La dernière démonstration de robot de bureau de Flexion Robotics met en évidence le défi logiciel de la robotique humanoïde. Dans une vidéo publiée le 29 juin 2026, l’entreprise a montré un humanoïde Unitree modifié qui récupère un colis contenant une collation, emprunte des escaliers et un ascenseur, déballe la boîte et place les articles dans un tiroir à partir d’une seule instruction en langage naturel.
La tâche était modeste, mais l’affirmation technique ne l’était pas. Flexion soutient que les robots humanoïdes ne deviendront utiles sur les lieux de travail que si leurs systèmes d’IA peuvent planifier, percevoir, corriger leurs erreurs et mener à bien des séquences de tâches plus longues sans être programmés pour chaque étape.
Reflect v1.0 transforme une course de bureau en test logiciel
Flexion a présenté Reflect v1.0 comme une plateforme d’intelligence robotique destinée aux tâches humanoïdes à long horizon. L’entreprise a indiqué que la mission avait été accomplie de manière autonome, sans opérateur humain pour contrôler le robot.
La tâche comportait plusieurs étapes : se déplacer dans différentes zones, interagir avec des portes, emprunter des escaliers et un ascenseur, manipuler un colis, déballer des objets et les placer dans un tiroir. Une défaillance à n’importe quel moment pouvait interrompre la mission, raison pour laquelle Flexion a présenté Reflect comme une pile d’autonomie de bout en bout plutôt que comme une simple compétence robotique.
L’architecture utilise un modèle de vision et de langage personnalisé comme contrôleur de mission, chargé de suivre les progrès, de sélectionner les outils et de replanifier si nécessaire. Une couche de mouvement combine un modèle vision-langage-action avec des compétences fondées sur l’apprentissage par renforcement, tandis qu’un contrôleur corps entier gère l’équilibre et les déplacements. Une couche d’exécution s’occupe de l’inférence, de la journalisation, des communications, de l’isolation des processus et des contrôles de sécurité.
Lors d’un test de mission en 16 étapes, Flexion a indiqué que l’affinage supervisé avait atteint un taux d’exécution de bout en bout de 38 %, contre 90 % pour l’affinage par apprentissage par renforcement. Ces chiffres alimentent l’argumentaire de Flexion sur la couche des modèles, mais restent ceux d’une référence interne à l’entreprise et non d’une validation indépendante de sa maturité commerciale.
Un portrait de WIRED indique que Flexion a été fondée par d’anciens chercheurs de Nvidia spécialisés dans la robotique. George Chowdhury, analyste chez ABI Research, a déclaré à la publication que la valeur de la robotique humanoïde pourrait davantage résider dans les modèles d’IA que dans les corps des robots. Selon WIRED, ABI Research estime que le marché des modèles fondamentaux pour robots pourrait atteindre 150 milliards de dollars US d’ici 2036.
La couche des modèles devient l’enjeu du déploiement
Les robots humanoïdes ne pourront pas passer à l’échelle dans les entreprises si chaque nouvelle tâche, chaque agencement de bureau ou chaque cas d’erreur nécessite une programmation sur mesure. Une couche logicielle capable de se transférer d’un objet, d’un espace et d’une instruction à l’autre pourrait réduire le travail d’intégration, raccourcir les cycles pilotes et rendre les déploiements plus reproductibles, notamment à mesure que les entreprises d’IA incarnée s’orientent vers la fabrication et le déploiement dans le monde réel. La démonstration de Flexion est notable, car elle montre comment la robotique humanoïde pourrait passer de démonstrations de tâches isolées à des plateformes d’autonomie réutilisables.
Ce défi logiciel recoupe la course plus large visant à construire des agents d’IA pour le monde réel. Les robots physiques ajoutent des contraintes plus difficiles : dextérité, autonomie de la batterie, locomotion, capteurs, systèmes de sécurité et lieux de travail conçus pour les humains.
Les recherches récentes en robotique montrent comment l’architecture peut influer sur les performances d’un robot. SpatialVLA se concentre sur des représentations spatiales sensibles à la 3D, tandis que TraceVLA utilise un amorçage par traces visuelles pour donner aux modèles davantage de contexte sur les mouvements précédents du robot. Ces études fournissent un contexte, mais elles ne constituaient ni des tests du flux de travail de bureau de Flexion ni un déploiement d’entreprise en conditions réelles.
La puissance de calcul reste une autre contrainte à mesure que les entreprises font passer leurs projets d’infrastructure d’IA des phases pilotes à la production. Chowdhury a déclaré à WIRED que Flexion aurait besoin de partenariats étroits avec des fabricants de matériel et qu’elle serait confrontée à une concurrence importante.
Flexion a également révélé d’importantes limites. Reflect v1.0 fonctionne encore dans le cadre d’une distribution de tâches délimitée ; certains objets restent difficiles à saisir ; le contrôleur de mission peut mal interpréter les données visuelles ; et les comportements de récupération ne couvrent pas tous les modes de défaillance.
La démonstration indique la direction que prend la concurrence dans la robotique humanoïde, mais ne prouve pas que les robots de bureau soient prêts pour un déploiement généralisé en entreprise. Les acheteurs devraient rechercher des preuves que les modèles peuvent gérer des tâches inconnues, se transférer d’un corps de robot à l’autre, prendre rapidement des décisions et récupérer lorsque les conditions changent.
À lire aussi : Agility Robotics prépare des débuts en Bourse à 2,5 milliards de dollars US afin de développer sa plateforme de robots Digit, alors que la robotique humanoïde s’achemine vers une échelle commerciale.