Figure, entreprise californienne spécialisée dans la robotique humanoïde, a dévoilé le 17 septembre 2026 Helix 2.5, la dernière génération de son réseau de neurones destiné à piloter le robot Figure 03. Le modèle permet au robot de percevoir son environnement, de comprendre la tâche à accomplir et de contrôler l’ensemble de son corps de façon autonome, sans phase d’apprentissage préalable sur les lieux d’intervention.
Une IA entraînée sur l’expérience humaine plutôt que sur le terrain
Jusqu’à présent, les robots humanoïdes devaient apprendre les lieux où ils allaient travailler, un environnement à la fois. Figure a construit Helix 2.5 pour répondre à une question différente : un robot peut-il entrer dans une maison qu’il n’a jamais vue et se mettre immédiatement au travail, en utilisant tout son corps, de façon autonome ?
Pour y parvenir, l’entreprise a pré-entraîné Helix 2.5 sur Index, sa base de données mondiale de comportements humains, alimentée par des vidéos tournées à hauteur d’yeux par des opérateurs effectuant des tâches ménagères. À partir de ce socle unique, Figure a produit trois comportements distincts : ranger un salon, plier des serviettes et faire un lit.
30 logements jamais cartographiés, trois tâches ménagères
Pour valider l’approche, Figure a loué 30 logements dans la baie de San Francisco et y a introduit ses robots Figure 03, sans qu’aucune donnée n’y ait été collectée au préalable. Les robots ont dû composer avec le mobilier, les canapés, les lits et les objets propres à chaque lieu, jamais rencontrés pendant l’entraînement.
Le protocole d’évaluation était strict : pour le rangement, les 13 à 15 jouets dispersés dans la pièce devaient être placés dans le panier ; pour le linge, chaque serviette devait être pliée et déposée dans le panier ; pour le lit, les oreillers et les coins de la couette devaient être positionnés en tête de lit, avec une couette lissée. Aucun crédit partiel n’était accordé : seule la réussite complète de la tâche comptait.
Sur l’ensemble des essais réalisés dans les 30 logements, le taux de réussite s’est établi à 56 %. Un résultat en demi-teinte, mais que Figure présente comme la démonstration la plus aboutie à ce jour d’une généralisation autonome et sans adaptation préalable, à cette échelle, sur un robot humanoïde.
L’apport déterminant du pré-entraînement
Pour isoler l’effet du pré-entraînement sur Index, Figure a comparé deux versions du même modèle entraînées sur les mêmes données spécifiques à la tâche, à architecture, optimisation et évaluation identiques. La seule différence portait sur l’initialisation : l’une partait de poids aléatoires, l’autre du modèle Helix 2.5 pré-entraîné sur Index.
Le résultat est net : le modèle parti de zéro a réussi 9 % des essais en conditions inédites, contre 56 % pour le modèle pré-entraîné sur Index, soit un taux plus de six fois supérieur. Figure en conclut que l’essentiel de la capacité de généralisation d’Helix 2.5 provient de ce pré-entraînement, et non des données propres à chaque tâche.
Autre enseignement, la spécification d’un comportement est devenue deux fois moins gourmande en données tout en couvrant un champ d’application trente fois plus large : Helix 2.5 a utilisé deux fois moins de données spécifiques qu’une tâche comparable sous Helix 02, tout en généralisant ce comportement à 30 logements inédits.
Une trajectoire d’investissement en forte montée en puissance
Brett Adcock, fondateur et directeur général de Figure, explique que Helix 2.5 a été conçu pour répondre à une question plus complexe : un robot humanoïde peut-il entrer dans une maison qu’il n’a jamais vue et se mettre immédiatement au travail, en utilisant tout son corps, de manière autonome. Il précise que l’entreprise ne considère pas la robotique humanoïde généraliste comme résolue, mais voit dans Helix 2.5 la première preuve qu’une intelligence physique apprise sur l’expérience humaine peut être transférée à de nouveaux environnements plutôt que reconstruite à chaque fois.
Figure indique que sa base Index génère désormais environ 35 minutes de nouvelles données d’expérience humaine chaque seconde, et que l’entreprise a engagé 3,5 milliards de dollars, soit environ 3,05 milliards d’euros au taux de change du 21 septembre 2026, de puissance de calcul dédiée à l’entraînement d’Helix. L’entreprise, fondée par Brett Adcock – également à l’origine d’Archer Aviation – a par ailleurs mesuré une loi d’échelle du transfert humain vers robot humanoïde, avec une précision suffisante pour prévoir la perte de son plus grand run d’entraînement à quatre décimales près avant même de le lancer.
Quelles implications pour l’hôtellerie ?
Figure reconnaît elle-même que ses robots ne sont pas encore prêts à intégrer des foyers de façon commerciale. Le secteur hôtelier suit cependant de près ces avancées : la startup chinoise Zerith Robotics commercialise déjà un robot humanoïde dédié au nettoyage des chambres d’hôtel, tandis que des acteurs comme Pudu Robotics développent des robots semi-humanoïdes destinés à l’accueil et au service.
Face à la pénurie chronique de personnel d’étage et à la pression sur les coûts salariaux, tout progrès de la robotique domestique autonome intéresse directement les opérateurs hôteliers, même si Figure vise en priorité le marché résidentiel. La capacité d’un robot à opérer sans cartographie préalable d’un lieu, condition centrale pour un déploiement à grande échelle dans des centaines d’établissements aux configurations différentes, en constitue précisément l’enjeu.
Analyse – À l’échelle du secteur, la trajectoire rappelle celle de l’industrie automobile, où la robotisation des chaînes de production a, à partir des années 1980, transformé en profondeur l’organisation du travail. Le parallèle a ses limites : une chambre d’hôtel n’est ni standardisée ni répétitive comme un poste de chaîne, ce qui explique précisément pourquoi la généralisation « zero-shot » démontrée par Figure constitue une étape technique à part. Mais l’enjeu de fond est comparable, automatiser des gestes physiquement exigeants et répétitifs – port de charges, flexions, manipulation de literie et de linge – qui figurent parmi les premières causes de troubles musculosquelettiques (TMS) et de maladies professionnelles chez le personnel d’étage. Une robotisation aboutie de ces tâches allégerait la pénibilité du métier de femme et valet de chambre, l’un des postes les plus exposés aux arrêts pour TMS dans l’hôtellerie. Elle poserait en retour, comme dans l’automobile en son temps, la question du niveau d’emploi sur des fonctions qui restent parmi les plus pourvoyeuses d’effectifs des groupes hôteliers, dans un contexte déjà marqué par la pénurie de personnel et la hausse des coûts salariaux.
At a glance by The Hospitality Tribune
Figure unveils Helix 2.5, a zero-shot AI model for humanoid robots
Tested across 30 unmapped Bay Area homes with no prior data collection
Zero-shot success rate reached 56%, up from 9% without Index pretraining
Behaviors covered: room tidying, towel folding, bed making
Figure has committed $3.5B (about €3.05B) in compute to train Helix
Analysts see parallels with auto-industry robotization – easing physical strain on housekeeping staff while raising workforce questions
