Gemini Robotics 2.5 : DeepMind passe la barre des 96 % de réussite sur une ligne de production Mercedes-Benz
🔎 96 % en usine : le chiffre que la robotique humanoïde attendait (et ce qu'il cache)
Le 10 novembre 2026, Google DeepMind a levé le voile sur Gemini Robotics 2.5, nouvelle génération de son modèle vision-langage-action (VLA). La vitrine : une preuve de concept menée avec Mercedes-Benz, où les humanoïdes Apollo 2 d'Apptronik trient des pièces automobiles avec 96 % de réussite sur les lignes de Sindelfingen (Allemagne) et de Kecskemét (Hongrie).
Le timing n'a rien d'anodin. La robotique humanoïde quitte les vidéos virales pour les ateliers : la Chine industrialise à marche forcée pendant que l'Occident empile les pilotes, comme nous l'avions constaté dans notre décryptage d'Automate 2026. Dans ce contexte, un VLA qui affiche un taux de réussite industriel — pas une démo scénarisée — devient un argument géopolitique autant que commercial.
Mais un chiffre sorti d'un communiqué mérite autant de scepticisme que d'admiration. DeepMind ne publie ni le nombre d'essais, ni la définition exacte du succès, ni la fréquence d'intervention humaine, comme le relève TechTimes. Cet article décortique les deux faces : ce que l'annonce apporte réellement, et ce qu'elle escamote habilement.
L'essentiel
- Un saut générationnel revendiqué : évalué sur plus de 200 tâches, Gemini Robotics 2.5 affiche des taux de réussite 30 à 100 % supérieurs aux baselines précédentes — les graphiques du blog désignant Gemini Robotics 2, la génération précédente, comme référence — et des tâches exécutées 20 à 30 % plus vite (DeepMind).
- La preuve industrielle : 96 % de réussite sur du kitting automobile chez Mercedes-Benz, contre 82 % pour Gemini Robotics ER 2 sur le même exercice.
- Les zones d'ombre : pas de nombre d'essais, pas de définition du succès, pas de fréquence d'intervention humaine ; les gains de sécurité (+33 % autour d'obstacles, +43 % autour de personnes) sont auto-évalués.
- Deux signaux de maturité : un benchmark ouvert de jailbreaks robotiques (ASIMOV-jailbreak) et un aveu rare — Kanishka Rao, directeur robotique, concède que fermer les 4 % restants sera « une route pentue ».
- Le hic structurel : le modèle tourne toujours sur le cloud, la latence embarquée reste une question ouverte, et ni prix ni date de disponibilité générale n'ont été communiqués.
Outils recommandés
L'écosystème de l'annonce tient en quatre briques. Les voici, avec leur statut réel :
| Outil / Acteur | Rôle | Prix (novembre 2026) | À retenir |
|---|---|---|---|
| Gemini Robotics 2.5 | VLA de bas niveau : contrôle des bras et des mains | Non communiqué | 200+ tâches, +30 à 100 % de réussite vs génération précédente |
| Gemini Robotics ER | « Cerveau haut niveau » : suit le workflow d'assemblage | Non communiqué | Déjà exposé sur Google Cloud (voir notre analyse) |
| Apollo 2 | Humanoïde d'Apptronik, plateforme physique du pilote | Non communiqué | Testé chez Mercedes-Benz, à ne pas confondre avec un produit catalogue |
| ASIMOV-jailbreak | Benchmark ouvert de sécurité robotique | Gratuit (accès ouvert) | Jailbreaks spécifiques à la robotique, publié par DeepMind |
Qu'est-ce que Gemini Robotics 2.5, concrètement ?
Réponse : un modèle unique qui transforme ce que le robot voit et lit en gestes exécutés, sans pipeline de programmation classique.
Un VLA (vision-language-action) fusionne trois capacités que la robotique traitait séparément depuis trente ans : percevoir la scène, comprendre une consigne en langage naturel, produire les commandes motrices. La promesse n'est pas de faire une tâche, mais d'apprendre des tâches. C'est toute la différence entre un automate et un système apprenant.
