Bezos, Arnault et Premji font le même pari sur les robots humanoïdes

Jeff Bezos, Bernard Arnault et Azim Premji ont soutenu des entreprises de robotique distinctes, malgré les preuves limitées que les robots humanoïdes puissent déjà générer des rendements fiables à grande échelle.

Leurs investissements couvrent trois couches distinctes du marché. Bezos a soutenu des fabricants de robots et des modèles de robotique généralistes. Le réseau d’investissement familial d’Arnault a récemment rejoint un fabricant européen d’humanoïdes. Le bureau d’investissement de Premji a mené une importante levée de fonds pour un logiciel conçu afin d’entraîner des robots industriels à partir de vidéos en ligne.

Ce pari commun compte davantage que n’importe quelle annonce de financement isolée. Les family offices peuvent conserver des investissements illiquides pendant des années, financer des approches techniques concurrentes et tolérer des échecs que les fonds de capital-risque classiques peinent à absorber.

Ce capital patient entre dans la robotique alors que les valorisations augmentent plus vite que les données de déploiement commercial. Tesla, Figure AI, Apptronik, Agility Robotics et plusieurs fabricants chinois poursuivent tous une part de la même opportunité.

Le principal affrontement oppose désormais le capital patient aux preuves commerciales. Les investisseurs fortunés peuvent financer des années de développement, mais l’argent ne peut effacer les limites physiques des batteries, des actionneurs, des systèmes de sécurité et de l’entraînement en conditions réelles.

Trois fortunes, trois voies vers l’IA physique

Les investissements constituent un portefeuille couvrant les corps robotiques, les systèmes de contrôle et les méthodes d’entraînement, plutôt qu’un pari coordonné sur un seul modèle d’humanoïde.

Bezos a constitué le portefeuille de robotique le plus large et le plus visible des trois investisseurs. Par l’intermédiaire de Bezos Expeditions et d’investissements personnels, il a soutenu Figure AI, Skild AI et Physical Intelligence.

Figure développe des robots humanoïdes complets. Skild AI et Physical Intelligence se concentrent davantage sur des modèles de contrôle généralistes capables de fonctionner sur différentes machines.

Cette distinction est importante. Un fabricant de robots doit résoudre simultanément les problèmes de matériel, de fabrication, de sécurité et de logiciel. Une entreprise de modèles peut fournir l’intelligence à plusieurs conceptions de robots sans produire elle-même chaque composant.

Bezos a rejoint Microsoft, Nvidia, Intel, OpenAI et d’autres investisseurs lors du financement de Figure en 2024. L’entreprise a levé 675 millions de dollars pour une valorisation de 2,6 milliards de dollars, selon l’annonce de financement.

Le positionnement de Figure était ambitieux dès le départ. L’entreprise proposait des travailleurs humanoïdes autonomes pour la fabrication, la logistique et, à terme, les environnements domestiques.

L’entreprise a ensuite levé 1 milliard de dollars supplémentaires pour une valorisation déclarée de 39 milliards de dollars en 2025. Cette hausse spectaculaire reflétait les attentes des investisseurs, et non une augmentation publique comparable des déploiements de robots ou des revenus.

La voie de Bernard Arnault passe par Aglaé Ventures, qui opère au sein du réseau d’investissement de sa famille. Aglaé a participé à la série A de Humanoid en juillet 2026, aux côtés de Bosch, Schaeffler et d’autres investisseurs.

L’entreprise londonienne a levé 152 millions de dollars pour une valorisation post-money de 1,35 milliard de dollars. Elle a déclaré que ce financement portait son financement total à 270 millions de dollars.

Humanoid développe des versions sur roues et bipèdes de sa plateforme HMND 01. L’entreprise prévoit de commencer à placer des robots bêta chez des clients au cours du quatrième trimestre 2026.

Ce calendrier reste un objectif de l’entreprise. Il ne doit pas être confondu avec un déploiement de masse avéré ou une exploitation commerciale durable.

Le bureau d’investissement d’Azim Premji a choisi un autre point de la pile technologique. Premji Invest a mené une série A de 450 millions de dollars pour Rhoda AI, basée à Palo Alto, en mars 2026.

Le tour a valorisé Rhoda à 1,7 milliard de dollars, nouveau capital compris. La start-up est sortie de 18 mois de discrétion avec un système appelé FutureVision.

Rhoda ne vend pas principalement un robot à forme humaine. Elle développe un contrôle prédictif par vidéo, une méthode qui entraîne un logiciel à anticiper des actions en étudiant des vidéos et en reliant ces prédictions aux mouvements du robot.

