Quand l'IA quitte le logiciel pour le monde physique

L'intelligence artificielle a propulsé la technologie à un niveau différent. Bien que la première avancée reconnaissable de l'IA remonte à Alan Turing dans les années 1950 avec son article « Computing Machinery and Intelligence », posant pour la première fois la question de savoir si les machines pouvaient penser, ce n'est que ces dernières années que l'IA est entrée dans le discours commun. Elle n'est plus une discipline confinée aux départements d'informatique ou aux entreprises de logiciels. Elle est en train de devenir le système d'exploitation de la réalité physique, intégrée dans des capteurs présents dans des machines et des infrastructures qui perçoivent, décident et agissent dans le monde réel.

L'intelligence artificielle a passé la dernière décennie à devenir immatérielle. Les progrès de l'IA se mesuraient à ce que les modèles pouvaient accomplir dans le logiciel : classifier des images, générer du texte, gagner à des jeux (vous souvenez-vous du moment où Alpha Go a battu le champion du monde de Go, un jeu d'une complexité et d'une créativité remarquables ?). À mesure que l'IA s'intègre dans les machines, la question décisive en 2026 est de savoir si l'intelligence peut fonctionner de manière fiable dans des environnements physiques contraints.

Cela marque une convergence fondamentale entre l'IA et l'informatique de nouvelle génération. L'IA physique ne peut pas être dissociée du matériel, des capteurs, des puces et de l'infrastructure périphérique qui lui permettent de fonctionner en temps réel. Un robot dans une usine, un drone autonome, un dispositif médical ou une interface cerveau-ordinateur ne se contente pas d'« utiliser l'IA » ; il dépend d'une pile informatique complète capable de percevoir, décider et agir localement, en toute sécurité et de manière continue. En ce sens, la prochaine génération d'entreprises IA sera définie par leur capacité à rendre l'intelligence opérationnelle dans des environnements physiques contraints où la latence, l'énergie, la sécurité et la fiabilité comptent autant que la précision.

Ce que les meilleurs mentors disent aux fondateurs en 2026 est donc différent de ce qu'ils disaient il y a deux ans : ne construisez pas un modèle, construisez le système autour du modèle. Les entreprises les plus prometteuses sont celles qui comprennent dès le premier jour le déploiement en périphérie, la télémétrie, les dispositifs de sécurité, la confidentialité dès la conception et la responsabilité réglementaire. C'est aussi là que l'Europe peut transformer la réglementation en stratégie. La loi européenne sur l'IA, le Digital Services Act (DSA) et le Data Act ne sont pas de simples cadres de conformité ; pour les entreprises d'IA physique, ils peuvent devenir une architecture de confiance qui rayonne bien au-delà de l'Europe. Sur des marchés où les clients industriels, les hôpitaux, les gouvernements et les opérateurs d'infrastructures ont besoin de preuves que les systèmes d'IA sont sûrs, auditables, souverains et respectueux de la vie privée, la maîtrise réglementaire européenne devient un avantage commercial plutôt qu'une contrainte.

Des entreprises issues du programme deep tech Creative Destruction Lab AI stream, comme Cogitat et Lymbic AI, illustrent ce changement. 

Cogitat, qui décode l'activité cérébrale pour le contrôle des mouvements, pointe vers un monde dans lequel la cognition humaine et l'action des machines se couplent de plus en plus étroitement, tandis que Lymbic AI aborde la même frontière biologique sous l'angle de la sécurité. Sa plateforme génère des « neuroprints », des signatures biométriques uniques dérivées des schémas d'ondes cérébrales capturées par des casques EEG, permettant une authentification qui ne peut être ni volée, ni répliquée, ni hameçonnée. Là où Cogitat décode l'intention, Lymbic vérifie l'identité — et ensemble, ils esquissent ce à quoi ressemble une pile d'IA physique véritablement centrée sur l'humain : une intelligence qui lit le corps, répond à ses signaux, et le fait d'une manière à la fois cliniquement utile et cryptographiquement responsable. La même neurotechnologie sous-jacente qui permet ces applications influence également la façon dont les chercheurs envisagent les interfaces biologiques dans la découverte de médicaments et la biologie synthétique.

Le fondement physique dont l'IA a besoin

Lorsque l'intelligence devient intégrée dans chaque machine, usine, réseau, hôpital et système de défense, la question de qui contrôle l'infrastructure sur laquelle fonctionne cette intelligence devient indissociable de la compétitivité industrielle et de l'autonomie stratégique. Un continent qui traite ses données industrielles sensibles via une infrastructure cloud externe, et qui importe les matières premières nécessaires à la construction de l'épine dorsale de la technologie qu'il requiert, a externalisé bien plus que le calcul — il a externalisé une partie de la couche opérationnelle de son économie. Les implications de cette dépendance deviennent de plus en plus difficiles à inverser à mesure que les systèmes construits par-dessus gagnent en complexité.

L'IA physique à grande échelle se heurte directement à une contrainte fondamentale : l'infrastructure qui a alimenté la vague actuelle de progrès en IA a été conçue pour des centres de données centralisés fonctionnant à grande échelle sur des interconnexions en cuivre — et elle n'a pas été conçue pour les exigences distribuées, à faible consommation d'énergie et à latence critique que l'IA physique impose. L'informatique de nouvelle génération ne doit pas être considérée comme une voie parallèle à l'IA : c'est le fondement physique dont l'IA a besoin pour réaliser son potentiel, bien que cette relation doive être traitée avec soin. L'IA physique crée une demande pour de meilleures infrastructures informatiques, mais elle ne définit pas automatiquement le premier marché pour chaque entreprise d'informatique de nouvelle génération.