L'architecture reste néanmoins hiérarchique. Chez Mercedes, Gemini Robotics ER joue le superviseur : il comprend la demande et suit le workflow d'assemblage propre à chaque véhicule. Gemini Robotics 2.5, lui, pilote bras et mains, geste par geste. Cette séparation cerveau/mains est le pari structurel de DeepMind — et elle a une conséquence business évidente : le cerveau se loue sur Google Cloud.
Côté compétences, l'annonce met en avant des gestes jusqu'ici hors de portée : servir avec des pinces, nouer un ruban, pipetter. Ce n'est pas un hasard si ces trois exemples sont cités. La manipulation fine — préhensions délicates, objets déformables, précision gestuelle — restait le point faible historique des humanoïdes. Il y a douze mois, ces tâches séparaient encore le laboratoire de l'usine.
La simulation comme accélérateur
Autre détail de l'annonce : Gemini 4 Argon a servi de moteur de simulation pour accélérer le développement du modèle. La logique est simple — générer des années d'expériences synthétiques plutôt que des semaines de téléopération coûteuse. Tous les grands laboratoires font ce pari ; DeepMind a la particularité de posséder à la fois le simulateur, le modèle et le cloud qui les relie.
De mon point de vue, la vraie nouveauté de cette version n'est pas le 96 %, c'est l'élargissement du catalogue de compétences apprenables. Un même modèle capable de servir avec des pinces, nouer un ruban et pipetter, c'est une plateforme. Un automate ne fait qu'une chose ; un VLA prétend en apprendre toutes les autres.
Les chiffres : +30 à 100 % de réussite, mais comparés à qui ?
Réponse : à la génération précédente de DeepMind elle-même — un progrès réel, mais une comparaison maison.
| Métrique annoncée | Chiffre | Lecture critique |
|---|---|---|
| Volume d'évaluation | Plus de 200 tâches | Volume crédible pour un VLA généraliste |
| Taux de réussite | +30 à 100 % vs baseline | Baseline = Gemini Robotics 2, la génération précédente |
| Vitesse d'exécution | 20 à 30 % plus rapide | Mesure maison, protocole non publié |
| Kitting Mercedes-Benz | 96 % (vs 82 % pour Gemini Robotics ER 2) | Une tâche, deux sites, un proof of concept |
| Sécurité | +33 % (obstacles), +43 % (personnes) | Chiffres du développeur, sans évaluateur externe |
L'amplitude du gain — de +30 à +100 % — est paradoxalement l'information la plus honnête du communiqué. Elle suggère que la progression est massive sur les tâches neuves de manipulation fine (là où la génération précédente échouait souvent) et plus modeste sur les tâches déjà maîtrisées. C'est cohérent. Mais cela interdit aussi de résumer le modèle à un « +X % » moyen : le chiffre dépend entièrement de la tâche considérée.
Le problème de fond : en robotique, il n'existe pas encore l'équivalent des leaderboards publics qui font se disputer GPT-5.5, Gemini 3.1 Pro et Claude Opus 4.7 dans le monde des LLM (voir notre comparatif 2026). Chaque laboratoire mesure avec son propre mètre ruban, sur ses propres tâches, avec sa propre définition du succès. Un chiffre sans benchmark partagé est une déclaration, pas une mesure.
Mercedes-Benz : que s'est-il vraiment passé sur la ligne ?
Réponse : une tâche unique, bornée et répétitive — le kitting — menée sur deux sites, pas une usine pilotée par IA de bout en bout.
Rappelons ce qu'est le kitting, parce que c'est le cœur du sujet : le robot prélève des pièces dans des bacs et les dispose sur des plateaux, dans l'ordre d'assemblage propre à chaque véhicule. Chaque commande génère une variante, donc chaque plateau diffère. C'est une tâche logistique fatigante, coûteuse en main-d'œuvre, et où l'erreur humaine est statistiquement banale.
Ce choix de tâche est malin — et révélateur. Le périmètre est borné, la coactivité avec les opérateurs est limitée, les erreurs restent rattrapables en aval de la ligne, et le retour sur investissement est immédiat pour un industriel qui paie ces gestes trois fois par jour. Si je devais choisir LA tâche pour démontrer un VLA en usine, ce serait exactement celle-là. DeepMind n'a pas pris le cas le plus dur ; il a pris le cas le plus vendable.