L’entreprise affirme que l’entraînement conventionnel des robots dépend trop fortement de la téléopération. En téléopération, un humain contrôle un robot à distance pendant que le système enregistre les actions comme données d’entraînement.

La téléopération produit des exemples précis, mais leur collecte est coûteuse et lente. Elle saisit également moins de variations que n’en contient l’internet ouvert.

Rhoda propose d’apprendre des schémas visuels plus larges à partir de vidéos publiquement accessibles, puis d’ancrer ces connaissances avec une quantité plus limitée de données robotiques. Premji Invest a présenté cette approche comme une alternative aux modèles vision-langage-action standard.

Un modèle vision-langage-action relie des images et des commandes en langage naturel à des actions physiques. Il peut traiter une vue de caméra et une instruction, puis générer les mouvements nécessaires pour saisir un objet.

Chaque investisseur finance donc une réponse différente à la même question. Cette question est de savoir si l’IA peut rendre les robots suffisamment adaptables pour justifier leur déploiement au-delà de démonstrations contrôlées.

Pourquoi les family offices correspondent au calendrier des robots humanoïdes

Les family offices disposent de l’horizon, de la flexibilité et de la tolérance au risque concentré qu’exige la robotique humanoïde.

Un fonds de capital-risque traditionnel fonctionne généralement selon un cycle de vie défini. Ses gestionnaires doivent investir, accompagner les entreprises du portefeuille et restituer du capital aux commanditaires dans ce cadre.

Un family office investit la fortune d’une seule famille. Il peut adopter une période de détention plus longue, modifier rapidement son allocation et accepter des structures d’opération inhabituelles.

Cette liberté compte en robotique, car les cycles de développement suivent rarement les calendriers du logiciel. Une entreprise logicielle peut distribuer une mise à jour instantanément. Un fabricant de robots doit s’approvisionner en pièces, fabriquer des machines et les tester autour de personnes.

Les problèmes matériels se cumulent également. Un moteur plus puissant peut accroître le poids et la consommation d’énergie. Une batterie plus grande peut réduire la mobilité. Une main plus capable peut ajouter des coûts et des points de défaillance mécanique.

Les start-up d’humanoïdes doivent résoudre ces interactions pendant que leurs systèmes d’IA apprennent à gérer des environnements imprévisibles. Chaque déploiement soulève des questions d’ingénierie, d’assurance et d’exploitation.

Les family offices peuvent aussi investir sans promettre une date de sortie fixe à des investisseurs externes. Cela leur permet d’attendre des acquisitions, des introductions en Bourse ou des contrats industriels récurrents.

L’approche s’apparente à une expérimentation stratégique. Bezos peut détenir des participations dans Figure, Skild AI et Physical Intelligence sans décider quelle couche technique captera le plus de valeur.

Si les fabricants d’humanoïdes intégrés dominent, Figure offre une exposition. Si les modèles robotiques généralistes deviennent la couche la plus défendable, Skild AI ou Physical Intelligence pourraient en bénéficier.

L’investissement d’Arnault expose sa famille à une entreprise européenne de matériel sans obliger LVMH elle-même à devenir un développeur de robots. Bosch et Schaeffler apportent une expérience de fabrication et des cas d’usage industriels potentiels.

La position de Premji Invest dans Rhoda cible le goulet d’étranglement des données. Si la vidéo devient une source évolutive d’entraînement des robots, Rhoda pourrait fournir de l’intelligence à différentes machines et industries.

Les portefeuilles reflètent également les parcours entourant chaque fortune. Bezos a construit Amazon autour de la logistique, des entrepôts et de l’automatisation avant de s’étendre à d’autres secteurs.

Premji a transformé une entreprise familiale en Wipro, l’une des entreprises technologiques les plus connues d’Inde. Son bureau d’investissement a développé une activité professionnelle expérimentée dans les technologies d’entreprise.

Arnault a bâti LVMH autour des marques, du contrôle de la fabrication et de la détention patiente. Aglaé Ventures a depuis élargi l’exposition de la famille aux entreprises technologiques au-delà des produits de luxe.

Aucun de ces parcours ne garantit un investissement réussi en robotique. Ils contribuent à expliquer pourquoi ces investisseurs peuvent évaluer les longues périodes de développement différemment des actionnaires des marchés publics.

