L’entreprise de données humanoïdes : pourquoi les données propriétaires l’emportent

Entrez dans l’atelier de presque n’importe quelle start-up humanoïde en 2026, et vous découvrirez ce que la présentation aux investisseurs passe sous silence : des rangées de personnes. Certaines portent un casque de réalité virtuelle et pilotent à la main une paire de bras robotisés, pliant la même serviette pour la deux-centième fois. D’autres évoluent dans un volume de capture de mouvement, vêtues de combinaisons instrumentées. Le robot, c’est ce que les investisseurs sont venus observer. Les humains qui génèrent les trajectoires, c’est la véritable ligne de produit.

Pendant une décennie, la partie difficile d’un humanoïde a été le corps : des actionneurs capables de survivre à une chute, des mains aux doigts réels, une batterie qui tient une vacation entière. Ce problème n’est pas résolu, mais il converge. Figure, 1X, Agility Robotics et Boston Dynamics livrent désormais des plateformes dont les fiches techniques se ressemblent. Quand le matériel converge, la question discrète que se pose toute équipe sérieuse passe de « pouvons-nous construire le robot » à « sur quoi va-t-il apprendre, et qui d’autre détient ces données ».

La réponse n’est pas n’importe quelle donnée. Ce sont des enregistrements propriétaires de comportement incarné : comment une main s’approche d’une tasse, comment la force de préhension change à l’instant où un couvercle résiste, où regarde une personne une demi-seconde avant de tendre le bras. Cet actif s’accumule dans le temps. Les architectures de modèles fuient en quelques mois. Un corpus de comportements que vous avez collecté et qu’aucun concurrent ne détient, lui, ne fuit pas.

Le matériel a cessé d’être la partie difficile

Regardez ce qui a été livré ces deux dernières années, et le schéma est difficile à manquer : plusieurs fournisseurs, des degrés de liberté comparables, des conceptions de mains comparables, des autonomies de batterie similaires. La frontière mécanique compte encore, mais elle ne sépare plus les leaders du peloton comme en 2021. Ce qui les sépare, c’est la policy (la politique de contrôle) qui s’exécute au-dessus, et cette policy dépend directement de ce sur quoi elle a été entraînée.

C’est la leçon que l’ère des modèles de langage a déjà enseignée, transposée sur des atomes. Les Transformers sont devenus un article public en quelques semaines. Ce qui a maintenu l’avance des laboratoires de pointe, ce sont le corpus, le nettoyage et les données de feedback qu’aucun concurrent ne pouvait copier. La robotique vit aujourd’hui la même histoire, avec une différence brutale : il n’existe pas de corpus d’interaction physique à l’échelle du web qui traîne quelque part, prêt à être aspiré. Chaque trajectoire utile doit être produite.

Ce que les jeux de données ouverts vous donnent, et ce qu’ils ne donnent pas

Face à la rareté, la réponse du secteur a été la mutualisation. Open X-Embodiment a rassemblé plus d’un million de trajectoires réelles de robots, couvrant 22 morphologies issues de 21 institutions, et a montré qu’une policy entraînée sur ce mélange surpasse celle entraînée sur la seule tranche d’un laboratoire donné. DROID a ajouté environ 76 000 trajectoires téléopérées réparties sur 564 scènes, délibérément diversifiées dans leur cadre. Ce sont des cadeaux faits au secteur. Ils sont aussi, par construction, partagés : votre concurrent a téléchargé les mêmes fichiers.

Le tableau ci-dessous esquisse ces arbitrages. Lisez d’abord la dernière colonne.

Deux lacunes reviennent sans cesse. Premièrement, la quasi-totalité des données robotiques est téléopérée sur table, ce qui sous-échantillonne le travail riche en contacts, à corps entier et à deux mains que les humanoïdes sont censés accomplir. Deuxièmement, les grands jeux de données humaines à la première personne, dont Ego-Exo4D, sont riches en perception mais pauvres en annotations d’action et de force qu’une policy doit imiter. Combler cet écart reste un problème ouvert, et c’est précisément là qu’un corpus propriétaire justifie son coût.