L'écart de 14 points avec Gemini Robotics ER 2 — 96 % contre 82 % — est peut-être la donnée la plus utile de l'annonce. Dans l'automobile, ces points séparent « projet à financer » et « process déployable » : à 96 % sur des milliers de cycles quotidiens, il reste plusieurs erreurs par heure, chacune coûtant du temps opérateur. Interesting Engineering confirme le chiffre et la plateforme Apollo 2, mais personne, à ce stade, ne publie le volume d'essais derrière.
Ce que DeepMind ne dit pas (et pourquoi ça compte)
Réponse : trois absences empêchent d'évaluer la robustesse réelle du système — et une information, elle, existe bel et bien.
Première absence : le nombre d'essais. 96 % sur 25 cycles et 96 % sur 25 000 cycles ne racontent pas la même histoire. Sans taille d'échantillon, pas d'intervalle de confiance ; donc pas de science, juste une vitrine.
Deuxième absence : la définition du succès. Une pièce mal orientée puis corrigée par le robot compte-t-elle comme réussite ? Un cycle arrêté par un opérateur ? Cette frontière entre « réussi » et « rattrapé » est précisément ce qui intéresse un directeur d'usine — et elle n'est nulle part définie.
Troisième absence, la plus lourde : la fréquence d'intervention humaine. C'est LE chiffre qui décide d'un déploiement : combien de fois par heure un opérateur doit-il dégager, réarmer ou corriger le robot ? Tant qu'il n'est pas publié, le 96 % reste un chiffre de communication.
Côté sécurité, les +33 % de tâches sûres autour d'obstacles et +43 % autour de personnes proches sont des chiffres du développeur, sans évaluateur externe. Dans la pharmacie, l'aéronautique ou l'automobile, on n'homologue pas un système sur la seule parole de son fabricant. Et le même article de TechTimes relaye l'aveu le plus honnête de l'annonce : Kanishka Rao, directeur robotique de DeepMind, admet chez Ars Technica que fermer les 4 % restants sera « une route pentue ».
Mon avis : les quatre derniers points d'un système physique sont presque toujours les plus chers — pièces déformées, éclairage changeant, bacs mal positionnés, longue traîne de cas imprévus. Dire que ce sera difficile est sain. Publier la méthodologie le serait davantage.
ASIMOV-jailbreak : la sécurité robotique passe aux benchmarks ouverts
Réponse : DeepMind publie un benchmark ouvert dédié aux jailbreaks spécifiques à la robotique — un geste rare, et peut-être le plus stratégique de toute l'annonce.
Rappelons la différence avec le langage : un jailbreak de chatbot produit un texte inapproprié. Un jailbreak de robot produit un geste inapproprié — avec des moteurs, une force et une masse. À mesure que des VLA comprennent le langage et agissent dans le monde physique, la surface d'attaque change de nature. Il ne s'agit plus de filtrer des réponses, mais de garantir qu'une instruction adversariale ne transforme pas un bras articulé en danger pour son environnement.
ASIMOV-jailbreak, relayé par Superpower Daily citant Ars Technica, donne à la communauté un terrain d'essai commun sur ce risque. C'est un benchmark de sécurité ouvert — chacun peut donc tester, critiquer, étendre.
Mon avis : publier un outil d'évaluation de sécurité avant de vendre un produit, c'est à la fois un geste d'ouverture et un coup de poker pour occuper le terrain. Si ASIMOV-jailbreak devient la référence du secteur, DeepMind écrit les règles du jeu qu'il jouera lui-même. Les concurrents — et les régulateurs — devraient s'en emparer rapidement, et l'étendre à la performance, pas seulement à la sécurité.
Le cloud, talon d'Achille silencieux du VLA
Réponse : le modèle tourne toujours sur des serveurs distants, et la latence embarquée reste une question ouverte pour la production réelle.
Un VLA qui contrôle des mains boucle en permanence : perception, décision, moteur, des dizaines de fois par seconde. Quand cette boucle passe par le cloud, chaque milliseconde de réseau devient un paramètre de sécurité au même titre qu'un capteur. Or DeepMind ne publie ni latence mesurée, ni architecture de repli en cas de coupure. En usine, une perte de liaison n'est pas un désagrément : c'est un poste à l'arrêt.
