L’Ia Physique S’Impose Au Disrupt 2026 À San Francisco

Et si le vrai tournant de l’intelligence artificielle n’était plus un chatbot plus éloquent, mais une machine capable d’agir dans un entrepôt, un champ de bataille, une usine ou même un écosystème vivant ? Pendant des années, les conférences tech ont parlé de modèles, de tokens et de tableaux de bord. Cette fois, le débat bascule. À San Francisco, du 13 au 15 octobre, TechCrunch Disrupt 2026 ajoute une scène entière consacrée à ce que l’on commence à appeler l’IA physique : le moment où le logiciel cesse d’être un spectacle derrière un écran et devient un acteur du monde réel.

Une scène conçue pour l’intersection du digital et du réel

Jusqu’ici, l’événement consacrait déjà une programmation dense à l’IA. Le sujet a tellement débordé des laboratoires que les organisateurs ont décidé de scinder l’offre. D’un côté, la scène IA classique continue d’explorer les modèles, la sécurité logicielle et les nouveaux équilibres économiques des logiciels. De l’autre, la Real World AI Stage s’attaque à une question plus rude : que se passe-t-il lorsque l’algorithme commande un bras, un véhicule, un capteur isolé ou une séquence biologique ?

Le cadre n’est pas anodin. Moscone West accueillera plus de dix mille fondateurs, investisseurs et opérateurs. Autour de cette nouvelle scène gravitent des noms déjà identifiés : Nvidia, Shield AI, Colossal Biosciences, FieldAI, Foxglove, Medra, MBRYONICS ou encore Bedrock Robotics. Le fil conducteur n’est pas le rêve d’une intelligence générale abstraite. C’est la friction concrète entre données, matière, régulation et confiance.

On y parle de robots qui n’ont toujours pas leur équivalent de ChatGPT, d’avions ou de missions où l’erreur n’est pas une simple notification, d’espèces disparues que l’on tente de ramener par la biologie assistée par calcul, et de systèmes qui doivent fonctionner quand le cloud disparaît. Autrement dit, on quitte le terrain confortable de la démo pour celui de la responsabilité.

Le moment ChatGPT des robots n’est pas encore arrivé

Les grands modèles de langage ont eu Internet. Les voitures autonomes accumulent des millions d’heures de conduite. Les robots, eux, avancent avec un handicap structurel : le manque de données riches, variées et réellement situées. Ce trou d’apprentissage explique pourquoi tant d’experts situent encore l’intelligence robotique généraliste à plusieurs années, malgré des progrès spectaculaires ailleurs.

Une génération de jeunes pousses tente de refermer cet écart. Elles construisent des pipelines de collecte, des environnements de simulation et des modèles de fondation pensés pour le mouvement, le toucher, la contrainte physique. La question posée sur scène n’est plus « est-ce que ça marche en laboratoire ? » mais « qu’est-ce qui manque vraiment pour qu’un saut de capacités se produise, comparable à celui des LLM ? »

Les robots n’ont ni l’internet des textes ni les millions d’heures de route. Tant que ce déficit de données n’est pas comblé, l’intelligence physique restera fragmentée.

– Synthèse de la problématique posée avec Les Karpas, responsable de l’IA physique chez Nvidia

La présence de Les Karpas n’est pas décorative. Nvidia occupe aujourd’hui une position particulière : celle d’un fournisseur d’infrastructure qui veut accélérer le passage du calcul à la commande d’objets. Derrière le jargon de physical AI se cache une bataille industrielle. Qui possédera les jeux de données ? Qui standardisera la simulation ? Qui fera payer l’entraînement d’un modèle capable de saisir une pièce, de marcher dans une pièce encombrée ou de coopérer avec un opérateur humain ?

Il ne s’agit pas seulement d’une course technique. C’est aussi une course de récits. Celui qui définira le « moment ChatGPT » de la robotique imposera ses métriques, ses partenaires et, inévitablement, ses dépendances. Les fondateurs présents à Disrupt le savent : sans données, pas de généralisation ; sans généralisation, pas de marché de masse.

Construire quand l’échec n’est plus une option

Dès que l’IA quitte le navigateur, le coût d’une erreur change d’échelle. Un modèle textuel peut halluciner une date. Un système autonome peut clouer un avion au sol, provoquer une collision ou compromettre une mission. La session menée avec Nate Michael, directeur technique de Shield AI, attaque ce point sans détour : comment savoir qu’un système est assez mûr pour être déployé sans transformer l’utilisateur en cobaye ?

La réponse ne tient pas dans un seul seuil statistique. Elle mêle culture d’entreprise, protocoles de test, validation continue et lecture des contraintes réglementaires. Les fondateurs de la hard tech découvrent souvent trop tard que la performance en simulation ne dit presque rien de la robustesse en conditions dégradées. Un capteur encrassé, une latence imprévue, un opérateur fatigué : le monde réel n’attend pas que le modèle soit « assez bon en moyenne ».

