Dans un atelier d'usinage de Drummondville ou une salle de conditionnement de Saint-Hyacinthe, la question qui tue un projet de robotisation n'est presque jamais « combien coûte le bras? ». C'est plutôt : « combien de jours d'intégrateur faudra-t-il chaque fois qu'on change de série? » Pour une entreprise qui roule en petits lots — 40 pièces ici, 300 unités là, un contrat de sous-traitance qui change de géométrie tous les deux mois —, l'automatisation classique se heurte à une arithmétique implacable : le coût de reprogrammation est fixe, le volume de production ne l'est pas.
C'est précisément ce mur que deux annonces récentes prétendent attaquer de front. Le blogue de NVIDIA a présenté le modèle de fondation robotique S1 de Skild AI, conçu pour apprendre des tâches inédites à long horizon à partir d'une seule démonstration vidéo. Presque au même moment, l'entreprise chinoise AgiBot dévoilait GE-Act 2.0, un modèle « monde-action » entraîné, selon la couverture de Pandaily, sur un volume de données multiplié par cent. Deux approches, un même pari : que la programmation cède la place à la démonstration.
Le fait saillant : la démonstration remplace la ligne de code
L'idée n'est pas neuve — l'apprentissage par démonstration existe en laboratoire depuis des années. Ce qui change, c'est l'échelle et la nature du transfert. Les modèles de fondation robotiques visent le même saut que les grands modèles de langage ont fait pour le texte : préentraîner massivement sur des données hétérogènes (vidéos humaines, téléopération, simulation), puis spécialiser à peu de frais. Skild AI, issue de l'écosystème de Carnegie Mellon, mise sur un « cerveau » générique censé fonctionner sur plusieurs morphologies de robots. AgiBot, de son côté, pousse la logique du modèle du monde : le système ne se contente pas d'imiter des gestes, il apprend une représentation prédictive de la scène pour anticiper les conséquences d'une action.
Le reste du fil d'actualité robotique de la dernière semaine converge d'ailleurs vers cette « IA physique ». Vention, dont les racines montréalaises sont bien connues du milieu manufacturier québécois, a présenté à l'IMTS 2026 une plateforme combinant IA physique et IA agentique, selon RoboticsTomorrow. NVIDIA et l'Université de Surrey publient des travaux sur le contrôle précis des scènes générées par IA, et d'autres équipes améliorent la génération d'environnements LiDAR 4D pour l'entraînement des systèmes autonomes, comme le rapporte TechXplore. Tous ces morceaux servent le même objectif : produire à moindre coût les données synthétiques dont les modèles de fondation sont voraces.
Pourquoi l'économie du petit lot pourrait basculer
Faisons le calcul de coin de table que tout directeur de production connaît. Une cellule robotisée conventionnelle en PME, avec bras collaboratif, préhenseur, sécurité et intégration, se situe couramment dans la fourchette de 100 000 $ à 250 000 $. Mais l'ingénierie d'application — modélisation des trajectoires, réglage des préhensions, tests, documentation — représente souvent 40 % à 60 % de la facture. Et cette portion revient, partiellement, à chaque nouvelle référence de pièce.
Si un modèle capable de généraliser réduit ce travail à une démonstration filmée par un opérateur d'expérience suivie d'une validation, le seuil de rentabilité du petit lot descend d'un cran. C'est loin d'être théorique au Québec : le tissu manufacturier est dominé par des entreprises de moins de 100 employés, et la pénurie de main-d'œuvre reste le premier frein à la croissance signalé par les manufacturiers depuis plusieurs années. Investissement Québec et son programme d'accompagnement à la productivité poussent depuis longtemps l'automatisation; l'obstacle n'est pas la volonté, c'est la flexibilité.
Il faut cependant tempérer. L'écart entre la démonstration spectaculaire et l'usine qui roule 24 heures sur 24 reste immense. The Japan Times le formulait bien en couvrant le robot humanoïde TianGong Ultra, qui a battu le chrono d'Usain Bolt sur 100 mètres avant que son concepteur ne cherche à lui trouver un vrai emploi : l'industrie peine à convertir les prouesses de vitrine en travailleurs utiles. Un modèle qui réussit une tâche neuf fois sur dix est fascinant en vidéo et inacceptable sur une ligne où le taux de rebut se compte en parties par million.
