L’économie des données robotiques : le coût par heure de démonstration

Une personne est assise à un bureau dans un laboratoire de robotique, coiffée d’un casque VR, pliant la même serviette pour la deux-centième fois avant le déjeuner. Chaque pliage prend une minute ou deux. Un bon jour, cet opérateur accumule deux ou trois heures de données de manipulation propres et annotées sur l’ensemble d’un poste, et une bonne partie de ce qui est enregistré finit à la poubelle parce que la pince a glissé, le tissu s’est fripé ou une caméra a traversé la scène. Cette serviette est discrètement l’un des matériaux les plus coûteux de l’IA moderne. Elle se tarife non pas au kilogramme, mais à l’heure de démonstration.

Les modèles de fondation robotiques apprennent à partir de démonstrations, et la recette de mise à l’échelle que le domaine a empruntée aux modèles de langage suppose que les données sont bon marché et quasi infinies. Les données robotiques ne sont ni l’un ni l’autre. Le texte se récupère par scraping ; la manipulation riche en contacts s’exécute, une tentative soignée à la fois, sur un matériel qui peut coûter aussi cher qu’une voiture. Le chiffre qui gouverne réellement la stratégie n’est donc ni le nombre de paramètres ni la longueur de contexte. C’est le coût marginal de la prochaine heure de démonstration exploitable, et presque chaque laboratoire sérieux s’organise aujourd’hui, implicitement ou explicitement, autour de la réduction de ce chiffre.

Cet article retrace l’origine de ce coût, ce que les jeux de données publics révèlent de l’échelle encore manquante, et pourquoi la réponse redessine les arbitrages entre production interne et achat, les budgets de simulation, et jusqu’au lieu où une entreprise choisit de s’immatriculer.

Pourquoi l’heure de démonstration est l’unité qui compte

Une heure de démonstration, c’est une heure pendant laquelle un robot, ou un substitut humain, exécute réellement des tâches tandis qu’assez de signal synchronisé est enregistré pour entraîner une policy : états articulaires, poses de l’effecteur terminal, forces de contact et vision alignée dans le temps. C’est une meilleure unité de comptabilité que les trajectoires ou les images, parce qu’elle mesure ce qui est véritablement rare, à savoir l’attention humaine qualifiée et le temps d’installation physique. On peut gonfler un nombre d’images en abaissant la vitesse d’obturation. On ne peut pas falsifier une heure d’un expert résolvant des tâches riches en contacts.

L’asymétrie avec le langage est saisissante. Un modèle de texte de pointe s’entraîne sur des billions de tokens récoltés à un coût marginal quasi nul. Le plus vaste effort ouvert d’apprentissage robotique à ce jour, Open X-Embodiment, a mis en commun plus d’un million de trajectoires réelles issues de 22 morphologies de robots et de plus de 20 institutions, et cet agrégat mondial reste minuscule à côté des corpus de texte derrière n’importe quel LLM moderne. Quand l’offre est aussi mince, le prix de chaque heure supplémentaire fixe le rythme de tout le domaine.

Ce que les jeux de données publics révèlent de l’échelle

Les jeux de données ouverts sont utiles précisément parce qu’ils publient leur propre logistique. DROID a rassemblé environ 76 000 trajectoires téléopérées, de l’ordre de 350 heures d’interaction, sur 564 scènes et 13 institutions en quelque 12 mois. RH20T a réuni plus de 110 000 séquences de manipulation riches en contacts avec vision, force et audio appariés. Les deux sont des entreprises sérieuses, pluriannuelles et multi-laboratoires, et toutes deux mesurent encore leur temps d’interaction en centaines d’heures, non en millions.

Voilà la leçon discrète. Même un consortium bien financé, faisant tourner de nombreux rigs en parallèle, plafonne à un débit qui n’a rien à voir avec le web scraping. Le plafond est fixé par les opérateurs humains et par le monde physique qui s’écoule en temps réel. On ne peut pas paralléliser un pliage de serviette au-delà du nombre de mains et de bras que l’on possède réellement.

La structure de coûts : capital, main-d’œuvre, débit, rendement

Le coût par heure de démonstration exploitable est une courte équation à quatre termes. Le capital est le coût amorti du robot, des capteurs et du rig par heure d’utilisation. La main-d’œuvre est le salaire de l’opérateur, plus les annotateurs et les contrôleurs qualité qui les épaulent. Le débit est le nombre de bonnes démonstrations qu’une station produit par heure. Le rendement est la fraction qui survit à la revue ; les tâches riches en contacts échouent souvent, et les prises ratées ou corrompues sont écartées. En clair, le coût par heure exploitable est égal au capital horaire plus la main-d’œuvre horaire, le tout divisé par le rendement.