Ils peuvent également apporter plus que de l’argent. Leurs réseaux peuvent mettre les start-up en relation avec des fabricants, des fournisseurs de cloud, des opérateurs logistiques et des investisseurs de stade avancé.

Les clients industriels achètent rarement des robots parce qu’une démonstration en laboratoire paraît impressionnante. Ils ont besoin de plans d’intégration, de procédures de sécurité, d’assistance à la maintenance et de gains de productivité mesurables.

Un family office bien connecté peut aider une start-up à atteindre ces clients. Il peut également soutenir un autre tour de financement si le déploiement prend plus de temps que prévu.

Cet avantage crée une pression sur les sociétés de capital-risque classiques. Elles doivent rivaliser avec des investisseurs capables d’émettre de gros chèques sans suivre les mêmes règles de construction de portefeuille.

Il met aussi les investisseurs industriels sous pression. Des entreprises comme Nvidia, Microsoft, Alphabet, Amazon, Bosch et Schaeffler doivent décider si elles soutiennent plusieurs plateformes ou privilégient certains partenaires.

Il en résulte une structure de capital inhabituellement mixte. Les tours de table dans la robotique réunissent désormais des milliardaires, des fonds de capital-risque, des fournisseurs de technologies, des fabricants et des investisseurs souverains.

Ces groupes ne recherchent pas toujours le même résultat. Une entreprise de puces veut accroître la demande en puissance de calcul. Un fabricant veut des machines productives. Un family office peut attendre une appréciation du capital dans l’une ou l’autre couche.

Cet alignement suffit lors de la collecte de fonds. Il devient plus difficile à maintenir lorsque les entreprises doivent choisir des fournisseurs de matériel, des partenaires logiciels et des relations commerciales exclusives.

Le capital patient devance les preuves commerciales

La robotique humanoïde a attiré des capitaux à long terme avant que le secteur n’ait établi une économie unitaire reproductible ou un fonctionnement fiable à grande échelle.

La thèse d’investissement part d’une observation raisonnable. Les lieux de travail humains ont été conçus autour du corps humain.

Les portes, escaliers, étagères, outils et postes de travail supposent une personne avec deux bras, deux jambes et des mains. Une machine à forme humaine pourrait entrer dans ces espaces sans obliger les entreprises à repenser chaque installation.

Cette compatibilité théorique donne aux humanoïdes une gamme de tâches potentielle plus large que celle de nombreux robots industriels fixes. Elle ne fait pas d’un humanoïde la machine la moins coûteuse pour chaque tâche.

Un entrepôt qui ne déplace que des conteneurs standardisés pourrait mieux fonctionner avec des convoyeurs, des robots mobiles autonomes ou des bras robotiques spécialisés. Ces systèmes opèrent déjà dans des environnements étroitement définis.

Les humanoïdes deviennent utiles lorsque la flexibilité l’emporte sur la spécialisation. Ils doivent gérer des tâches variées, travailler dans des espaces changeants et changer d’affectation sans reconfiguration coûteuse.

Cette exigence reste difficile à satisfaire. Les robots peuvent exécuter des séquences impressionnantes lors de démonstrations soigneusement préparées, puis échouer lorsque l’éclairage, le placement des objets ou les conditions de surface changent.

Figure a fourni l’un des exemples industriels les plus visibles du secteur grâce à son travail avec BMW. Les entreprises ont montré des robots effectuant des tâches de production automobile.

Cependant, aucune des deux entreprises n’a publiquement communiqué suffisamment de données opérationnelles ou financières pour établir une performance économique étendue. Les inconnues comprennent le temps de disponibilité, les taux d’intervention, les coûts de maintenance et le nombre de machines productives.

Une intervention se produit lorsqu’un humain doit secourir ou rediriger le robot. Des interventions fréquentes peuvent compromettre les économies de main-d’œuvre qui justifiaient un déploiement.

Humanoid affirme également disposer d’un pipeline commercial et de relations avec des entreprises industrielles. Ses placements bêta prévus devraient produire des preuves plus utiles que des démonstrations contrôlées.

L’entreprise doit encore prouver que ses machines peuvent fonctionner pendant de longues périodes autour de personnes. Elle doit aussi transformer ses prototypes en une production reproductible.

Rhoda fait face à une autre charge de la preuve. Sa thèse dépend de la capacité des vidéos internet à contenir des informations utiles pouvant être traduites en actions robotiques.

Une vidéo montre l’apparence et le mouvement, mais elle ne fournit généralement pas de mesures directes de force, de profondeur ou de position des articulations. Les robots ont besoin de ces signaux pour manipuler les objets en toute sécurité.