Pour Mercedes-Benz et son ingénierie réseau, le problème est soluble. Pour un sous-traitant de taille moyenne, il est rédhibitoire en l'état. Le passage à l'échelle des VLA industriels passera donc par des versions embarquées ou edge — un chantier que personne n'a encore soldé, et que l'annonce de lundi n'a pas abordé.
Il faut aussi nommer l'évidence business. Google vend le cerveau et le cloud où ce cerveau tourne : nous l'avions noté dès l'arrivée de Gemini Robotics ER 2 sur Google Cloud. Chaque robot déployé est aussi un contrat d'infrastructure. Ce n'est pas contestable en soi — c'est le modèle — mais un industriel doit le chiffrer comme tel : dépendance matérielle (Apptronik) doublée d'une dépendance d'intelligence et de calcul (Google).
La course mondiale : où se situe réellement Google ?
Réponse : en tête sur le logiciel de contrôle, avec la preuve industrielle la plus premium d'Europe — dans un Occident qui reste, globalement, au stade du pilote.
Le paysage en trois gestes. Xiaomi a mis ses humanoïdes à l'épreuve sur 8 heures de tri de pièces auto en usine. Panasonic et Berkeley ont présenté T-Rex, un robot bimanuel capable de corriger ses gestes. Et à Automate 2026, le constat était sans appel : la Chine passe à la production de masse quand l'Occident empile encore les démonstrateurs (voir notre analysis). Face à cela, DeepMind aligne l'argument qui manquait à l'Occident : un VLA éprouvé sur une ligne automobile réelle, avec un constructeur premium en vitrine.
Situtions aussi les adversaires réels de Google. Sur les modèles généralistes, OpenAI (GPT-5.5), Anthropic (Claude Opus 4.7) et Google se disputent les honneurs — et le duel ChatGPT vs Gemini se joue surtout dans les navigateurs et les bureaux. Mais la robotique physique est un terrain où la plupart des géants du LLM ne sont pas encore présents avec un produit éprouvé en usine. C'est précisément là que Google choisit de creuser.
Mon avis : la stratégie est lisible. Vendre l'infrastructure de l'intelligence physique — modèle, orchestration, cloud — plutôt que le métal, laissé à des partenaires comme Apptronik ou Agile Robots, tous deux remerciés dans le communiqué. Si le modèle tient ses promesses au-delà des lignes Mercedes, Google devient le fournisseur de cerveaux d'une industrie entière. Si la latence ou les 4 % restants résistent, cette avance fondra vite.
Comment vous y préparer, concrètement
Réponse : trois chantiers accessibles dès maintenant, sans accès au modèle.
Développeurs : la robotique moderne est d'abord un problème logiciel — simulation, intégration, orchestration de modèles. Le levier le plus rentable aujourd'hui reste de coder mieux et plus vite ; notre sélection des meilleurs LLM pour coder (Claude, GPT, Gemini, DeepSeek) est faite pour ça.
Curieux et étudiants : avant de spéculer sur les VLA, calibrez votre intuition sur ce que les modèles actuels savent — et ne savent pas — faire. Nos meilleurs LLM gratuits (ChatGPT free, Gemini, Groq) permettent de tester sans dépenser la couche langage et raisonnement qui sous-tend ces systèmes.
Industriels : cartographiez vos tâches « kitting-compatible » — bornées, répétitives, à erreur rattrapable, avec une faible coactivité. Ce sont elles qui seront automatisées en premier par ce type de modèle. Et anticipez la question réseau : un VLA cloud suppose une infrastructure locale irréprochable.
Enfin, si vous voulez expérimenter l'orchestration de modèles ou héberger vos propres agents, un VPS d'entrée de gamme suffit pour démarrer — Hostinger propose des offres à partir de quelques euros par mois (novembre 2026, vérifiez les tarifs sur hostinger.com).
❌ Erreurs courantes
Erreur 1 : lire 96 % comme « prêt pour la production »
Un taux de réussite mesuré en proof of concept, sur une tâche cadrée et supervisée, n'est pas un taux de production. Les 4 % restants concentrent précisément les cas qui coûtent cher — Rao parle lui-même de « route pentue ». La parade : exiger le nombre d'essais et la fréquence d'intervention humaine avant tout investissement.
