89 % des robots industriels restent encore en cage et l'intelligence artificielle n'est pas la solution
Pendant des décennies, l'image du robot industriel est restée la même : une machine aux bras métalliques, puissante et rapide, enfermée derrière une cage d'acier tandis que les humains observaient depuis l'extérieur. Cette image n'est pas une métaphore du retard technologique. C'est une décision d'ingénierie qui persiste parce que les systèmes de sécurité disponibles n'ont pas été capables de proposer autre chose.
La Fédération Internationale de Robotique rapporte qu'environ 89 % des robots industriels continuent de fonctionner à l'intérieur de cages physiques. Le marché des robots collaboratifs — ceux qui, en théorie, devraient travailler aux côtés des personnes sans barrières — a clôturé 2025 à 2,9 milliards de dollars et devrait atteindre 17,2 milliards de dollars d'ici 2033. Ces chiffres racontent une histoire d'adoption accélérée. Ce qu'ils ne disent pas, c'est que la majorité de ces robots « collaboratifs » continuent de fonctionner avec des contraintes d'espace et de supervision équivalentes à celles de leurs prédécesseurs mis en cage.
Le goulot d'étranglement ne se situe pas dans l'intelligence des machines. Il réside dans la capacité à démontrer à un régulateur, à un assureur et à un opérateur que le robot ne va pas tomber en panne d'une manière que personne n'a anticipée.
Knut Sandven, PDG de Sonair Robotics, formule le problème avec une précision chirurgicale : les capteurs laser standard utilisés aujourd'hui comme base de sécurité dans les environnements industriels ont été conçus pour un monde statique, avec des conditions de lumière contrôlées et des matériaux prévisibles. Ils surveillent un plan horizontal à hauteur des tibias. Si un travailleur se penche pour ramasser un outil ou tend le bras au-dessus de cette ligne invisible, le capteur ne le détecte tout simplement pas.
Ce n'est pas un bug mineur. C'est la raison structurelle pour laquelle la cage reste en place.
L'illusion du robot qui sait déjà
Le récit dominant dans le secteur de l'automatisation industrielle au cours des quatre dernières années a été, avec de légères variations, toujours le même : davantage de caméras, une meilleure vision par ordinateur, des modèles de perception plus sophistiqués. Si le système peut bien « voir », il peut bien agir. Et s'il agit bien, il est sûr.
Le problème avec cette logique, c'est qu'elle confond capacité perceptuelle et garantie formelle. Les systèmes d'intelligence artificielle fonctionnent sur des modèles probabilistes. Ils calculent la réponse la plus probable à un stimulus donné. Dans la plupart des contextes industriels — classification de pièces, optimisation de trajectoires, maintenance prédictive — cela est tout à fait suffisant. Un modèle qui obtient des résultats corrects dans 99,7 % des cas est extraordinairement utile.
Mais en matière de sécurité physique, les 0,3 % restants ont un nom et un prénom. Ils ont des conséquences juridiques, professionnelles et réputationnelles qu'aucun directeur des opérations ne souhaite affronter. Et ils s'inscrivent dans une architecture réglementaire — des normes telles que l'ISO 10218 et l'ISO/TS 15066 — qui exige quelque chose de qualitativement différent du « très probable » : elle exige un déterminisme vérifiable.
Un système de sécurité certifié n'est pas celui qui détecte presque toujours une personne. C'est celui dont la physique du mécanisme de détection permet de délimiter mathématiquement le pire temps de réponse possible et de démontrer que ce temps est inférieur au seuil susceptible de causer un dommage. Les ondes sonores se déplacent à une vitesse connue. Elles se réfléchissent de manière prévisible. Cela rend possible un calcul de garantie qu'aucun modèle de vision basé sur l'apprentissage automatique ne peut aujourd'hui offrir avec la même traçabilité.
Sandven le souligne directement : « Très fiable » et « éprouvé » ne sont pas la même chose. L'industrie est en train d'apprendre cette leçon en temps réel, avec des degrés d'exposition variables selon le degré auquel elle a supposé que l'un équivalait à l'autre.
Ce que certifie un volume et non un plan
Sonair a construit sa proposition de valeur sur une distinction technique qui paraît mineure jusqu'à ce qu'on l'examine en fonctionnement. Ses capteurs ultrasoniques ADAR — Détection Acoustique et Télémétrie, selon son acronyme anglais — surveillent l'espace de travail d'un robot en trois dimensions, et non selon une coupe bidimensionnelle au niveau du sol.
La différence n'est pas cosmétique. Un système 2D trace une ligne invisible sur le sol. Quiconque la franchit arrête la machine. Un système 3D définit un volume autour du robot : au-dessus, en dessous, sur les côtés, en diagonale. Il détecte la présence humaine en tout point de cet espace, quelle que soit la posture ou la taille du travailleur.
