99 % de réussite sur des tâches physiques, trois fois plus rapide que ses concurrents, et une seule heure de données pour apprendre un nouveau geste. GEN-1, le modèle de la startup Generalist AI, vient de franchir un cap que le secteur de la robotique attendait depuis des années.
Jusqu’à présent, les robots dits « intelligents » savaient à peine attraper un objet une fois sur deux. Le modèle précédent, GEN-0, plafonnait à 64 % de réussite moyenne. Cinq mois plus tard, GEN-1 pulvérise ce chiffre et atteint un niveau que Generalist AI qualifie de « viabilité commerciale ». La startup, fondée par d’anciens chercheurs d’OpenAI, Google DeepMind et Boston Dynamics, a publié les résultats le 2 avril 2026 avec vidéos à l’appui : des bras robotiques qui plient des t-shirts 86 fois de suite, emballent 1 800 blocs sans intervention humaine, ou assemblent des kits automobiles pendant plus d’une heure.
De 64 % à 99 % en cinq mois
Le saut de performance rappelle ce qui s’est produit avec les grands modèles de langage. GPT-2 était un jouet de laboratoire. GPT-3 a rendu l’IA commercialement viable pour certaines tâches. Generalist AI revendique le même tournant pour la robotique physique. Dans leur papier technique, les chercheurs détaillent six tâches de manipulation d’objets. Plier des boîtes en carton : 99 % de réussite, contre 81 % pour GEN-0 et 13 % pour un modèle entraîné sans pré-apprentissage. Emballer des téléphones dans des coques : 99 %, contre 62 %. Entretenir des aspirateurs robots : 99 %, contre 50 %. En moyenne, un robot sans pré-apprentissage ne réussit que 19 % du temps.
Le secret tient dans la base de données. Generalist AI a accumulé plus de 500 000 heures de données d’interactions physiques filmées dans le monde réel. Le modèle n’utilise aucune donnée de robot pour son pré-entraînement : il apprend en regardant des humains équipés de capteurs portables effectuer des millions de gestes du quotidien. Quand un robot doit ensuite plier un t-shirt, il transfère ce savoir en une heure d’adaptation.
Trois fois plus rapide, et pas grâce à la triche
La vitesse est l’autre rupture. GEN-1 plie une boîte en carton en 12,1 secondes. Le précédent record, détenu par GEN-0 et par le modèle pi-0 de Physical Intelligence, tournait autour de 34 secondes sur des boîtes identiques. Soit un gain de 2,8 fois, à tâche égale. Pour l’emballage de téléphones, le gain atteint aussi 2,8 fois.
La vitesse ne vient pas d’une simple accélération des moteurs. L’entreprise a développé une technique baptisée « Harmonic Reasoning », qui permet au robot de réfléchir et d’agir simultanément. Dans un système classique, le robot perçoit, calcule, puis bouge. Ici, la perception, le raisonnement et le mouvement fonctionnent en flux continu, comme un réflexe humain. Résultat : le robot anticipe les mouvements au lieu de les enchaîner séquentiellement.
Quand le robot improvise
Le troisième pilier, et sans doute le plus frappant, concerne l’improvisation. Lors d’un test d’assemblage de kits automobiles, une rondelle glisse de la pince du robot. Au lieu de s’arrêter ou de recommencer, le bras repose la pièce, ajuste sa prise, et reprend l’opération. Sur un autre test, le robot attrape un objet qui a roulé à un endroit imprévu et adapte sa trajectoire en temps réel.
Ce type de comportement émergent n’existait pas dans les modèles précédents. Selon Generalist AI, c’est cette capacité d’adaptation spontanée qui distingue un robot « intelligent » d’un automate industriel programmé pour répéter le même geste à l’identique. Les usines utilisent des bras robotiques depuis les années 1960, mais ces machines ne fonctionnent que dans un environnement parfaitement contrôlé. GEN-1 promet de travailler dans le monde réel, avec ses imprévus.
L’équipe derrière la machine
Generalist AI n’est pas une startup sortie de nulle part. L’équipe revendique la paternité de plusieurs percées du secteur : PaLM-E et RT-2 chez Google DeepMind (les premiers modèles qui reliaient vision, langage et action robotique), le passage à l’échelle de ChatGPT et GPT-4 chez OpenAI, et la conception de robots comme Atlas et Spot chez Boston Dynamics. La société est installée dans la baie de San Francisco et à Boston.
En novembre 2025, GEN-0 avait prouvé que les « lois de passage à l’échelle » fonctionnaient aussi en robotique : plus de données et de puissance de calcul produisaient de meilleurs résultats de manière prévisible. C’était la condition nécessaire. GEN-1 en est la preuve concrète, passée du laboratoire au début de l’exploitation industrielle.
Ce que ça change pour les usines et les entrepôts
Goldman Sachs estimait en 2024 que le marché des robots humanoïdes atteindrait 38 milliards de dollars en 2035. Mais les investisseurs butaient sur un obstacle : les robots généraux échouaient trop souvent pour être rentables. Un taux de réussite de 64 % signifie un tiers de déchets ou de reprises manuelles. À 99 %, le calcul change radicalement.
La concurrence s’intensifie. Physical Intelligence (ex-Google) a levé 400 millions de dollars, Figure AI a dévoilé son humanoïde Figure 02, et Tesla poursuit le développement d’Optimus. Mais aucun de ces acteurs n’a publié de données de fiabilité comparables à celles de GEN-1 sur des tâches de manipulation fine, selon les chiffres mis en avant par Generalist AI.
La startup prévient que GEN-1 ne résout pas toutes les tâches. Les gestes les plus complexes restent hors de portée. La prochaine étape, GEN-2, devrait étendre la gamme de tâches maîtrisées et confirmer si les lois de passage à l’échelle continuent de tenir. Les premiers déploiements commerciaux, eux, pourraient intervenir dans les mois qui viennent, dans l’assemblage automobile et la logistique d’entrepôt.