Erreur 2 : croire que l'intelligence est dans le robot
L'architecture est hiérarchique et distribuée : Gemini Robotics ER supervise, Robotics 2.5 exécute, le tout via le cloud. Croire que l'humanoïde décide seul, c'est sous-estimer l'infrastructure réseau et la dépendance fournisseur. La parade : évaluer un déploiement de VLA comme un projet d'infrastructure informatique, pas comme l'achat d'une machine.
Erreur 3 : prendre les gains de sécurité pour des certifications
+33 % autour d'obstacles, +43 % autour de personnes : ce sont des mesures du développeur, sans évaluateur externe ni protocole publié. La parade : attendre des audits indépendants et des benchmarks ouverts — ASIMOV-jailbreak va dans ce sens, mais ne couvre que les jailbreaks, pas la sécurité opérationnelle globale.
Erreur 4 : interpréter « pas de prix » comme « accessible »
Ni tarif ni date de disponibilité générale au 10 novembre 2026. Historiquement, les déploiements de ce type se négocient au cas par cas, à des niveaux de prix sans rapport avec un abonnement logiciel. La parade : considérer tout chiffrage public comme prématuré, et suivre l'actualité sur deepmind.google.
❓ Questions fréquentes
Gemini Robotics 2.5 est-il disponible ?
Non. Au 10 novembre 2026, DeepMind annonce un déploiement vers ses partenaires — Agile Robots, Apptronik et Mercedes-Benz — sans date de disponibilité générale ni tarif. Les itérations précédentes sont passées par des accès partenaires puis une exposition sur Google Cloud ; c'est le scénario le plus probable, mais aucun calendrier officiel n'a été publié.
Qu'est-ce qu'un VLA, exactement ?
Un modèle vision-language-action apprend simultanément à percevoir (caméras), à comprendre (consignes en langage naturel) et à agir (commandes motrices). Contrairement à un robot programmé tâche par tâche, un VLA peut acquérir de nouvelles compétences — servir avec des pinces, nouer un ruban, pipetter — sans réécriture complète du contrôle, ce qui change l'économie de l'automatisation.
Que fait concrètement le robot chez Mercedes-Benz ?
Du kitting : il prélève des pièces dans des bacs et les dispose sur des plateaux, dans l'ordre d'assemblage propre à chaque véhicule, avec 96 % de réussite revendiquée. Les humanoïdes Apollo 2 d'Apptronik exécutent le geste dans les usines de Sindelfingen (Allemagne) et Kecskemét (Hongrie), tandis que Gemini Robotics ER suit le workflow d'assemblage.
Pourquoi les 4 % restants sont-ils si difficiles ?
Parce qu'ils concentrent la longue traîne : pièces déformées, éclairages inhabituels, positions imprévues, cas jamais rencontrés à l'entraînement. Chaque point gagné coûte plus cher que le précédent, et en production, un échec non rattrapé peut immobiliser un poste. Kanishka Rao parle lui-même d'une « route pentue » pour fermer ce dernier écart.
Faut-il croire les +33 % et +43 % de sécurité ?
Ils sont plausibles mais auto-évalués : DeepMind est juge et partie, sans évaluateur externe ni protocole publié. À traiter comme une déclaration d'intention, pas comme une mesure certifiée. Le benchmark ouvert ASIMOV-jailbreak constitue un premier pas vers une évaluation indépendante — pour la sécurité, pas encore pour la performance.
Le robot peut-il fonctionner sans connexion cloud ?
C'est précisément une question ouverte. Le modèle tourne aujourd'hui sur des serveurs distants, et DeepMind ne publie ni latence mesurée ni architecture de repli. Pour un site industriel bien équipé, c'est gérable ; pour un déploiement de masse, l'embarqué ou l'edge computing seront probablement indispensables.
✅ Conclusion
Gemini Robotics 2.5 livre la preuve industrielle la plus sérieuse jamais publiée par un grand laboratoire d'IA sur une ligne automobile européenne — et la plus méthodiquement incomplète. Le 96 % mérite d'être pris au sérieux ; les 4 % restants décideront de tout. Pour replacer cette annonce dans la course mondiale, poursuivez avec notre décryptage d'Automate 2026 et le reality check de la robotique humanoïde.