Shield AI incarne cette exigence venue de la défense et des véhicules autonomes. L’enjeu n’est pas seulement d’éviter le scandale. Il s’agit de construire une organisation capable de dire non à un déploiement trop tôt, même sous pression commerciale. Dans un secteur où les contrats sont longs et les responsabilités lourdes, la confiance se gagne moins par une vidéo virale que par une discipline de preuve.

• Installer une culture de sécurité avant d’accélérer le marketing produit.
• Tester l’IA dans des scénarios de panne, pas seulement dans des démonstrations idéales.
• Documenter les limites du système aussi clairement que ses performances.
• Anticiper le dialogue avec les régulateurs plutôt que le subir après incident.

Cette exigence redessine le profil du fondateur. Il ne suffit plus d’être un bon chercheur ou un bon vendeur. Il faut tenir ensemble la promesse technologique et le devoir de précaution. Beaucoup d’équipes échouent précisément là : trop sûres de leur modèle, trop pressées par la levée suivante, trop peu outillées pour mesurer le risque résiduel.

Peut-on vraiment faire revenir la nature par l’ingénierie ?

Le programme ne s’arrête pas aux robots et aux drones. Il glisse vers un sujet plus clivant encore : la dés-extinction. Ben Lamm, dirigeant de Colossal Biosciences, a transformé une idée longtemps reléguée à la science-fiction en projet capitalisé à très grande échelle. Son fireside talk promet d’aborder les outils utilisés pour tenter de faire revenir des espèces disparues, la place de l’IA dans la biologie contemporaine, et la critique qui monte.

Le débat n’est pas seulement scientifique. Pour certains, ces travaux ouvrent une voie de conservation radicale, capable de restaurer des fonctions écologiques perdues. Pour d’autres, ils détournent l’attention et l’argent de la protection des espèces encore vivantes. Entre ces deux lectures, l’IA joue un rôle d’accélérateur : elle aide à lire des génomes, à prioriser des hypothèses, à simuler des interactions que le laboratoire seul peinerait à explorer.

Colossal Biosciences cristallise une tension plus large du moment tech. Peut-on « réparer » le vivant comme on itère un logiciel ? La métaphore séduit les investisseurs. Elle inquiète une partie de la communauté scientifique et des ONG. Disrupt n’a pas vocation à trancher. En revanche, en plaçant ce sujet sur la même scène que la robotique et la défense, l’événement affirme une idée : l’IA réelle n’est plus seulement mécanique. Elle devient aussi biologique.

Cette bascule a des conséquences concrètes pour les start-up. Les cycles sont plus longs, les preuves plus difficiles à produire, l’opinion publique plus volatile. Un échec n’est plus un bug. C’est une question éthique exposée au grand jour. D’où l’intérêt d’entendre un dirigeant qui assume déjà la controverse plutôt qu’un discours lisse de conférence.

Quand le cloud disparaît, l’architecture change

Une autre conversation, plus discrète mais décisive, concerne l’IA en bordure. Les déploiements les plus critiques se jouent souvent là où la connectivité est faible, la latence intolérable et la panne inacceptable. Défense, espace, industrie lourde : le playbook du cloud centralisé ne suffit plus. Il faut concevoir autrement.

Autour de cette table, on retrouve Ali Agha (FieldAI), Michelle Lee (Medra) et Aidan Madigan-Curtis (Eclipse Ventures). Leur angle n’est pas théorique. Ils parlent de choix d’architecture, de compromis entre précision et autonomie locale, de ce que l’on calcule sur place et de ce que l’on renvoie plus tard. En d’autres termes, ils décrivent le moment où l’élégance d’un modèle géant se heurte à la physique d’un réseau instable.

FieldAI et Medra illustrent deux faces du même problème. D’un côté, des systèmes qui doivent percevoir et décider dans des environnements peu structurés. De l’autre, des machines qui doivent tenir une cadence industrielle sans attendre une réponse venant d’un data center lointain. L’investisseur, ici, n’est pas un figurant : il rappelle que ces contraintes techniques deviennent très vite des contraintes de coût, de maintenance et de go-to-market.

On sous-estime encore ce point dans les pitchs. Beaucoup de fondateurs vendent une intelligence « partout, tout le temps », comme si la bande passante était un bien public infini. Or les cas d’usage les plus précieux sont précisément ceux où le réseau flanche. Apprendre à concevoir pour cette réalité-là n’est pas un détail d’ingénierie. C’est un avantage concurrentiel.

Du prototype brillant à une production qui tient

Un démonstrateur qui fonctionne n’est pas un produit. Un produit qui sort n’est pas encore une entreprise capable de produire à volume. Entre ces étapes, la plupart des start-up deep tech s’éteignent. Elles ont souvent la bonne équipe scientifique. Elles comprennent trop tard ce que changent une chaîne d’approvisionnement, un rendement d’usine, une certification ou un client qui refuse l’exception artisanale.

La session réunit John Mackey (MBRYONICS), Boris Sofman (Bedrock Robotics) et Adrian Macneil (Foxglove). Espace, robotique humanoïde, systèmes autonomes : trois terrains où le passage à l’échelle n’est pas une question de croissance virale, mais de répétabilité. Ce que l’on tolère dans un labo devient inacceptable dès que l’on promet un calendrier de livraison.

