Nomagic a déployé un modèle VLA dans des robots d'entrepôt et a divisé par deux les appels aux opérateurs

Nomagic, entreprise polonaise, a déployé un modèle vision-language-action (VLA) dans les opérations réelles d'entrepôt chez des clients commerciaux en juillet 2026 — et a enregistré une réduction d'environ deux fois du nombre de cas où le robot nécessitait l'intervention d'un opérateur. En parallèle, l'entreprise a lancé son propre laboratoire d'IA dirigé par un ancien chercheur de Google DeepMind.

Qu'est-ce qu'un modèle VLA et pourquoi un robot d'entrepôt en a-t-il besoin ?

Les modèles vision-language-action sont des réseaux de neurones qui combinent trois composants dans une seule architecture : la vision par ordinateur (ce que le robot voit devant lui), la compréhension du contexte (quelle tâche doit être résolue avec cet objet) et la planification des actions (comment exactement contrôler le manipulateur). Contrairement à la programmation classique, où les règles sont écrites manuellement pour chaque type de produit ou scénario non standard, un modèle VLA prend des décisions dynamiquement — de la même manière qu'une personne manipulerait un objet inconnu sans ouvrir un manuel d'instructions.

Jusqu'à récemment, les modèles VLA existaient principalement en laboratoire : ils étaient testés sur des ensembles limités d'objets dans un environnement contrôlé. Nomagic — entreprise basée à Varsovie spécialisée dans les manipulateurs pour la logistique d'entrepôt — a transféré cette technologie dans des conditions d'exploitation réelles.

• Type de modèle : vision-language-action (VLA)
• Entreprise : Nomagic, Varsovie, Pologne
• Résultat : ~50% de réduction de la fréquence des demandes d'intervention des opérateurs
• Laboratoire d'IA : lancé en 2026, dirigé par un ancien chercheur de Google DeepMind
• Stratégie : « mastery before generality » — d'abord la maîtrise dans les tâches spécifiques, puis l'universalité

Pourquoi

Nomagic mise sur la maîtrise, et non sur l'universalité ?

Dans la course à la robotique, un récit domine : créer un agent universel capable d'agir dans n'importe quel environnement et avec n'importe quel objet. C'est ce que Physical Intelligence, Google DeepMind et plusieurs autres grands laboratoires recherchent. Nomagic a consciemment choisi une voie différente.

L'équipe du nouveau laboratoire d'IA est dirigée par un ancien chercheur de Google DeepMind — quelqu'un bien familiarisé avec la course à la généralisabilité de l'intérieur. Néanmoins, au sein de Nomagic, l'équipe rétrécit délibérément son champ d'action : la maîtrise profonde d'un ensemble spécifique d'opérations d'entrepôt — saisie, transfert et tri d'articles hétérogènes à vitesse industrielle — est plus importante que la capacité à gérer des tâches arbitraires.

La justification est pragmatique : un client qui construit un centre de traitement automatisé n'a pas besoin d'un robot capable d'ouvrir des portes ou de faire du café. Il a besoin d'un système qui, à trois heures du matin, quand arrive un lot avec emballage non standard, ne se « bloque » pas en attendant un opérateur.

Qu'est-ce qui a changé dans les opérations d'entrepôt ?

La métrique clé en exploitation robotisée est le « human-in-the-loop rate » : la proportion de situations dans lesquelles le système ne peut pas se débrouiller seul et demande l'assistance humaine. Chacun de ces appels est un délai de la chaîne de montage, des coûts opérationnels supplémentaires et une limitation à la scalabilité sans augmentation du personnel.

Selon Nomagic, le déploiement du modèle VLA a réduit cette métrique d'environ deux fois sur les sites des clients commerciaux. Point critique : cela concerne le même équipement physique — les robots n'ont pas été remplacés. L'augmentation de l'autonomie d'un facteur deux a été réalisée exclusivement grâce au nouveau « cerveau ».

Pour l'industrie, c'est un signal important : les modèles VLA ont franchi le seuil où ils peuvent non seulement être démontrés dans des expositions, mais aussi être déployés en exploitation réelle avec des résultats commerciaux mesurables.

Que signifie cela ?

Nomagic a fait ce que l'industrie de la robotique promet depuis des années : passer un modèle d'IA de nouvelle génération d'un environnement de recherche à la production et obtenir un résultat concret et mesurable. La stratégie « maîtrise d'abord » peut s'avérer être un chemin plus court vers des entrepôts véritablement autonomes que de développer un agent universel.