Maven Robotics a levé 100 millions sans posséder un seul robot physique
Il y a une scène qui illustre mieux que n'importe quelle présentation aux investisseurs ce que Maven Robotics est en train de construire. Nous sommes en 2024, l'entreprise existe depuis quelques semaines et, selon les propres mots de son PDG, Hamza Derbas, la seule chose tangible qu'ils pouvaient montrer était « un dessin animé d'un robot et une équipe de personnes ». Une entreprise de biens de consommation à grande échelle se trouvait dans la Silicon Valley et rencontrait quatre sociétés robotiques pour évaluer des projets d'automatisation. Derbas parvint à se glisser dans l'agenda.
Ce qu'il fit lors de cette réunion ne fut pas de vendre une technologie qu'il n'avait pas. Il demanda l'autorisation de visiter les usines et les centres de distribution du client. Il observa la façon dont les travailleurs se déplaçaient, identifia les goulots d'étranglement dans les flux de matériaux et revint avec une proposition qui ne parlait pas de robots dans l'abstrait, mais d'un problème concret assorti d'une solution intégrée de bout en bout : du système de gestion d'entrepôt jusqu'au chargement dans les camions. Il remporta le contrat. Les quatre autres concurrents, qui disposaient déjà de robots physiques déployés sur le marché, furent écartés.
Cet épisode n'est pas seulement une anecdote commerciale. C'est la thèse entière de l'entreprise condensée en une seule négociation.
Ce que les robots de Maven automatisent réellement
En septembre 2026, Maven Robotics sortit du mode confidentiel en annonçant une levée de fonds de 100 millions de dollars, menée par RoboStrategy et avec la participation de LocalGlobe, Vine Ventures et XTX Ventures. Ce chiffre n'est pas seulement important en termes absolus : selon les données de suivi des opérations aux États-Unis, ce type de Série A se situe au 99e percentile parmi plus de 27 000 tours enregistrés pour des startups en phase précoce. Pour une entreprise à peine âgée de deux ans et sans produit commercial au moment de sa première vente, ce chiffre est significatif.
Que les investisseurs achètent-ils avec ce capital ? Deux ans de travail avec de vrais clients, des indicateurs opérationnels vérifiables et une architecture de produit qui ne s'inscrit pas facilement dans les catégories existantes.
Les robots de Maven se déplacent sur des bases à roues à des vitesses allant jusqu'à 16 kilomètres par heure, disposent de deux bras capables de soulever jusqu'à 30 kilogrammes et utilisent des ventouses à vide pour manipuler des cartons. Leur tâche principale aujourd'hui s'appelle la « palettisation mixte » : les palettes contenant des produits provenant de différentes usines arrivent dans un centre de distribution, et le robot doit les reconstruire en combinaisons spécifiques pour chaque magasin de destination. Ce n'est pas une tâche glamour. Mais le marché mondial de la palettisation est estimé à 80 milliards de dollars, et il est aujourd'hui exécuté presque entièrement par des travailleurs humains.
Ce qui rend le problème difficile, et en même temps précieux, c'est sa variabilité. Les détaillants veulent pouvoir modifier la composition des produits en rayon en 48 heures en fonction de la demande en temps réel. Cela signifie que le robot ne peut pas se contenter de reproduire un schéma fixe : il doit lire des commandes changeantes et les exécuter avec une précision suffisante pour que la chaîne ne se brise pas. Maven indique que ses unités fonctionnent déjà 16 heures par jour avec un taux de disponibilité de 99 % ou plus, avec jusqu'à huit robots actifs dans les installations des clients. C'est peu en termes d'échelle, mais c'est beaucoup en termes de crédibilité opérationnelle pour une entreprise qui n'avait pas encore atteint ses deux ans au moment de la publication de ces chiffres.
Le capital de ce tour a une destination concrète : fabriquer 250 robots de troisième génération et commencer la conception d'une plateforme de quatrième génération. Le passage de huit unités à 250 n'est pas incrémental : c'est la preuve que l'entreprise estime que ses systèmes sont prêts à cesser d'être des pilotes et à devenir des opérations stables à l'échelle commerciale.
