OpenAI a dissous son équipe robotique autonome et réparti ses membres entre ses principales organisations de recherche et de produits appliqués. L’entreprise confirme la réorganisation tout en affirmant qu’elle ne constitue pas un retrait de la robotique. Elle estime désormais que ses modèles généralistes peuvent être appliqués directement au contrôle de robots.
Les chercheurs en robotique rejoignent l’organisation de recherche dirigée par Mark Chen. Les équipes consacrées à la robotique appliquée et au matériel sont, elles, rattachées à la division Applied placée sous la responsabilité du président Greg Brockman. OpenAI conserve donc les compétences, mais abandonne une structure séparée.
La deuxième dissolution d’une équipe robotique
OpenAI avait déjà arrêté une première équipe robotique en 2020. L’entreprise privilégiait alors l’entraînement de grands modèles sur de vastes volumes de texte, une trajectoire qui a conduit à ChatGPT. Elle avait relancé une unité autonome en 2024 et noué un partenariat avec Figure pour développer des modèles destinés aux humanoïdes.
Cette collaboration a pris fin en février 2025, lorsque Figure a choisi de développer son propre système d’intelligence robotique. OpenAI affirme parallèlement travailler sur son propre humanoïde et viser une première démonstration publique en 2027. La nouvelle organisation doit, selon l’entreprise, accélérer ce programme plutôt que le suspendre.
Le pari des modèles généralistes pour commander les robots
La décision repose sur une évolution technique : OpenAI pensait d’abord que la compréhension du monde physique viendrait notamment de modèles vidéo comme Sora. Ses modèles de frontière plus récents auraient ensuite montré qu’ils pouvaient être reliés directement à des interfaces robotiques, sans passer systématiquement par un modèle spécialisé conçu uniquement pour un corps donné.
Cette approche transforme la robotique en application d’un modèle multimodal capable de voir une scène, de raisonner sur les étapes d’une tâche et de choisir une action. Un système commun pourrait alors alimenter plusieurs outils spécialisés, comme c’est déjà le cas pour le code ou l’analyse documentaire.
Les résultats cités restent en partie expérimentaux. Dans une étude NVIDIA rapportée par Fortune, un agent reposant sur le modèle généraliste GPT-6 Astra aurait atteint 74,8 % de réussite sur un banc de manipulation simulée, contre 51 % pour les meilleurs modèles spécialisés de ce classement. La simulation ne démontre toutefois ni la fiabilité sur un robot réel ni la tenue d’une cadence industrielle.
Les données du terrain restent décisives
Plusieurs chercheurs soulignent les limites du pari. Les grands modèles sont lourds, lents et souvent dépendants du cloud, alors qu’un robot doit parfois réagir localement sans connexion continue. Des modèles plus petits et spécialisés restent donc utiles pour le contrôle embarqué et les boucles rapides.
Les fabricants disposent aussi d’un avantage concret : les données recueillies dans les usines, les entrepôts et les environnements domestiques. Ces expériences révèlent les contacts imprévus, les variations d’éclairage et les défaillances que les jeux de données génériques reproduisent mal. De meilleurs modèles de fondation peuvent accélérer l’apprentissage, mais ils ne remplacent pas les essais sur le terrain.
La réorganisation d’OpenAI ne tranche donc pas le débat entre intelligence générale et modèles robotiques dédiés. Elle indique surtout que l’entreprise veut intégrer la robotique à son cœur de recherche, avec le risque que les contraintes matérielles deviennent moins visibles dans une organisation centrée sur les modèles.