Rhoda affirme que son système comble cette lacune en combinant l’apprentissage fondé sur la vidéo et les données robotiques. Le lancement public de l’entreprise a décrit des pilotes industriels et la poursuite des travaux d’ingénierie, et non une validation achevée dans l’ensemble des secteurs.

Cet écart entre compréhension visuelle et exécution physique explique en partie pourquoi l’intelligence robotique reste difficile. Prédire l’image suivante n’est pas la même chose qu’appliquer la bonne force de préhension.

Les données d’entraînement soulèvent également des questions de provenance et de qualité. Les vidéos publiques comportent des montages, des contextes manquants et des actions filmées depuis des points de vue différents de ceux des caméras d’un robot.

Les startups doivent démontrer que de vastes jeux de données améliorent les performances dans des contextes inconnus. Elles doivent aussi documenter les situations dans lesquelles le modèle échoue.

Skild AI et Physical Intelligence poursuivent des objectifs de généralisation similaires grâce à leurs propres architectures et jeux de données. La concurrence entre ces entreprises devrait produire des comparaisons techniques utiles.

Pourtant, les valorisations privées peuvent masquer cette concurrence. Une valorisation plus élevée lors d’un financement mesure l’appétit des investisseurs pour les actions, et non la fiabilité d’un robot.

L’écart est particulièrement visible lorsque les valorisations évoluent avant que les produits n’atteignent une utilisation commerciale à grande échelle. Figure est passée d’une valorisation de 2,6 milliards de dollars en 2024 à une valorisation annoncée de 39 milliards de dollars en 2025.

Cette hausse a fait naître d’énormes attentes concernant les volumes de fabrication et les progrès logiciels. Elle a également offert aux concurrents une référence pour leurs propres récits de levée de fonds.

Apptronik, qui travaille avec Google DeepMind et des partenaires industriels, a levé d’importants financements pour sa plateforme humanoïde Apollo. Son approche combine matériel robotique, intelligence basée sur Gemini et partenariats avec des usines.

Agility Robotics a suivi une autre voie avec Digit, une machine bipède conçue pour les activités logistiques. En juin 2026, l’entreprise a accepté de poursuivre une cotation en Bourse via une transaction la valorisant à environ 2,5 milliards de dollars.

La cotation prévue pourrait révéler davantage d’informations financières et opérationnelles que n’en divulguent actuellement les concurrents privés. Les investisseurs disposeraient ainsi d’un repère plus clair.

Tesla ajoute une pression supplémentaire avec Optimus. L’entreprise peut financer la robotique en interne, utiliser ses usines comme environnements de test et s’appuyer sur son expertise des batteries, de la fabrication et de la vision par ordinateur.

Les entreprises chinoises, notamment Unitree et AgiBot, exercent une pression d’une autre nature. Leurs chaînes d’approvisionnement nationales et leur capacité de production peuvent favoriser une fabrication plus rapide et réduire le coût des composants.

La compétition dépasse donc le cadre d’une startup face à une autre. Elle oppose des entreprises américaines et européennes à forte intensité capitalistique à des fabricants intégrés et à des fournisseurs chinois en expansion rapide.

Les family offices peuvent prolonger la piste de décollage d’une startup dans cette compétition. Ils ne peuvent pas garantir que son matériel égalera le coût, la fiabilité ou la vitesse de production des concurrents.

Le véritable risque est l’absence de données de déploiement

Les preuves décisives viendront d’heures de travail non scénarisées, et non des montants des financements, des valorisations ou de démonstrations soignées.

Les entreprises de robotique publient souvent des vidéos, car les mouvements physiques se communiquent facilement à l’image. Un court extrait peut montrer une tâche impressionnante sans révéler les conditions qui l’entourent.

La caméra peut ne pas montrer la supervision humaine, les tentatives précédentes ou les limites imposées au robot. Elle montre rarement à quelle fréquence la machine doit être entretenue.

Un acheteur commercial a besoin de mesures différentes. Elles comprennent l’exécution réussie des tâches, le nombre d’interventions par heure, le temps de disponibilité, la consommation d’énergie et les incidents de sécurité.

Les acheteurs doivent également savoir si un robot peut effectuer suffisamment de travail utile pendant un poste. Une machine qui réalise bien une tâche peut tout de même rester inactive entre deux missions.