L'avantage qui ne vient pas du laboratoire
Le profil des fondateurs de Maven ne correspond pas à l'archétype habituel d'une startup de robotique académique. Hamza Derbas vient de l'ingénierie automobile avec une spécialisation dans les véhicules électriques et, avant de fonder Maven, il a passé neuf ans chez Apple au sein du groupe de projets spéciaux de l'entreprise, largement considéré comme le programme de développement d'une voiture autonome qui fut démantelé en 2024. Son frère Khalid, qui occupe le poste de directeur financier, a une formation en capital-investissement. Il n'y a pas de docteurs en robotique dans l'organigramme des fondateurs, et cela ne semble pas fortuit.
Jack Pearson, l'investisseur de RoboStrategy qui a soutenu l'opération, l'a expliqué avec précision : Maven se distingue par sa formation en systèmes industriels, et non par une culture de recherche optimisée pour l'apprentissage ou centrée sur une architecture spécifique. Cette différence compte davantage qu'il n'y paraît à première vue.
Les entreprises de robotique issues du monde académique ou de la recherche en intelligence artificielle ont tendance à construire d'abord les capacités techniques, puis à chercher le cas d'usage. Maven a fait exactement le contraire : elle a identifié le flux de travail, compris les contraintes opérationnelles réelles — notamment les températures élevées dans les installations, la cohabitation avec des travailleurs humains et les exigences des logiciels de gestion d'entrepôt — puis construit une solution parfaitement adaptée à ces contraintes. Le résultat est un système qui peut être vendu avec un argument de retour sur investissement que les équipes d'opérations industrielles comprennent sans avoir besoin de traduction.
La méthodologie d'amélioration continue vient également du monde automobile. Maven utilise des pipelines de données qui retournent des informations depuis les robots déployés en quelques minutes ou quelques heures, puis exécute des cycles de réentraînement, d'évaluation et de redéploiement. C'est la même approche qu'ont utilisée les programmes de conduite autonome pour itérer sur le comportement de leurs véhicules dans des conditions de circulation réelles, désormais appliquée à la manutention de matériaux dans un centre de distribution. Pour accélérer la collecte de données destinées à développer de nouvelles compétences de préhension, l'entreprise a développé une paire de gants en forme de pinces permettant à des personnes humaines d'imiter le format des actionneurs qu'elles souhaitent entraîner sur leurs robots. C'est une solution pragmatique à un problème que les laboratoires abordent généralement avec des simulations coûteuses et des données synthétiques.
Roues contre jambes et l'économie de la fiabilité
La comparaison la plus directe qu'ont établie les médias spécialisés pour Maven est Agility Robotics, l'entreprise qui prévoit d'être cotée en bourse par le biais d'une fusion avec un véhicule d'acquisition pour une valeur estimée à 2,5 milliards de dollars. Les deux sociétés ciblent des flux de travail industriels spécifiques en mettant l'accent sur la sécurité opérationnelle. Mais la différence de conception est substantielle, et Derbas l'a abordée sans détour : les robots bipèdes, dit-il, « n'ont aucun sens pour ce qu'ils font », car ils sont complexes, moins fiables et ajoutent des coûts qui ne se justifient pas lorsque le critère d'évaluation est le retour sur investissement.
La position de Maven est techniquement défendable. Les bases à roues comportent moins d'articulations susceptibles de tomber en panne, peuvent se stabiliser plus facilement sur des surfaces planes, sont moins chères à fabriquer et à entretenir, et n'exigent pas les systèmes d'équilibre dynamique qui rendent les robots humanoïdes si difficiles à faire fonctionner dans des environnements industriels non contrôlés. Le pari sur la forme humanoïde répond en partie à des arguments de polyvalence, en partie à la narrative d'investissement qui entoure l'intelligence artificielle physique en ce moment, et en partie à la possibilité réelle que les modèles d'IA physique de prochaine génération favorisent les plateformes dotées d'une mobilité semblable à celle des humains. Maven parie que cela ne se produira pas de sitôt, ou du moins pas avant que ses systèmes à roues n'aient capturé suffisamment de parts de marché et de données opérationnelles pour devenir la norme de facto dans la logistique d'entrepôt.
