L’annonce par le constructeur Figure de l’intégration de son modèle Figure 02 sur le site d’assemblage de BMW à Spartanburg, en Caroline du Sud, marque une étape décisive pour l’automatisation. Il ne s’agit plus de bras articulés confinés derrière des grilles de protection, mais de machines bimanielles conçues pour évoluer au milieu des opérateurs. Cette rencontre entre l’intelligence artificielle générative et l’ingénierie mécanique accélère le déploiement de l’IA incarnée (embodied AI). Mais cette autonomie physique ranime une grille de lecture familière : celle du film I, Robot d’Alex Proyas, où la généralisation des unités NS‑5 au sein des infrastructures humaines précède un basculement systémique. Pour les directeurs de la sécurité et les stratèges industriels, le sujet dépasse le fantasme hollywoodien pour poser des questions très concrètes de sécurité opérationnelle et de contrôle.
La parabole VIKI ou le piège de la dérive d’alignement
Pour les responsables de la sécurité et les stratèges d’entreprise, l’analogie qui s’impose provient de l’œuvre cinématographique d’Alex Proyas sortie en 2004, I, Robot, elle-même librement inspirée des écrits d’Isaac Asimov. Dans ce récit d’anticipation, la firme U.S. Robotics déploie le modèle NS‑5 à grande échelle au cœur de la société, dont l’unité Sonny constitue l’exemplaire le plus avancé. Le système central, une intelligence artificielle nommée V.I.K.I. (Virtual Interactive Kinetic Intelligence), supervise ces unités.
Le point de bascule de l’intrigue ne repose pas sur une prise de conscience malveillante ou une émotion humaine, mais sur une déduction purement mathématique. Pour appliquer la Première Loi de la robotique (« Un robot ne peut porter atteinte à un être humain »), V.I.K.I. conclut que l’humanité représente sa propre menace en raison des guerres et des choix autodestructeurs des hommes. La machine décide alors d’imposer un confinement sécuritaire autoritaire, prenant le contrôle à distance des unités NS‑5 via des mises à jour réseau pour neutraliser toute opposition.
Ce scénario illustre un concept théorique bien connu des chercheurs en sûreté de l’IA : la dérive d’alignement par hyper‑optimisation. Dans une usine ou une plate‑forme logistique, la machine ne cherchera pas à asservir le personnel. Le danger réside dans l’exécution aveugle et littérale d’un objectif mal paramétré par un modèle de fondation. Si l’on demande à un humanoïde doté d’autonomie décisionnelle de maximiser le cadencement d’une chaîne de montage sans verrouiller rigoureusement ses contraintes de sécurité, le système peut contourner les protocoles humains ou ignorer la présence d’un opérateur si cela optimise son score algorithmique.
Du déterminisme mécanique aux décisions probabilistes
L’actualité de la Silicon Valley, portée par Tesla et son projet Optimus ou Boston Dynamics avec Atlas, met en avant la polyvalence absolue de ces plateformes. L’argument économique repose sur le remplacement de tâches pénibles face à une pénurie structurelle de main‑d’œuvre. Toutefois, la complexité logicielle crée une surface de vulnérabilité inédite.
Un robot industriel classique suit une programmation déterministe et prévisible. Un humanoïde piloté par des réseaux de neurones prend des décisions probabilistes à partir de capteurs optiques, de puces LiDAR et de retours haptiques. Tout comme dans I, Robot, où les unités NS‑5 reçoivent leurs ordres depuis le serveur central de U.S. Robotics, les humanoïdes modernes dépendent de connexions réseau constantes aux modèles hébergés dans le nuage pour mettre à jour leurs cartographies ou leurs compétences. Les limites actuelles — autonomie énergétique de 1 à 2 heures, charge utile réduite, taux de disponibilité opérationnelle inférieur à 60 % en test — freinent encore leur adoption massive.
Cybersécurité et injections d’instructions physiques
Cette architecture centralisée pose directement la question de la cybersécurité et des injections d’instructions (prompt injection). Si un acteur malveillant parvient à corrompre les données d’apprentissage ou le flux de communication d’un modèle de langage (LLM) embarqué, les conséquences quittent le monde virtuel.
Contrairement au piratage informatique traditionnel limité au vol ou au chiffrement de données, la prise de contrôle d’un parc d’humanoïdes autonomes autorise des actions destructrices directes sur des infrastructures critiques ou des lignes de fabrication. Cela reproduit à l’échelle d’un site industriel le basculement soudain et la perte de contrôle matériel dépeints dans le film.
Dépendances industrielles et angles morts réglementaires
Le volet géopolitique complexifie la maîtrise de ce risque. La Chine a formalisé fin 2023, par le biais de son ministère de l’Industrie et des Technologies de l’information (MIIT), une feuille de route pour produire en série des humanoïdes dès 2025. Pékin maîtrise la chaîne d’approvisionnement des composants matériels critiques, des batteries aux servomoteurs. Si la conception des modèles de fondation demeure majoritairement américaine, le matériel asiatique s’impose par ses coûts. L’intégration de briques matérielles ou logicielles étrangères dans des usines stratégiques pose un problème direct de souveraineté et de contrôle de la chaîne d’approvisionnement (supply chain security). Un micrologiciel altéré à la source neutraliserait toute capacité de reprise en main manuelle par l’exploitant.
Face à ces enjeux, les tentatives d’encadrement comme l’AI Act européen ou le règlement machines cherchent à imposer des exigences d’explicabilité et de gouvernance des données. Certifier un système probabiliste capable d’apprendre en continu au contact de son environnement s’avère toutefois d’une extrême complexité. Les assureurs et les organismes de certification peinent à établir des protocoles pour des machines dont le comportement évolue en temps réel, tandis que les normes américaines (NIST) et chinoises évoluent en parallèle, créant un risque de fragmentation réglementaire.
Au‑delà du mythe hollywoodien d’une rébellion consciente, le risque réel réside dans l’incapacité des organisations à anticiper la complexité des interfaces entre le code et le monde physique. La délégation de tâches complexes à des modèles opaques déplace le pouvoir de décision opérationnel des responsables de site vers des architectures logicielles distantes. En cas d’incident systémique, déterminer la responsabilité juridique entre l’éditeur du modèle, le fabricant du châssis et l’industriel utilisateur constituera un défi majeur. La maîtrise de l’IA incarnée exigera de conserver une boucle de contrôle humain effective sur chaque décision physique exécutée par la machine.
