Google DeepMind a présenté le 10 novembre 2026 Gemini Robotics 2.5, un modèle d’IA qui pilote des robots, et l’a fait tester par l’humanoïde Apollo 2 d’Apptronik sur des lignes Mercedes-Benz : le robot y a préparé des kits de pièces automobiles avec 96 % de réussite.
- Annonce du 10 novembre 2026 par Google DeepMind, modèle réservé pour l’instant à ses partenaires robotiques.
- Pilote mené à Kecskemét (Hongrie) et à Sindelfingen (Allemagne) sur une tâche de kitting.
- Taux de réussite de 96 % annoncé, sans précision publique sur la durée ni le volume de l’essai.
- Volet sécurité : un banc d’essai ouvert, ASIMOV-Jailbreak, pour mesurer la résistance aux consignes détournées.
Plan de l'article
Que s’est-il passé sur les lignes Mercedes-Benz ? #
Selon le billet publié par Google DeepMind, Apptronik a déployé son humanoïde Apollo 2 sur des chaînes de production de Mercedes-Benz, dans les usines de Kecskemét en Hongrie et de Sindelfingen en Allemagne.
La tâche choisie est le kitting automobile. Le robot prélève des pièces stockées en vrac dans des bacs, par exemple des supports métalliques, et les range dans des conteneurs de séquençage, dans l’ordre exigé par chaque véhicule qui arrive sur la ligne.
C’est un poste typique de la logistique bord de ligne : répétitif, exigeant en préhension, et sensible aux erreurs puisqu’une pièce manquante ou mal placée se paie plus loin, au poste de montage.
Que vaut le taux de 96 % ? #
DeepMind écrit que ce pilote, avec 96 % de réussite, montre des progrès prometteurs vers des applications industrielles à grande échelle. Le chiffre est celui du concepteur du modèle : ni la durée de l’essai, ni le nombre de cycles, ni la cadence de la ligne ne sont publiés.
Pour un industriel, la question n’est pas seulement le taux moyen. Sur un poste de kitting, une erreur sur vingt-cinq impose un contrôle en aval ou une reprise manuelle. Le résultat relève donc encore de la preuve de concept, pas d’une qualification de poste.
Jeff Cardenas, cofondateur et directeur général d’Apptronik, résume l’ambition dans le même billet : « This is what we built Apollo for: useful work alongside people in real industrial settings », soit un travail utile, aux côtés des opérateurs, en conditions industrielles réelles.
Qu’apporte la version 2.5 du modèle ? #
Gemini Robotics 2.5 est un modèle vision-langage-action : il interprète ce que voient les caméras et une consigne, puis produit les gestes du robot. La fiche du modèle le présente comme capable de commander des bras comme des humanoïdes complets, avec des mains et des pinces à 22 degrés de liberté.
DeepMind dit l’avoir évalué sur environ 200 tâches. Par rapport aux versions précédentes, le taux de réussite progresse de 30 % à 100 % selon le type de tâche, et l’exécution est de 20 % à 30 % plus rapide.
Les exemples publiés parlent d’eux-mêmes pour la manipulation fine : fermer le couvercle d’une boîte à outils passe de 0 % à 93 % de réussite, emballer des pâtisseries à la pince de 5 % à 100 %. Le modèle tourne aussi bien sur l’Apollo 2, équipé d’une main à cinq doigts, que sur une plateforme Franka à deux pinces.
À lire Réindustrialisation : 202 usines inaugurées en neuf mois, un rebond encore fragile
La simulation comme accélérateur
Le développement s’appuie sur Gemini 4 Argon, utilisé comme moteur de simulation. À partir d’une scène filmée, il génère des milliers d’essais virtuels et construit un jumeau numérique de la situation. Il sert aussi à expliquer les échecs à partir des vidéos, puis à tester les corrections en simulation avant de les rejouer sur de vrais robots.
Cette boucle simulation-réel est précisément ce qui manque à beaucoup de projets de robotique en usine, où chaque nouvelle référence de pièce impose une reprogrammation et des heures d’essais sur site.
Comment la sécurité est-elle traitée ? #
Un robot humanoïde qui travaille près des opérateurs pose une question que les cobots ont déjà soulevée : que se passe-t-il quand une consigne est ambiguë, ou détournée ? DeepMind décrit un guidage par raisonnement au moment de l’exécution, qui améliore la réussite sans incident de 33 % autour d’obstacles et de 43 % à proximité de personnes.
Le laboratoire publie en open source un banc d’essai baptisé ASIMOV-Jailbreak, composé de centaines de requêtes déguisées réparties sur des dizaines de scènes. Sur ce test, Gemini 4 Argon résiste à 99,5 % des tentatives, contre 82 % pour la génération précédente, Gemini Robotics ER 2.
À lire First Solar inaugure à Gaffney une usine de finition de panneaux solaires à couches minces
Ces mesures restent internes. Elles ne remplacent ni l’analyse de risques ni la conformité machine qu’exigera toute intégration sur une ligne européenne.
Pourquoi Mercedes-Benz s’engage-t-il sur ce terrain ? #
Le partenariat avec Apptronik remonte à mars 2024. À l’époque, Automotive Manufacturing Solutions détaillait les usages visés : acheminer les pièces vers les postes d’assemblage manuel, livrer les kits, contrôler des composants puis transporter les bacs de pièces kittées.
Jörg Burzer, membre du directoire de Mercedes-Benz Group chargé de la production, parlait alors d’une « new frontier », une nouvelle frontière dont le groupe voulait mesurer le potentiel pour la robotique comme pour la construction automobile, dans un contexte de pénurie de main-d’œuvre.
Deux ans et demi plus tard, l’essai porte exactement sur ce périmètre logistique. Le constructeur avance par petites marches : une tâche bien délimitée, deux usines, un indicateur de réussite unique.
Quand ces robots arriveront-ils dans d’autres usines ? #
Gemini Robotics 2.5 est pour l’instant déployé auprès des partenaires robotiques de DeepMind, parmi lesquels Agile et Apptronik. Une liste d’attente permet de demander un accès anticipé, sans calendrier public de disponibilité plus large.
Pour les industriels français, le signal est double. Le kitting et la préparation de séquences deviennent les premiers postes où l’humanoïde est jugé crédible. Et la valeur se déplace vers le modèle d’IA et la simulation, plus que vers la mécanique du robot lui-même.
Questions fréquentes #
Qu’est-ce que le kitting en usine automobile ?
C’est la préparation, en amont de la ligne, d’un ensemble de pièces rangées dans l’ordre de montage d’un véhicule donné, pour que l’opérateur n’ait plus à les chercher.
Le modèle est-il disponible pour toutes les entreprises ?
Non. Google DeepMind le réserve à ses partenaires robotiques et propose une liste d’attente pour un accès anticipé.
Le taux de 96 % a-t-il été vérifié par un tiers ?
Non, il provient de l’annonce de Google DeepMind. Les conditions détaillées de l’essai n’ont pas été publiées.
