Le problème des données défaillantes qui freine la nouvelle génération de robots IA

Points clés

• Un sondage de 2026 auprès de plus de 700 professionnels de l'IA, rapporté par IEEE Spectrum AI, révèle que les problèmes de qualité des données causent la majorité des défaillances dans les systèmes IA physiques.
• 78 % des équipes constatent déjà des résultats mesurables en IA visuelle et physique, tandis que 74 % croient que le secteur reçoit beaucoup moins d'investissements qu'il le mérite.
• Les équipes qui réussissent à commercialiser des produits IA physiques consacrent près de trois fois plus de temps à la préparation et à la curation des données que les équipes dont les projets stagnent.
• 92 % des praticiens s'accordent sur la direction que prendra le secteur, signalant un fort consensus sur ce que l'IA physique devra faire.

Au cours de la dernière décennie, les plus grandes percées en IA, les modèles de langage de grande taille, la technologie derrière les chatbots comme ChatGPT, les générateurs d'images, les assistants vocaux, ont tous été construits sur du texte. Des mots, des phrases, des paragraphes extraits d'internet.

Maintenant, la frontière s'est déplacée vers le monde physique.

Les systèmes qui conduisent des voitures, guident les bras robotiques dans les usines ou pilotent les drones de livraison ne lisent pas de phrases. Ils lisent des flux vidéo, des balayages LiDAR (cartes 3D basées sur des lasers de l'environnement), et des flux de données de capteurs arrivant des milliers de fois par seconde. Construire une IA qui comprend et agit dans l'espace physique est véritablement plus difficile que de lui apprendre à rédiger un e-mail.

Alors, qu'est-ce qui ne va vraiment pas ?

Les problèmes de données causent la plupart des défaillances, pas les modèles IA faibles. Un sondage de 2026 auprès de plus de 700 professionnels, mené avec le soutien de Voxel51 et couvert par IEEE Spectrum AI, a révélé que les équipes collectent d'énormes quantités de données vidéo et de capteurs mais ont du mal à transformer cette matière première en quelque chose d'utile.

Le goulot d'étranglement le plus évident est l'annotation : le processus lent et coûteux d'étiquetage de ce qui se trouve dans chaque image pour que l'IA puisse en apprendre. Les équipes annotent souvent tout ce qu'elles collectent, puis jettent la plupart avant même que le système ne soit commercialisé. Cet effort gaspillé grève les budgets et ralentit les calendriers.

Qu'est-ce qui distingue les équipes qui commercialisent des systèmes de celles qui stagnent ?

Le temps consacré au travail sur les données, et non pas de meilleurs algorithmes. Les équipes réussies investissent près de trois fois plus de temps à la curation, au nettoyage et à la sélection de leurs données d'entraînement par rapport aux équipes dont les projets n'atteignent jamais la production.

C'est une découverte frappante. L'instinct en développement IA est souvent de poursuivre un modèle plus grand ou une nouvelle architecture. Ce sondage suggère que le pari le plus judicieux est d'être impitoyable quant aux données que vous alimentez au modèle dès le départ.

Qu'est-ce que cela signifie pour les gens ordinaires ?

L'IA physique est déjà autour de nous : des robots d'entrepôt qui trient les colis, des robots hospitaliers qui transportent des fournitures, des logiciels de conduite autonome dans les nouvelles voitures. Le sondage suggère que ces systèmes continueront à arriver, mais lentement et inégalement, car les construire correctement est un travail sans glamour et à forte intensité de main-d'œuvre.

Les 74 % qui croient que le secteur est sous-investi ont probablement raison. Si plus de ressources s'écoulent vers l'infrastructure des données plutôt que vers les lancements de modèles accrocheurs, les produits d'IA physique atteignant les consommateurs pourraient devenir considérablement plus fiables.

Pour l'instant, le message des personnes qui construisent ces systèmes est simple : l'algorithme est rarement le problème. Les données le sont.