Reimagine Robotics affirme avoir ramené de une journée à dix minutes le temps nécessaire pour enseigner une nouvelle tâche à un robot chez un industriel qui récupère des matériaux critiques dans des disques durs usagés. Ce premier résultat de terrain donne une mesure concrète à la stratégie de la jeune entreprise : laisser les opérateurs adapter eux-mêmes les robots au travail réel.
Le chiffre a été communiqué le 29 août par Jonathan Scholz, directeur général de Reimagine Robotics, dans un entretien accordé à Business Insider. L’entreprise ne nomme pas le client et ne publie pas encore de protocole détaillé, de taux de réussite ni de volume de tâches. Le gain annoncé doit donc être considéré comme un résultat fourni par la société, et non comme une évaluation indépendante.
Une correction directement sur le robot
Le principe consiste à montrer une opération au robot, à observer son exécution, puis à corriger ses erreurs en guidant physiquement le bras. L’opérateur peut répéter cette boucle lorsque la pièce, l’outil ou le procédé change. Reimagine veut ainsi déplacer une partie du réglage depuis les équipes de roboticiens vers les salariés qui connaissent déjà le poste de travail.
Cette approche s’appuie sur une famille de systèmes configurables. Selon la présentation officielle de Reimagine Robotics, la plateforme peut associer plusieurs bras, une base mobile et différents outils. Les images publiées par l’entreprise montrent notamment un système à deux bras sur roues et une configuration à quatre bras autour d’une table. L’objectif n’est pas de reproduire une silhouette humaine, mais d’adapter le matériel à la tâche.
La startup a été fondée par d’anciens membres de l’équipe de robotique appliquée de Google DeepMind. Elle dit déjà tester ses bras auprès de plusieurs entreprises manufacturières. L’expérience des disques durs est la première pour laquelle elle communique un gain de temps précis.
Réduire le coût des changements de série
Dans une usine, une cellule robotisée classique reste efficace lorsque le produit et son environnement varient peu. Les petites séries, les pièces irrégulières ou les changements fréquents demandent davantage de programmation et de validation. Si un opérateur peut corriger le comportement sans attendre la venue d’un spécialiste, le temps d’arrêt et le coût d’intégration peuvent diminuer.
Cette capacité reste toutefois à confirmer sur plusieurs sites. Le passage de dix minutes mesure le temps d’enseignement annoncé, mais ne dit pas encore combien de corrections sont nécessaires ensuite, ni avec quelle fiabilité le robot répète l’opération pendant une production complète. Ces indicateurs seront déterminants pour distinguer un essai convaincant d’un déploiement industriel durable.
Les clients comme source de données
Reimagine Robotics mise aussi sur ces corrections pour accumuler des données proches des conditions de production. Les modèles robotiques disposent de bien moins d’exemples physiques que les modèles de langage n’ont de textes ou d’images. Chaque démonstration, tentative et reprise peut enrichir l’apprentissage d’une tâche tout en révélant les cas limites du poste.
La proposition est donc autant organisationnelle que technique : transformer l’utilisateur du robot en formateur de proximité. Le résultat annoncé dans le recyclage de disques durs donne un premier ordre de grandeur. La prochaine étape sera de documenter la répétabilité, la sécurité et la performance de ces systèmes sur des cycles industriels plus longs.
