La robotique de service a longtemps mesuré sa réussite en centimètres et en newtons : atteindre l'objet, ne pas écraser le doigt, ne pas heurter le mobilier. Un groupe de publications déposées ces derniers jours sur arXiv déplace la cible. Ce qui empêche un robot d'être accepté dans un corridor d'hôpital ou devant un comptoir de pharmacie, ce n'est plus tant sa maladresse mécanique que son analphabétisme social : il s'approche trop, il coupe la parole, il fixe le vide.
Trois travaux publiés sur le serveur de prépublication — un sur la distance d'approche des humanoïdes, un sur la gestion du dialogue à plusieurs interlocuteurs, un sur la génération synthétique de trajectoires du regard — convergent vers la même intuition. Un quatrième, plus embarrassant, teste si les grands modèles de langage sont capables de juger la qualité d'une interface mobile. La réponse courte : pas vraiment.
CALM : la posture du robot redessine la bulle personnelle
L'étude baptisée CALM (pour des limites d'intervention humaine adaptées à la configuration du robot) part d'une question rarement posée : est-ce que la manière dont un humanoïde tient ses bras change la distance à laquelle une personne l'arrête? Les chercheurs ont recruté 41 participants dans un protocole intra-sujets, mesurant la distance d'arrêt finale, le confort déclaré et, à titre exploratoire, les mouvements oculaires, à travers quatre configurations de bras et deux échelles spatiales.
Résultat central, tel que rapporté dans le résumé de la prépublication : l'extension complète des bras vers l'avant augmente la distance à laquelle les gens interrompent l'approche. Autrement dit, le même robot, à la même vitesse, sur la même trajectoire, ne suscite pas la même tolérance selon la géométrie de son corps. Ce n'est pas anodin : la plupart des normes de sécurité en robotique collaborative raisonnent en termes de vitesse, de force et de distance de séparation, pas en termes de posture perçue.
On est ici en plein territoire de la proxémie, le concept que l'anthropologue américain Edward T. Hall a formalisé dans les années 1960 en distinguant les zones intime, personnelle, sociale et publique. La robotique sociale a importé ce cadre depuis une vingtaine d'années — les travaux fondateurs de Michael Walters et de son équipe à l'Université du Hertfordshire, notamment, ont montré que les humains attribuent au robot des distances comparables à celles qu'ils accordent à un autre humain, avec de fortes variations individuelles. Ce que CALM ajoute, c'est une variable de conception concrète et actionnable : la pose des membres supérieurs.
Pour un gestionnaire d'établissement de santé, la traduction est directe. Un robot de transport de fournitures qui circule bras rétractés dans un corridor de CHSLD ne provoquera pas les mêmes reculs qu'un modèle qui avance bras tendus, même si les deux respectent la même norme de sécurité. La conformité technique et l'acceptabilité sociale ne sont pas la même chose.
HiBRIDGE : à qui le robot doit-il parler?
Le deuxième volet du dossier concerne un problème que quiconque a animé une réunion connaît d'instinct : dans une conversation à plusieurs, il faut choisir en continu qui interpeller et quoi dire. La prépublication décrivant HiBRIDGE — un cadre de réseaux bayésiens hiérarchiques pour la gestion interprétable du dialogue en interaction groupe-robot — formule le problème sans détour : dans les interactions réelles, plusieurs comportements sont simultanément plausibles. Le robot peut poursuivre un sujet avec un participant, ramener un second dans la conversation par une question, ou céder son tour.
L'apport annoncé n'est pas seulement la performance, mais l'interprétabilité. Un réseau bayésien hiérarchique permet, en principe, de savoir pourquoi le système a décidé de s'adresser à telle personne plutôt qu'à telle autre — ce qu'un modèle de langage de bout en bout ne fournit pas. C'est une distinction qui compte pour les déploiements en santé et en éducation, où la traçabilité des décisions n'est pas un luxe académique.
Ce champ, celui de l'interaction multipartite, est le vrai angle mort des assistants conversationnels actuels. Les enceintes intelligentes et les agents vocaux ont été conçus pour un dialogue en tête-à-tête : une personne, une requête, une réponse. Dès qu'il y a trois personnes dans une pièce — un résident, un préposé, un membre de la famille —, la machine ne sait plus à qui elle parle. La gestion du tour de parole en groupe reste un problème ouvert, malgré des décennies de travaux en analyse conversationnelle depuis le modèle classique de Sacks, Schegloff et Jefferson.