L'entreprise vient d'annoncer la première certification de sécurité indépendante pour un capteur ultrasonique 3D de ce type. Il ne s'agit pas seulement d'une étape importante en matière d'ingénierie. C'est un changement dans le langage qui permet d'avoir une conversation différente avec le client industriel. Il ne s'agit plus de convaincre qui que ce soit que la technologie « fonctionne bien ». Il s'agit de présenter un document signé par un organisme de certification attestant que le système répond aux niveaux d'intégrité de sécurité requis.
Pour comprendre pourquoi cela est important du point de vue de l'acheteur : une usine qui souhaite supprimer sa cage physique doit la remplacer par quelque chose qui ait le même poids juridique face à un audit de sécurité au travail. Jusqu'à présent, ce quelque chose n'existait pas en 3D. La cage restait la seule option bénéficiant d'un solide soutien normatif.
Avec une certification 3D indépendante en main, l'argument pour maintenir la cage devient considérablement plus difficile à soutenir. Et les mètres carrés d'atelier qu'occupe cette cage, le flux de travail qu'elle fragmente, les coûts d'installation et de maintenance qu'elle génère — tous ces facteurs passent du statut d'externalités acceptées à celui d'inefficacités injustifiées.
Le pouvoir réside dans le moment de la conception, et non dans le déploiement
Sandven soulève un point qui mérite attention au-delà de l'argument technique : la majorité des fabricants de robots commence à penser à la sécurité trop tard. La sécurité est traitée comme une couche que l'on ajoute à la fin, une fois que le système est déjà défini. Et lorsqu'elle est ajoutée à la fin, les options disponibles sont limitées, coûteuses, ou les deux à la fois.
D'un point de vue d'architecture des systèmes, il ne s'agit pas seulement d'une erreur de processus. C'est un signal sur qui est présent dans la salle lorsque les décisions de conception sont prises.
Si l'équipe qui construit le robot est composée d'ingénieurs en mécanique du mouvement, de spécialistes en perception et de développeurs logiciels, la conversation va naturellement graviter autour de ce que le robot peut faire. La sécurité arrive ensuite, lorsqu'un membre de l'équipe de conformité ou du département juridique lève la main pour demander si le système satisfait aux normes du marché cible.
Cette séquence a des conséquences prévisibles : la sécurité se retrouve codifiée dans les limitations du produit, et non dans son architecture. Le robot finit par être capable de faire des choses qu'il ne peut pas démontrer de manière certifiée qu'il fait en toute sécurité. Et cet écart est précisément le goulot d'étranglement qui maintient 89 % des robots industriels derrière leurs cages.
La solution proposée par Sonair — une couche de sécurité 3D certifiée, séparée du cerveau d'intelligence artificielle du robot et construite sur des principes physiques déterministes — n'est pas seulement une réponse d'ingénierie. C'est une réponse d'architecture. Elle affirme que la sécurité ne peut pas dépendre de la qualité du modèle d'IA, parce que les modèles d'IA peuvent échouer, être mis à jour, se dégrader ou se comporter de manière inattendue face à des distributions de données qu'ils n'ont pas rencontrées lors de leur entraînement.
Un système de sécurité qui tombe en panne lorsque le modèle d'IA tombe en panne n'est pas un système de sécurité. C'est une illusion de sécurité avec une bonne documentation marketing.
La confiance ne se délègue pas à l'algorithme
Le marché de l'automatisation collaborative décrit depuis des années son expansion avec un argument implicite : à mesure que les robots deviennent plus intelligents, la confiance qu'on leur accorde croît naturellement. Cette hypothèse mérite un examen sérieux.
La confiance dans les systèmes à enjeux élevés — et le fonctionnement de machines lourdes aux côtés de personnes constitue, sans aucun doute, un système à enjeux élevés — ne se construit pas en démontrant que le système tombe rarement en panne. Elle se construit en démontrant que lorsqu'il tombe en panne, il le fait de manières qui avaient déjà été prévues, délimitées et contrôlées. C'est la différence entre un avion moderne et une voiture autonome : non pas dans la fréquence des pannes, mais dans l'architecture de confinement de ces pannes.
Sonair parie que le marché industriel est prêt à faire cette distinction. Les six millions de dollars levés par l'entreprise pour accélérer son déploiement suggèrent que des investisseurs partagent cette analyse. La certification indépendante qu'elle vient d'obtenir est l'actif le plus précieux de ce pari : non pas parce qu'elle résout tous les problèmes de sécurité en robotique collaborative, mais parce qu'elle établit un langage vérifiable là où il n'existait auparavant que de la confiance implicite.
Lorsque 89 % des robots industriels restent encore en cage malgré des décennies de promesses sur la collaboration humain-machine, le diagnostic le plus honnête pointe vers un déficit d'architecture, et non d'intelligence. Les robots ne se trouvent pas dans leurs cages parce qu'ils sont dangereux par nature. Ils s'y trouvent parce que l'échafaudage de vérification formelle qui permettrait de les en sortir n'a jamais eu les dimensions adéquates pour décrire l'espace dans lequel les humains et les machines partagent leur travail. C'est cette fissure structurelle qu'une certification 3D commence, pour la première fois, à combler.
