La conversation sur l’IA dans la technologie d’entreprise a porté presque entièrement sur les logiciels — modèles, API, agents, flux de travail. L’IA physique est une catégorie différente — englobant la robotique, les véhicules autonomes, les dispositifs d’IA de périphérie et les capteurs intelligents — et, selon la plupart des critères, une catégorie encore assez récente et immature. Mais les signaux de nos données d’enquête récemment publiées suggèrent que l’écart entre « tôt » et « grand public » pourrait être bien plus court qu’il n’y paraît.

Lorsque nous avons demandé à 100 dirigeants technologiques d’entreprise dans de grandes entreprises (1 000 à 5 000+ ETP) si leurs organisations mettaient actuellement en œuvre ou pilotaient une IA physique, un surprenant 26 % ont déclaré aujourd’hui une forme d’engagement actif : 13 % avaient des projets en recherche et développement, sept pour cent étaient en phase pilote, et six pour cent avaient déjà déployé l’IA physique en production. Un autre 23 % des répondants ont déclaré ne pas être encore actifs mais prévoir d’explorer l’IA physique dans les 12 mois.

Il est peut-être révélateur que les entreprises qui s’investissent le plus profondément dans l’IA générative et l’intelligence artificielle soient aussi celles qui poursuivent la prochaine vague. Les organisations ayant 100+ cas d’utilisation d’IA génération ont près de trois fois plus de chances de travailler sur l’IA physique (42 % des répondants) que celles avec moins de 50 cas d’utilisation (15 % des répondants).

Who owns physical AI strategy is still an open question. Thirty-five percent of respondents said their CTOs were owning it, 27% said CIOs were in charge versus eight percent of organizations said there was no clear owner at all. This is surprising for a technology category that involves real-world infrastructure, safety implications and significant capital expenditure. Notably, the COO—who arguably has the most operational exposure in manufacturing and logistics use cases—owns the strategy in only eight percent of organizations, suggesting governance accountability may lag deployment.

Certes, l’IA physique reste une petite partie des budgets technologiques des entreprises. Parmi les 49 % d’entreprises qui prévoient d’expérimenter ou de déployer l’IA physique, la répartition du secteur raconte une histoire plus complexe. Seulement 38 % des entreprises de fabrication et d’information/technologie sont activement engagées dans l’IA physique, tandis que 43 % des entreprises de distribution le sont.

L’IA Edge est en fait la plus avancée, avec la robotique qui traîne (malgré le battage médiatique)

Dans les cinq catégories d’IA physique que nous avons suivies, les dispositifs d’IA en périphérie ont aujourd’hui le plus de déploiements actifs. Cette catégorie englobe le matériel d’IA qui traite les données localement sur l’appareil lui-même — plutôt que de les envoyer à un serveur central — permettant aux capteurs d’inférer et de réagir aux informations en temps réel. Dans notre enquête, 23 organisations ont déclaré piloter ou déployer activement de l’IA en périphérie, dont 11 ont déclaré avoir actuellement une IA physique déployée en production. La sécurité et la surveillance activées par l’IA (caméras intelligentes, contrôle d’accès) constituent la sous-catégorie suivante la plus populaire, avec 17 organisations activement engagées.

La robotique et les systèmes autonomes, qui dominent le récit public autour de l’IA physique, ne sont en réalité pas si répandus dans la pratique. Seules 12 organisations de notre enquête pilotent ou déploient activement de la robotique, et seulement trois ont atteint un déploiement en production. L’enthousiasme pour la robotique est bien réel—22 répondants l’évaluent—mais l’écart entre l’évaluation et le déploiement reflète la complexité réelle impliquée. Pour être totalement transparent, cela peut aussi refléter la composition de notre cohorte d’enquête : la finance et l’assurance constituent notre deuxième catégorie sectorielle, tandis que l’information / la technologie est la plus importante.

Treize répondants sont activement engagés dans les capteurs industriels et la maintenance prédictive, sans doute la catégorie d’IA physique la plus mature opérationnellement, incluant huit organisations en production — le taux de déploiement en production le plus élevé de toutes les catégories. Pour les organisations axées sur la fabrication et la logistique, c’est là que l’IA physique porte ses fruits aujourd’hui.

Là où l’IA physique apparaît dans le monde réel

Les cas d’utilisation les plus convaincants partagent un schéma, selon notre enquête : du matériel générant des données propriétaires auxquelles seul Logiciel ne pourrait jamais accéder. Dans le secteur industriel, les aciéries déploient des réseaux de capteurs sur les plateaux d’usine afin d’optimiser la consommation de matières premières en temps réel. Dans des installations complexes, les agents IA intègrent des données en temps réel des capteurs et visuelles pour ajuster de manière autonome la logique de contrôle, optimisant le rendement, le débit et la consommation d’énergie sans intervention humaine. En logistique, les tours de caméras compatibles avec l’IA situées aux quais de chargement des entrepôts vérifient automatiquement le fret existant, et les réseaux de capteurs en bord de route améliorent la visibilité de la chaîne d’approvisionnement et combattent la fraude au fret. En agriculture, les systèmes robotiques montés sur tracteurs utilisent la vision par ordinateur pour cibler les mauvaises herbes individuelles et effectuer un éclaircissement précis, réduisant à la fois les coûts de main-d’œuvre et chimiques à grande échelle. Le matériel crée un fossé de données propriétaire que les concurrents uniquement logiciels ne peuvent pas facilement reproduire.

Qu’est-ce qui bloque l’adoption plus large de l’IA physique

The barriers to physical AI are different in character than the barriers to software AI. Among enterprises already engaged with physical AI, 69% of respondents cited integration complexity with existing systems as a barrier, reflecting the challenge of connecting intelligent hardware to legacy enterprise infrastructure. Fifty-nine percent of respondents cited hardware and infrastructure costs, followed closely by security and safety concerns cited by 55%.

Forty-seven percent of respondents said that unclear ROI was a key barrier—notable because it mirrors the challenge we see across the broader AI landscape, where the business case for new technology categories is still being written in real time.

L’histoire de la main-d’œuvre de l’IA physique est encore en cours d’écriture

Of respondents thinking about using, or currently using physical AI, 39% said physical AI will primarily augment human workers, with humans remaining central in their operations. The majority expect a balanced mix of augmentation and some human-role replacement in physical and operational tasks, with only six percent expecting the primary use of the technology to be human replacement. That’s consistent with the broader augmentation narrative across this report. But physical AI is the one domain where replacement of physical labor is genuinely on the table in ways that software AI is not.

La couche physique de l’IA d’entreprise est encore précoce. Mais les dispositifs de périphérie sont déjà en production, les capteurs industriels offrent un retour sur investissement dans les environnements de fabrication et une vague d’organisations passe de « pas de plans » à « explorer activement » l’IA physique d’ici l’année à venir. Pour les fournisseurs de logiciels et les fournisseurs d’infrastructures adjacents à cette catégorie, la fenêtre d’opportunité s’ouvre.

Cet article est en parallèle avec la série de rapports sur les dépenses d’entreprise 2026 de Battery. Téléchargez le rapport complet ici.