Le regard, une donnée si rare qu'il faut la fabriquer
Troisième pièce : deux modèles probabilistes de diffusion pour générer, sans conditionnement, des dynamiques du regard à partir de données de recherche visuelle. La justification donnée par les auteurs est éloquente sur l'état du domaine : les données d'oculométrie sont coûteuses à recueillir — matériel spécialisé, conditions de laboratoire contrôlées — et difficiles à partager en raison des contraintes de confidentialité.
Ce dernier point mérite d'être souligné. Les trajectoires du regard sont des données biométriques comportementales : elles peuvent révéler l'identité, l'état cognitif, parfois des conditions neurologiques. La Commission d'accès à l'information du Québec et le cadre de la Loi 25 sur la protection des renseignements personnels imposent des obligations sérieuses à quiconque voudrait collecter ce type de traces dans un établissement public. La génération de données synthétiques n'est donc pas qu'une commodité d'ingénierie : c'est une stratégie de contournement des risques juridiques et éthiques.
Pour la robotique sociale, l'enjeu est pratique. Un robot qui doit décider où poser son regard — et le regard est l'un des signaux les plus puissants d'attention et d'intention chez l'humain — a besoin de modèles de mouvement oculaire plausibles. Si ces modèles peuvent être entraînés sur des données générées plutôt que sur des enregistrements de personnes réelles, la barrière à l'entrée s'effondre.
« Voir sans comprendre » : le verdict sévère sur les modèles de langage
La quatrième prépublication tempère l'enthousiasme. Intitulée « Voir sans comprendre », elle évalue la capacité des grands modèles de langage à juger la qualité d'interfaces utilisateurs mobiles, propose une taxonomie de leurs échecs et tente une explication architecturale.
Le constat de départ est celui d'un problème d'échelle réel : les méthodes heuristiques fondées sur des règles offrent une fiabilité structurelle mais exigent un effort d'ingénierie considérable, tandis que l'annotation humaine ne suit pas le rythme du volume d'applications produites chaque année. Les modèles de langage semblaient la solution évidente. Ils échouent, et l'article s'efforce d'expliquer pourquoi par la structure même de ces modèles plutôt que par un manque de données d'entraînement.
La leçon est directement transposable au reste du dossier. Un système peut décrire correctement ce qu'il voit sur un écran — les boutons, les libellés, la hiérarchie visuelle — sans être capable d'anticiper ce que cette disposition fait ressentir à une personne de 78 ans qui cherche à prendre un rendez-vous. Le fossé entre la reconnaissance et l'expérience vécue est exactement celui que CALM et HiBRIDGE tentent de franchir par d'autres moyens : des mesures comportementales sur des participants réels, des modèles probabilistes explicites.
Deux autres articles du même lot renforcent l'idée que l'évaluation des interfaces générées par IA devient un objet de recherche à part entière : EvoGenUI-Bench, un banc d'essai de 150 tâches de cinq tours pour tester la capacité des modèles à maintenir une interface web exécutable au fil des demandes, et SkillAlign, qui s'attaque à l'alignement des interfaces de compétences pour les agents fondés sur des modèles de langage. Autrement dit : générer une interface est devenu facile; l'évaluer et la faire évoluer sans la casser reste difficile.
Ce que ça change pour le Québec
Le Québec n'est pas spectateur. Les bornes de préadmission ont proliféré dans les établissements du réseau de la santé, des robots de désinfection et de logistique circulent dans certains centres hospitaliers, et les commerces multiplient les caisses libre-service et les kiosques de commande. Chacun de ces déploiements est un pari sur l'acceptabilité sociale d'une machine.
Or l'histoire récente montre que l'échec n'est presque jamais technique. Les caisses libre-service fonctionnent; elles irritent. Les bornes reconnaissent la carte d'assurance maladie; elles laissent des usagers plantés devant un écran. Ce n'est pas un problème d'algorithme, c'est un problème de compétence sociale implicite — la même que CALM mesure en centimètres et que HiBRIDGE tente de modéliser en distributions de probabilité.
La Stratégie numérique du gouvernement du Québec et les cadres d'utilisation responsable de l'intelligence artificielle mis en avant par le Conseil de l'innovation du Québec insistdent sur la participation des usagers en amont. Les travaux commentés ici donnent des outils pour rendre cette participation mesurable : une distance d'arrêt, un confort déclaré, une décision de tour de parole traçable.
Une mise en garde d'usage s'impose : il s'agit de prépublications non encore révisées par des pairs, avec de petits échantillons — 41 participants pour CALM — et des protocoles de laboratoire. Elles indiquent une direction, pas une norme. Mais la direction est cla: après avoir appris à toucher et à lire les signaux cérébraux, les machines doivent maintenant apprendre à se tenir à leur place.