Pourquoi les données propriétaires s’accumulent quand les modèles, eux, ne le font pas

C’est au moment du déploiement que le volant d’inertie se met à tourner. Un robot placé dans un environnement réel génère des observations qu’aucun jeu de données n’avait anticipées : la panne à 2 heures du matin, le reflet éblouissant sur un comptoir en acier, l’objet laissé là où il ne devrait pas être. Physical Intelligence plaide pour des policies généralistes entraînées sur de nombreuses tâches et plateformes ; Toyota Research Institute présente ses Large Behavior Models de la même manière, comme un comportement appris à grande échelle plutôt que scripté. Les deux paris supposent en amont un moteur de données qui les alimente. L’Isaac GR00T de NVIDIA énonce explicitement qu’un modèle de fondation ne vaut que ce que vaut le mélange de mouvement réel, humain et synthétique qui le sous-tend.

Voici l’effet cumulatif : une meilleure policy rapporte plus de déploiements, plus de déploiements produisent des données plus nombreuses et plus rares, ces données entraînent une policy que les concurrents ne peuvent égaler, parce qu’ils n’ont jamais vu ces situations. Les poids du modèle sont une photographie à un instant donné. Le pipeline qui continue de les réalimenter, c’est la douve.

Le modèle que vous livrez est une photographie à un instant donné. Le pipeline qui continue de le réalimenter est l’actif. Les poids peuvent être distillés ; un volant d’inertie de données doit être vécu.

La structure de coûts que personne ne met sur une diapositive

La téléopération, source par défaut de données d’action de haute qualité, coûte cher d’une manière que les fondateurs révèlent rarement. Chaque trajectoire est un humain qui opère un robot dans des conditions proches du temps réel. Le débit est borné par les heures humaines disponibles, et les bonnes données, les récupérations et les cas limites, sont les plus lentes à collecter, précisément parce qu’elles sont les plus rares à rencontrer. La simulation aide pour certaines compétences et ment de façon convaincante pour d’autres : le contact et les objets déformables restent les endroits où le sim-to-real mord encore.

La capture humaine à la première personne inverse une partie de l’équation. Une personne équipée de capteurs peut démontrer une tâche à la vitesse humaine, avec la dextérité humaine, bien plus vite qu’elle ne pourrait faire office de marionnettiste pour un robot. Le piège, c’est l’écart d’incarnation : une main humaine n’est pas un préhenseur robotique, et retransposer ce mouvement sur un corps différent est un problème de recherche à part entière. L’économie est séduisante ; le transfert, lui, est le vrai travail. Quiconque prétend avoir résolu les deux vous vend quelque chose.

Les données comme actif stratégique : droits, provenance, juridiction

Une fois que les données de comportement deviennent un poste au bilan, leur forme juridique commence à compter. À qui appartient une trajectoire capturée auprès d’un démonstrateur sous contrat ? Sous quelle licence peut-elle être revendue, mutualisée ou utilisée pour l’entraînement ? Le EU Data Act et l’EU AI Act poussent vers une provenance documentée et des obligations claires en matière de gouvernance des données, et les acheteurs de modèles de fondation pour la robotique demanderont de plus en plus d’où viennent les données d’entraînement et si les droits sont propres. Un corpus à la provenance trouble est un passif déguisé en actif.

C’est la moitié peu reluisante de l’expression « entreprise de données ». Il ne s’agit pas seulement de collecter : il s’agit de consentement, de normes d’annotation, de conservation, d’auditabilité, et de la capacité à prouver une chaîne de possession quand l’équipe conformité d’un partenaire le demande. Les équipes qui traitent cela comme de la paperasse découvriront, trop tard, que c’était le produit.

Alors, quand une entreprise d’humanoïdes vous dit que son avantage, c’est le robot, posez une question plus pointue : montrez-moi votre moteur de données. Demandez ce qu’il capture que les jeux de données ouverts ne capturent pas, à quelle vitesse il se réalimente, à qui appartient le résultat, et ce qu’il advient du corpus quand le modèle actuel a trois versions de retard. Les équipes capables de répondre clairement fonctionnent déjà comme des entreprises de données. Les autres achètent du matériel et espèrent. Sur ce marché, le robot est ce que l’on peut voir. Les données sont ce qui paie.