Trois questions que tout intégrateur devrait poser
Qui possède les données de démonstration? C'est l'angle mort contractuel. Quand votre meilleur assembleur filme son tour de main — celui qui distingue votre atelier de la concurrence —, cette vidéo devient une donnée d'entraînement. Est-elle stockée sur les serveurs du fournisseur? Sert-elle à améliorer le modèle général vendu ensuite à votre compétiteur? Le savoir-faire tacite, jusqu'ici protégé par sa nature même, devient soudainement exportable. Un contrat de robotisation devrait désormais comporter une clause de propriété et de non-réutilisation des démonstrations aussi sérieuse qu'une entente de confidentialité industrielle.
Qui certifie un comportement appris? La sécurité machine au Québec repose sur le Règlement sur la santé et la sécurité du travail et sur les normes CSA Z432 pour la protection des machines et CSA/ISO 10218 pour les robots industriels, complétées par la spécification ISO/TS 15066 pour la collaboration humain-robot. Ces cadres présument une chose : que le comportement de la machine est déterministe et vérifiable par analyse de risque. Un modèle de fondation qui généralise à une tâche jamais vue produit, par construction, des trajectoires non spécifiées à l'avance. On ne certifie pas une distribution de probabilités comme on certifie une trajectoire figée.
La réponse pragmatique existe déjà : encapsuler l'IA dans une enveloppe de sécurité déterministe. Limiteurs de couple, zones de vitesse réduite surveillées par un contrôleur de sécurité certifié, barrières immatérielles, arrêt de catégorie 2. L'intelligence décide quoi faire; le matériel certifié garantit que le pire cas reste tolérable. C'est faisable, mais cela ajoute une couche de coût que les démonstrations de laboratoire n'affichent jamais.
Que devient la validation en usine? Si l'on ne peut plus valider le code, il faut valider la performance statistique. Cela suppose des protocoles nouveaux : nombre d'essais minimal avant mise en production, définition d'un taux d'échec acceptable, journalisation des décisions du modèle, procédure de retour arrière quand une mise à jour du modèle dégrade le rendement. Peu de PME ont l'appareil qualité pour bâtir cela seules. C'est probablement là que se déplace la valeur ajoutée des intégrateurs québécois : non plus écrire des trajectoires, mais concevoir et documenter des régimes de validation.
L'angle mort : le retard de gouvernance
Un article déposé sur arXiv et repris dans la catégorie « Informatique et société » soutient que le principal risque de l'IA incarnée n'est pas le déplacement d'emplois, mais le governance lag : l'écart temporel entre un changement mesurable dans le déploiement d'une technologie et la capacité des institutions à y répondre. Les auteurs s'appuient sur deux notions classiques, le problème du rythme et le dilemme de Collingridge — quand on peut encore agir sur une technologie, on ignore ses effets; quand ses effets sont clairs, elle est trop enracinée pour être infléchie.
Appliqué ici, le diagnostic est inconfortable. Les normes de sécurité robotique se révisent sur des cycles de cinq à dix ans. Les modèles de fondation se mettent à jour aux trimestres. Un employeur québécois reste responsable de la sécurité de ses travailleurs, quelle que soit la maturité du cadre normatif — et devant la CNESST, « le fournisseur a dit que le modèle généralisait » ne constituera pas une défense.
Ce qu'il faut faire d'ici là
Trois gestes concrets, sans attendre que les normes rattrapent la technologie. D'abord, exiger des fournisseurs des données de fiabilité sur votre type de pièces, pas des vidéos de laboratoire : un pilote de quatre semaines sur une référence réelle vaut mieux que dix démonstrations. Ensuite, verrouiller par contrat la propriété des démonstrations et la portabilité des compétences apprises vers un autre matériel — la dépendance au fournisseur est le nouveau risque stratégique. Enfin, budgéter l'enveloppe de sécurité déterministe dès la première esquisse du projet, plutôt que de la découvrir à l'analyse de risque.
L'apprentissage par démonstration unique est une piste sérieuse pour débloquer le petit lot. Mais dans une usine, la question n'est jamais « est-ce que ça marche? ». C'est « est-ce que ça marche assez souvent, de façon assez prévisible, pour que je signe au bas de la page? »