Foxglove occupe une place particulière dans cet écosystème : celle des outils qui rendent visibles les données de robots et de véhicules. Sans observabilité, pas d’itération sérieuse. Sans itération, pas de montée en cadence. Les fondateurs qui réussissent ce virage racontent souvent les mêmes regrets : avoir trop tardé à industrialiser les tests, avoir sous-estimé les fournisseurs, avoir cru qu’une belle architecture logicielle compenserait une mécanique capricieuse.

Le fossé entre le prototype et la série n’est pas un problème de communication. C’est là que meurent la plupart des ambitions hardware, faute d’avoir traité la fabrication comme un sujet stratégique dès le premier jour.

– Enseignement transversal des fondateurs invités sur le passage à l’échelle

Cette séquence a le mérite de ramener l’IA physique sur terre. On peut entraîner un modèle impressionnant. On peut filmer une marche fluide dans un open space. Reste à savoir qui assemblera la machine, qui la réparera, qui en garantira la disponibilité à cent, mille, puis dix mille unités. Les investisseurs présents à Disrupt posent désormais ces questions plus tôt. Les équipes qui n’ont que la démo devront s’y préparer.

Ce que révèle le reste de la programmation

La nouvelle scène ne vit pas isolée. Disrupt 2026 aligne d’autres plateformes qui, mises bout à bout, dessinent un portrait assez net de l’époque. La scène principale accueille des voix issues de Replit, Amazon ou Tether. La scène IA historique interroge les failles de sécurité et les modèles économiques que l’IA impose aux éditeurs de logiciels. La scène Smart Money relie stablecoins, paiements instantanés et confiance financière. La scène Smart Systems s’attaque à l’énergie, aux réseaux et à la tension que l’explosion du calcul fait peser sur les infrastructures. La scène Builders, plus tactique, parle levées, recrutement et exécution.

Ce découpage dit quelque chose d’important. L’IA n’est plus un stand à part. Elle irrigue la finance, l’énergie, le logiciel métier et, désormais, le monde physique. Les organisateurs misent sur une évidence : les fondateurs ne peuvent plus se spécialiser dans un seul de ces plans. Celui qui construit un robot devra comprendre l’énergie qu’il consomme, la donnée qu’il génère, la régulation qu’il affronte et l’histoire qu’il raconte aux investisseurs.

San Francisco reste, pour trois jours, le théâtre de cette convergence. On peut y voir un rituel de l’écosystème. On peut aussi y lire un déplacement de gravité. Après la phase des assistants conversationnels, une partie du capital et du talent bascule vers des objets qui pèsent, coûtent, cassent et, parfois, sauvent ou mettent en danger.

Pourquoi cette édition peut marquer un changement d’époque

Il serait naïf de croire qu’une scène de conférence crée à elle seule une industrie. En revanche, elle rend visibles des alliances et des priorités. Nvidia y affirme que l’avenir se joue dans la matière. Shield AI y rappelle que la performance sans preuve est un risque. Colossal Biosciences y impose un débat que la tech préférait parfois contourner. FieldAI, Medra, Foxglove et les autres y montrent que la valeur se niche dans les détails d’exécution : latence, données de terrain, usine, maintenance.

Pour un fondateur français ou européen qui observe Disrupt depuis l’extérieur, le message est double. Premièrement, le récit de l’IA « tout logiciel » s’essouffle. Les projets qui attirent l’attention combinent capteurs, mécanique, biologie ou infrastructure critique. Deuxièmement, les critères de maturité durcissent. On ne juge plus seulement la qualité d’un modèle. On juge la capacité à le faire vivre hors du laboratoire, dans un monde imparfait.

Cela ouvre des opportunités. Les entreprises capables de produire des données robotiques propres, de certifier des systèmes, de faire tourner de l’inférence au plus près de la machine ou d’industrialiser un hardware encore artisanal auront une prime. Cela crée aussi des pièges. Promettre trop tôt une autonomie générale, minimiser les enjeux éthiques de la biologie de synthèse, ou vendre une IA « edge » qui dépend encore du cloud à chaque décision : le marché commence à reconnaître ces angles morts.

Reste une inconnue, la plus intéressante. L’IA physique trouvera-t-elle vraiment son équivalent de ChatGPT, c’est-à-dire un basculement brutal de capacités accessible à des non-spécialistes ? Ou progressera-t-elle par strates industrielles, secteur par secteur, sans moment magique ? Disrupt 2026 ne clôturera pas le débat. Il le formulera avec une clarté inhabituelle, en mélangeant robots, défense, usines et espèces disparues dans une même conversation.

C’est précisément ce mélange qui rend l’édition digne d’attention. Pas parce qu’elle multiplie les keynotes. Parce qu’elle admet enfin que l’intelligence artificielle a quitté le confort du texte pour entrer dans des lieux où l’on se blesse, où l’on produit, où l’on protège, et parfois où l’on tente de réécrire le vivant. Le 13 octobre, à San Francisco, cette hypothèse ne sera plus un slogan. Elle aura une scène à elle.