OpenAI rebat ses cartes en robotique, tandis qu’Anthropic accélère
OpenAI redistribue ses équipes robotique vers ses pôles de recherche et d’application. En parallèle, un ex-chercheur d’Anthropic affirme que les progrès d’efficacité rendent les modèles toujours plus rapides à retravailler.
OpenAI réorganise sa robotique en répartissant ses chercheurs vers d’autres équipes, alors même que la société avait relancé ce chantier en 2024 et visait un premier démonstrateur public de robot pour 2027, selon Fortune. Le mouvement reflète un pari technique précis : des modèles généralistes comme GPT-6 Astra pourraient piloter des robots sans modèles spécialisés, ce qui change la hiérarchie des priorités en laboratoire. Pendant ce temps, un ancien chercheur d’Anthropic soutient que l’efficacité des modèles progresse assez vite pour permettre des retrainings à moindre coût. Deux signaux distincts, mais qui racontent la même chose : la robotique et le calcul d’entraînement se rapprochent de la logique industrielle.
Chez OpenAI, la robotique passe sous d’autres bannes
OpenAI a décidé de transférer ses chercheurs robotique vers le team de recherche principal, dirigé par Mark Chen, tandis que les équipes appliquées et hardware rejoignent l’organisation d’Applied menée par Greg Brockman, d’après Fortune. La société aurait pris cette décision si vite qu’un stand déjà réservé à la conférence CoRL à Austin est resté vide. Rien n’indique pour autant un abandon pur et simple : OpenAI avait déjà fermé sa division robotique en 2020, faute de données d’entraînement suffisantes, avant de la reconstruire en 2024.
Le changement de cap repose sur une hypothèse devenue crédible aux yeux de l’entreprise : les grands modèles généralistes pourraient directement contrôler des robots, sans couche dédiée de spécialisation. Dans les tests cités, un agent alimenté par Astra a atteint 74,8 % de réussite sur des tâches robotiques simulées, contre 51 % pour les meilleurs modèles spécialisés, sur un banc d’essai mené avec un robot DROID simulé. Un autre benchmark, StationeryBench, a comparé GPT-6 Astra à Ai2 et à son modèle MolmoAct2 sur cinq tâches avec des objets de bureau et des bras YAM à double bras : Astra a pleinement réussi 7 tâches sur 100, tandis que MolmoAct2 n’en a terminé aucune. Les chiffres restent liés à la simulation, pas à un robot physique.
Les modèles généralistes prennent de l’avance, mais pas tous les coûts
Cette montée en puissance ne règle pas tout. Les modèles spécialisés gardent des atouts très concrets en coût, fiabilité, vitesse d’exécution et consommation d’énergie, même s’ils généralisent moins bien. Autrement dit, un modèle généraliste peut impressionner en démonstration, mais la facture et la robustesse décideront du maintien à terme. Yoav Artzi, chercheur à Cornell University et chez Google DeepMind, voit dans Astra un bond en compréhension spatiale et dit que le modèle atteint une précision proche de l’humain sur le benchmark REMAP, encore non publié. Il suppose aussi qu’OpenAI a pu entraîner le système avec de grandes quantités de données 3D, comme des scènes Blender [à vérifier].
Cette lecture s’inscrit dans une tension plus large chez OpenAI. La société veut toujours construire ses propres robots du quotidien à long terme, mais elle subit aussi une pression financière pour concentrer ses ressources sur son cœur de métier, où elle aurait perdu du terrain face à Anthropic. En pratique, la robotique reste donc un dossier stratégique, mais pas forcément un centre de gravité budgétaire stable.
Chez Anthropic, le vrai sujet n’est plus seulement le modèle, mais le rythme
De l’autre côté du marché, Jacob Coxon, ancien chercheur chez OpenAI puis Anthropic, a critiqué un graphique montré dans la roadshow d’introduction en bourse d’Anthropic. Selon lui, la courbe du compute nécessaire à l’entraînement est suffisamment raide pour montrer une amélioration algorithmique non seulement rapide, mais accélérée. Il écrit que Mythos, modèle présenté comme une avancée majeure au printemps, n’était pas une rupture isolée mais un point sur une trajectoire « superexponentielle ». Surtout, il affirme qu’Anthropic pouvait déjà retrain Mythos avec une fraction du compute initialement requis.
Le détail compte, car il déplace la discussion du simple “plus gros modèle” vers la capacité à refaire le même travail avec moins de ressources. Coxon va jusqu’à dire que ces gains sont « on the verge of being automated », et plaide pour une pause de l’entraînement des modèles frontières l’an prochain afin de laisser les concurrents rattraper leur retard. Il estime qu’un tel gel « commoditize human-level intelligence. It would only harm OpenAI and Anthropic. » La formule est brutale, mais elle résume bien l’enjeu : si l’efficacité continue de grimper, l’avance ne se joue plus seulement sur la taille des modèles, mais sur la vitesse à laquelle on sait les refaire mieux et moins cher.
En chiffres
- 74,8 % — réussite d’un agent Astra sur tâches robotiques simulées, étude Nvidia, 2026.
- 51 % — meilleur score des modèles spécialisés dans le même test, étude Nvidia, 2026.
- 200 essais — volume total de StationeryBench, comparant Astra et MolmoAct2, 2026.
- 7 tâches sur 100 — tâches entièrement réussies par Astra sur StationeryBench, 2026.
- 0 tâche sur 100 — résultat complet de MolmoAct2 sur StationeryBench, 2026.