Ce pari a une logique interne, mais il est aussi assorti d'un délai implicite. TechCrunch a souligné dans la couverture du lancement que l'approche de Maven pourrait être « la voie la plus viable pour mettre des robots sur les lieux de travail, ou une occasion d'être balayé en un coup par le prochain modèle puissant d'intelligence artificielle physique sorti des laboratoires de pointe ». Derbas a répondu par une formulation qui définit le positionnement de l'entreprise : « Nous ne participons pas à la course aux modèles. Nous participons à la course pour résoudre le travail industriel et rendre cette tâche possible à l'échelle dont le monde a besoin. »
C'est une réponse intelligente, mais elle ne clôt pas le risque. La distinction entre la construction de capacités de modèles et la résolution de problèmes industriels concrets peut se maintenir tant que l'état de l'art en matière de modèles généralistes de manipulation physique n'est pas suffisamment robuste pour se substituer à l'approche tâche par tâche. Si ce seuil est franchi avant que Maven n'ait consolidé ses positions dans suffisamment de chaînes d'approvisionnement, l'avantage concurrentiel fondé sur l'intégration opérationnelle devient plus fragile que ne le laisse entendre le montant du tour de table.
La limite où le modèle économique se complique
La feuille de route de Maven au-delà de la palettisation mixte révèle la tension structurelle que l'entreprise devra résoudre au cours des deux ou trois prochaines années. La stratégie déclarée est d'avancer tâche par tâche : identifier un problème industriel d'envergure suffisante, déployer des robots pour le résoudre, générer des données opérationnelles, affiner les capacités, puis utiliser ces connaissances pour attaquer le problème suivant. Hamza Derbas l'a formulé ainsi : « Si tu te concentres sur la résolution de problèmes et que tu choisis des problèmes d'une taille pertinente, chaque problème représente un marché de plusieurs milliards de dollars. Si tu fais ça, il y a suffisamment de données pour maîtriser ces compétences. »
La logique est solide pour la phase actuelle. La palettisation mixte est reproductible, a une échelle suffisante pour justifier l'investissement et génère le type de données structurées qui permettent d'améliorer les performances du système de manière cohérente. Le problème, c'est que les tâches suivantes sur la liste — notamment la manutention de matériaux pour la fabrication — exigent des capacités de préhension et de raisonnement spatial qui, comme le reconnaît la couverture du lancement elle-même, « n'existent pas encore » au niveau requis. Cela signifie que Maven devra développer une culture de la recherche qu'elle ne possède pas aujourd'hui, ou acquérir ces capacités en externe, tout en gérant une opération en expansion et les attentes d'investisseurs qui ont misé 100 millions sur la promesse d'un système à usage général.
La tension entre exécution industrielle et développement des capacités n'est pas nouvelle en robotique, mais elle se résout rarement de façon nette. Les entreprises qui privilégient le déploiement rapide accumulent une dette technique dans leurs systèmes de contrôle et dans leurs modèles d'IA. Celles qui privilégient la recherche mettent trop de temps à atteindre le marché. Maven tente de faire les deux en parallèle, avec une base de clients réduite mais exigeante sur le plan opérationnel, et un délai implicite que les marchés du capital-investissement finiront par rendre explicite.
Ce que le cas Maven révèle le plus clairement, ce n'est pas que les robots à roues sont supérieurs aux robots bipèdes, ni que l'intégration opérationnelle constitue une stratégie de vente plus efficace que la narrative à usage général. Ce qu'il révèle, c'est qu'à ce stade du marché de la robotique industrielle, la capacité à connecter un système de contrôle autonome à l'infrastructure logicielle qui existe déjà dans les installations du client — et à démontrer des indicateurs de disponibilité opérationnelle que les équipes logistiques peuvent présenter à leurs conseils d'administration — vaut plus que n'importe quelle démonstration de dextérité technique dans un environnement de laboratoire. Cet avantage est réel tant qu'il dure. Le travail de Maven au cours des 24 prochains mois est de le transformer en quelque chose de plus difficile à répliquer.