Le terme de rendement est celui que les nouveaux venus sous-estiment. Si un tiers de vos prises sont inexploitables, votre coût effectif grimpe de moitié avant même que quiconque ait entraîné un modèle. La seule main-d’œuvre de téléopération se situe, très grossièrement, de l’ordre de quelques dizaines de dollars par heure-opérateur dans une région à coût moyen, et c’est avant l’amortissement du capital et avant les pertes de rendement. Le tableau ci-dessous esquisse les arbitrages en ordre de grandeur entre les sources courantes. Ils sont indicatifs, non des devis de fournisseurs.

Le goulet d’étranglement de l’apprentissage robotique n’est plus le modèle. C’est le coût marginal de la prochaine heure honnête de démonstration riche en contacts.

La vidéo égocentrique change le calcul

Le mouvement le plus intéressant sur la courbe de coûts consiste à cesser de payer pour le robot pendant la collecte. Si un humain se contente d’exécuter la tâche en portant des caméras montées sur la tête et des capteurs corporels, vous découplez la capture de données du matériel coûteux comme de la téléopération lente. Ego-Exo4D a capturé environ 1 286 heures de vidéos appariées à la première et à la troisième personne d’activités qualifiées, et l’effort antérieur Ego4D a publié de l’ordre de 3 670 heures de séquences égocentriques. Enregistrer un humain en train d’accomplir une tâche coûte, à l’heure, bien moins cher que de piloter un robot pour la faire.

Le hic, c’est l’écart de morphologie. La vidéo humaine n’a ni couples articulaires, ni états de pince, et un corps qui ne correspond pas à celui du robot ; les images ont donc besoin d’un reciblage vers un espace d’action exploitable par le robot avant qu’une policy puisse les consommer. Le transfert inter-morphologies est précisément le problème auquel s’attaquent des équipes comme Physical Intelligence. La capture égocentrique n’efface pas le coût d’une bonne démonstration ; elle déplace ce coût de la téléopération en temps réel vers la détection en amont et le reciblage en aval, où une plus grande part peut être industrialisée et réutilisée.

Comment le coût horaire gouverne la stratégie

Dès lors que l’on prend ce chiffre au sérieux, les choix stratégiques en découlent. Si votre coût marginal est de quelques dizaines de dollars par heure exploitable et qu’une policy performante requiert des milliers d’heures par famille de compétences, les données constituent un poste de capital, non une erreur d’arrondi, et elles relèvent de la même conversation que la puissance de calcul. La mutualisation, à la manière d’Open X-Embodiment, réduit le coût par organisation mais sacrifie l’exclusivité et une correspondance de morphologie nette. La simulation convertit un coût opérationnel en un risque sim-to-real que vous remboursez plus tard. La capture égocentrique abaisse le prix horaire mais alourdit la facture d’ingénierie du reciblage.

Vient ensuite la partie qui relève du domaine réglementaire : à qui appartiennent les données, qui a donné son consentement, et sous quelle juridiction elles ont été capturées. L’EU Data Act refaçonne les droits d’accès et de partage sur les données générées par les machines, et l’EU AI Act attache des obligations de documentation et de gouvernance aux données d’entraînement qui sous-tendent les systèmes à haut risque. Les deux relèvent le coût fixe d’une collecte de données menée correctement, et les deux font d’une provenance propre un actif durable plutôt qu’une considération de conformité après coup. Une heure de démonstration assortie d’un consentement clair et d’une juridiction défendable vaut plus qu’une heure meilleur marché à l’origine trouble, car une seule des deux peut être intégrée sans risque dans un modèle qu’un partenaire déploiera.

Rien de tout cela n’apparaît sur un graphique de benchmark, ce qui explique pourquoi il est facile de l’ignorer jusqu’à ce que les factures tombent. Les équipes qui compteront au cours des prochaines années ne sont pas seulement celles dotées des architectures les plus ingénieuses. Ce sont celles qui transforment l’heure de démonstration en quelque chose qu’elles savent produire de façon fiable, documenter honnêtement et dont elles font baisser le coût, trimestre après trimestre. La serviette se plie une tentative à la fois, et quelqu’un doit encore payer pour chacune d’elles.