La thèse plus précise pour 2026 est que l'IA met en lumière les limites de l'architecture informatique actuelle, tandis que les nouveaux substrats informatiques cherchent des cas d'usage commercialement urgents. Certaines entreprises serviront directement l'IA en périphérie — via des capteurs, du calcul basse consommation, du chiffrement, de la transmission de données ou des interconnexions photoniques — tandis que d'autres pourront trouver leurs marchés initiaux dans l'encapsulation de semiconducteurs, les communications sécurisées, la détection avancée, les logiciels quantiques, la découverte de matériaux ou l'optimisation industrielle. La question n'est pas de savoir si l'IA et l'informatique de nouvelle génération sont liées en théorie, mais de déterminer où la demande des clients est suffisamment forte pour tirer la technologie vers le marché.

La photonique en est un exemple qui illustre cette distinction assez clairement. Le goulot d'étranglement se situait auparavant fortement dans la fabrication de procédés, mais cela commence à changer à mesure que de plus grandes fonderies font évoluer leur production vers des volumes plus importants. La question la plus difficile est désormais de plus en plus applicative : savoir si une entreprise peut s'appuyer sur un procédé de fabrication déjà disponible à grande échelle, et si son cas d'usage est aligné avec un besoin de marché suffisamment urgent pour justifier l'adoption. LumiSync a breveté le premier oscillateur entièrement photonique au monde, atteignant des performances mille fois plus rapides et mille fois plus efficaces en énergie que les équivalents électroniques actuels, progressant à la fois dans les programmes HEC Challenge+ et CDL-Paris Next Gen Computing. Moon Photonics, Lightspring et Flatlight ont toutes avancé dans le même programme, soutenues par LuminEdge, la plateforme d'incubation co-fondée par iXcampus et l'Institut d'Optique Graduate School avec HEC Paris comme partenaire, qui fournit un accès mutualisé à des infrastructures telles que des cryostats, des salles blanches ou des équipements de métrologie avancée.

L'informatique quantique fera face à une version de la même discipline de commercialisation à mesure qu'elle mûrit. La promesse scientifique ne suffit pas : la question est de savoir où le cas d'usage est suffisamment précis, et la douleur du client suffisamment aiguë, pour justifier l'adoption avant que la technologie n'atteigne sa pleine maturité. Les algorithmes quantiques et les solutions logicielles progressent déjà autour d'applications spécifiques en chimie, découverte de matériaux, logistique et optimisation industrielle — et des entreprises comme Quantistry illustrent l'importance de ce ciblage. Les entreprises les plus solides dans ce domaine seront probablement celles qui traduisent un avantage technique en un problème que les clients peuvent comprendre, tester et finalement acheter, plutôt que celles qui mettent en avant l'architecture en espérant que le marché les rejoindra.

Sous-jacente à tout cela se trouve une réalité politique et industrielle que les fondateurs dans le domaine de l'informatique de nouvelle génération ne peuvent se permettre de traiter comme un simple contexte. L'industrie des semiconducteurs a été construite autour de l'économie du CMOS (Complementary Metal-Oxide-Semiconductor) sur des décennies, et certains de ses acteurs les plus puissants pourraient préférer ralentir, absorber ou réorienter les technologies concurrentes plutôt que de réorganiser leurs stratégies autour d'elles. La supériorité technique n'a jamais été suffisante en elle-même : les fondateurs doivent également comprendre les structures d'incitation des acteurs établis, les dépendances de la chaîne d'approvisionnement, les normes de qualification requises pour les marchés médicaux, aérospatiaux et de défense, ainsi que le coût réel de demander à des clients industriels de changer une architecture qu'ils ont passé des années à optimiser. L'environnement réglementaire et de politique industrielle de l'Europe — incluant le Chips Act et les investissements de France 2030 dans les infrastructures photoniques et quantiques — tente de remodeler certaines de ces structures d'incitation, mais la fenêtre qu'il crée ne restera pas ouverte indéfiniment.

L'IA physique ramène le débat sur l'IA et l'informatique de nouvelle génération à un défi écosystémique plus fondamental. Les entreprises d'IA déploient de l'intelligence en périphérie dans des usines, des hôpitaux, des robots, des systèmes de défense ou des infrastructures critiques qui ont besoin d'un meilleur matériel, de meilleures capacités de détection, d'une plus grande efficacité énergétique, d'une meilleure protection de la vie privée et de certifications — bien avant que de nombreuses technologies d'informatique de nouvelle génération ne puissent naturellement atteindre leur maturité commerciale. La réponse n'est pas de forcer les entreprises de photonique, de quantique ou de semi-conducteurs avancés dans des marchés prématurés, mais de briser les silos qui maintiennent les fondateurs en IA, les fondateurs en matériel, les clients industriels, les fonderies, les régulateurs et les investisseurs sur des temporalités différentes. L'IA physique peut devenir le lieu où ces temporalités commencent à s'aligner, car elle offre aux fondateurs d'informatique de nouvelle génération une vision plus claire des points de douleur réels du déploiement, tout en donnant aux fondateurs de startups en IA accès aux contraintes d'infrastructure qui détermineront si leurs systèmes peuvent passer à l'échelle. 

Le rôle d'un écosystème deep tech est précisément de créer ces rencontres en amont : aider les fondateurs à tester des cas d'usage avant que le marché ne soit pleinement formé, concevoir selon les standards que les clients exigeront à terme, et construire des entreprises autour des goulots d'étranglement industriels que le logiciel seul ne peut résoudre.

Auteurs: Livia Kalossaka, Alex Charbonné, Abdelalim El Hamichi

Traduction assistée par LLM.