeurs, les intégrateurs ou les entreprises utilisatrices. Les deux peuvent coexister : un modèle général peut être entraîné sur des données larges, puis ajusté avec des données confidentielles issues d’un site particulier.

Pour XDOF, l’enjeu sera de démontrer sa place dans cette architecture. Si la série B rapportée par TechCrunch se matérialise autour de 1,2 milliard de dollars de valorisation, l’entreprise disposera d’une attente élevée à satisfaire. Le marché voudra savoir si ses données permettent effectivement d’améliorer les performances de robots dans des tâches variées, si elles sont compatibles avec différents matériels et si sa capacité de collecte peut suivre l’accélération attendue du secteur. Une valorisation importante peut financer l’infrastructure nécessaire, mais elle rend aussi l’exécution plus visible et plus exigeante.

À plus long terme, le point décisif sera peut-être moins le volume brut de données que leur pouvoir de généralisation. Les acteurs qui gagneront ne seront pas nécessairement ceux qui enregistreront le plus de gestes, mais ceux qui identifieront les démonstrations les plus informatives, les échecs les plus instructifs et les variations les plus utiles. La donnée robotique pourrait ainsi devenir un actif comparable à une cartographie détaillée du monde des actions : pas seulement une archive de mouvements passés, mais une base permettant aux machines de mieux anticiper les conséquences de leurs gestes futurs.