Les robots humanoïdes soulèvent des questions de sécurité supplémentaires, car ils évoluent dans des espaces conçus pour les personnes. Le poids d’une machine et ses articulations en mouvement peuvent causer des dommages lorsque le logiciel de contrôle échoue.

Les développeurs peuvent limiter la vitesse et la force, ajouter des arrêts d’urgence et établir des zones restreintes. Chaque protection peut aussi réduire la productivité ou exiger des modifications du lieu de travail.

Le secteur ne dispose pas d’un référentiel public unique qui saisisse ces compromis entre les différentes machines. Les tests en laboratoire mesurent souvent des capacités précises de manipulation ou de locomotion.

Les déploiements commerciaux combinent toutes ces capacités avec la planification, la maintenance et la coordination humaine. Un robot doit continuer à fonctionner après le déplacement d’outils, le changement de surfaces ou l’entrée de personnes sur sa trajectoire.

La couche logicielle comporte ses propres incertitudes. Les modèles généralistes promettent de transférer l’apprentissage entre les tâches et les corps robotiques.

Le transfert n’a de valeur que si les performances restent fiables. Un modèle qui fonctionne sur de nombreuses machines mais échoue de manière imprévisible peut être moins utile qu’une automatisation spécialisée.

L’approche de Rhoda centrée sur la vidéo rend cette incertitude particulièrement importante. L’entreprise doit démontrer qu’une vaste expérience visuelle réduit les échecs dans des situations inconnues.

Elle doit aussi montrer que sa méthode n’introduit pas de nouvelles erreurs lorsque l’environnement physique diffère des exemples en ligne.

Humanoid doit prouver que son logiciel KinetIQ et sa plateforme robotique restent stables lors de l’utilisation par les clients. Son déploiement bêta au quatrième trimestre constituera un premier test.

Figure est sous pression pour divulguer davantage d’informations sur ses performances soutenues en usine. Sa valorisation implique désormais une trajectoire vers une très grande activité commerciale.

Ces questions sont normales pour une technologie émergente. Elles deviennent plus urgentes lorsque les investisseurs attribuent des valeurs de plusieurs milliards de dollars avant que les entreprises ne publient des résultats opérationnels comparables.

Les hypothèses relatives au travail méritent également un examen attentif. Les défenseurs des humanoïdes citent fréquemment les pénuries de main-d’œuvre et les tâches indésirables comme raisons d’adoption.

Ces conditions varient selon le lieu, le métier et le cycle économique. Un robot pertinent dans une usine automobile à coûts élevés peut ne pas convenir à un entrepôt plus petit.

Le déploiement peut aussi déplacer le travail plutôt que le supprimer. Les entreprises peuvent avoir besoin de techniciens, d’opérateurs à distance, de responsables de la sécurité et de spécialistes de l’intégration.

Ce résultat créerait toujours de la valeur, mais il diffère du remplacement d’un poste humain complet par une machine autonome.

Le déplacement des emplois demeure une autre question non résolue. Des humanoïdes fiables pourraient réduire la demande pour certains rôles répétitifs tout en augmentant celle de soutien technique.

Le rythme de ce changement dépend des performances et des coûts, et non de la vitesse des levées de fonds de capital-risque. Les travailleurs et les responsables publics devraient considérer les calendriers de déploiement projetés avec prudence.

La réglementation pourrait évoluer de manière inégale selon les marchés. Les autorités chargées de la sécurité au travail peuvent appliquer les règles existantes, tandis que la responsabilité du fait des produits et la gouvernance de l’IA créent des obligations supplémentaires.

Les investisseurs doivent donc évaluer plusieurs risques simultanément. Ils comprennent l’échec technique, les retards de production, une adoption plus lente par les clients et de nouvelles exigences de conformité.

Les family offices peuvent mieux tolérer ces risques que de nombreux investisseurs. Leur patience pourrait aussi retarder une évaluation honnête si la poursuite des financements masque une faible demande commerciale.

Les startups les plus solides répondront par des données opérationnelles vérifiables. Elles publieront ce que font leurs robots, combien de temps ils travaillent et à quelle fréquence les humains interviennent.

D’ici là, chaque valorisation reste en partie une prévision concernant des capacités que les clients n’ont pas encore testées à une échelle suffisante.

Trois signaux détermineront si le pari fonctionne

La prochaine phase sera jugée à l’aune des déploiements chez les clients, de mesures opérationnelles comparables et de preuves que la production peut dépasser les petites séries.

Le premier signal est le déploiement bêta prévu par Humanoid au quatrième trimestre 2026. L’entreprise indique que ses machines entreront dans des installations clientes dans les secteurs de la logistique, de la fabrication, du commerce de détail et d’autres industries.

La question importante n’est pas de savoir si un robot arrive. Elle est de savoir si les clients étendent leur utilisation après l’essai initial.

Une commande ultérieure indiquerait que la machine effectue un travail utile dans des conditions industrielles normales. Un déploiement retardé ou un pilote étroitement contrôlé affaiblirait cette conclusion.

Bosch et Schaeffler sont particulièrement pertinents, car ils cumulent les rôles d’investisseurs et d’acteurs industriels. Leur participation apporte une connaissance de la fabrication et des environnements réalistes pour les tests.

Elle crée également un conflit potentiel dans l’interprétation des résultats. Les investisseurs stratégiques ont des raisons de soutenir le récit de l’entreprise ; des mesures comparables de manière indépendante resteront donc essentielles.

Le deuxième signal est la qualité des données opérationnelles publiées par Figure, Agility, Apptronik, Rhoda et leurs clients.

Les investisseurs devraient rechercher les heures travaillées, les cycles réussis, les interventions humaines et les déploiements répétés. Les revenus seuls peuvent inclure des accords de développement qui révèlent peu de choses sur les performances autonomes.

La proposition de cotation en Bourse d’Agility est importante à cet égard. Les sociétés cotées sont soumises à des obligations de divulgation qui peuvent offrir davantage de visibilité financière que les startups privées.

La transaction ne révélera pas automatiquement chaque indicateur technique. Elle devrait néanmoins donner au marché une vision plus claire des dépenses, des accords commerciaux et des risques opérationnels.

Cette transparence pourrait réinitialiser les attentes dans l’ensemble des entreprises privées de robotique. Des résultats solides soutiendraient les valorisations actuelles, tandis qu’une faible demande les remettrait en question.

Les pilotes industriels de Rhoda devraient tester le contrôle prédictif fondé sur la vidéo. Les preuves les plus utiles compareraient son système à des alternatives entraînées par téléopération sur des tâches inconnues.

Une comparaison devrait utiliser le même matériel et les mêmes conditions de travail. Sinon, les différences de conception robotique pourraient masquer la contribution du modèle.

Le troisième signal est l’échelle de production. Les startups doivent démontrer qu’elles peuvent fabriquer des machines cohérentes, sécuriser leurs composants et assurer le support sur le terrain.

Un prototype peut être assemblé avec l’attention d’experts. Des centaines ou des milliers d’unités exigent des processus standardisés, la gestion des fournisseurs et le contrôle qualité.

C’est là que Tesla et les fabricants chinois exercent la plus forte pression. Ils maîtrisent déjà la production à grand volume et l’approvisionnement en composants.

Figure, Humanoid et Apptronik ont répondu par des partenariats, des investissements dans des usines et de nouveaux financements. Ces dispositifs doivent désormais produire des machines que les clients peuvent utiliser.

Si la production s’étend tandis que les taux d’intervention diminuent, la thèse des family offices se renforce. Le capital privé patient aura franchi la période difficile entre la recherche et le déploiement.

Si les programmes pilotes restent modestes et que les détails opérationnels demeurent privés, la conclusion inverse s’impose. Le capital aura accéléré les valorisations plus vite que les preuves commerciales.

La leçon plus large dépasse la robotique. Les grandes fortunes peuvent désormais façonner les architectures d’IA, les stratégies de fabrication et les modèles de travail qui reçoivent le temps nécessaire à leur développement.

Cette influence peut financer des expérimentations que les sociétés cotées évitent. Elle peut aussi concentrer les décisions relatives à l’automatisation du travail entre les mains d’un petit groupe d’investisseurs privés.

Bezos, Arnault et Premji ne font pas des paris identiques. Leurs investissements couvrent des corps robotiques, des modèles de contrôle généralistes et de nouvelles sources de données d’entraînement.

Ensemble, toutefois, ils montrent pourquoi les family offices sont devenus centraux dans l’IA physique. Ils peuvent financer plusieurs voies incertaines tout en attendant que l’une d’elles devienne commercialement durable.

Pour les développeurs, les acheteurs d’entreprise et les utilisateurs d’IA, la prochaine étape est simple : ignorez la taille du prochain tour de financement et suivez ce qui se passe dans les installations des clients. Quelle entreprise publiera suffisamment de données opérationnelles réelles pour faire passer l’histoire des robots humanoïdes d’une course au capital à une activité mesurable ?