L’essor de l’« intelligence artificielle physique » en Asie s’appuie sur une force souvent sous-estimée : la capacité industrielle de la région. En Corée du Sud, au Japon, en Chine et à Taïwan, la production, l’export et des chaînes d’approvisionnement fortement optimisées ont longtemps structuré l’économie. Aujourd’hui, cette logique industrielle influence directement la manière dont l’IA est développée et financée—notamment dans la robotique, où les données ne se résument pas à des textes ou des images.

C’est dans ce contexte qu’un acteur coréen, Config, a attiré l’attention des capital-risqueurs liés à certains des plus grands industriels du pays. La start-up, basée à Séoul et à San Jose, construit une « couche de données » destinée aux modèles de fondation pour la robotique, un segment où l’accès à des données fiables et exploitables conditionne la performance des systèmes.

Pourquoi la robotique exige des données différentes

La formation de grands modèles de langage repose surtout sur des ressources disponibles à grande échelle : des volumes massifs de texte existent déjà. En revanche, apprendre à un robot à agir dans le monde réel représente un défi distinct. Chaque séquence d’entraînement doit être collectée dans un cadre physique : robot, installations, et opérateurs nécessaires pour exécuter les tâches. Dans ce modèle, les coûts de développement peuvent grimper rapidement lorsque les entreprises cherchent des robots toujours plus capables.

Config part donc d’un principe central : améliorer la qualité et l’adaptation des données plutôt que considérer que le modèle « s’ajustera » tout seul. L’entreprise vise à fournir ce que les équipes robotique doivent exploiter pour entraîner leurs systèmes, en particulier lorsque les robots n’évoluent pas dans le même environnement ni selon les mêmes modalités que les données brutes utilisées pour l’apprentissage.

Un modèle « à la TSMC » pour la robotique

L’ambition de Config s’exprime par une analogie fréquente dans l’industrie : celle de la fabrication sans concurrence directe. Comme un fondeur de semi-conducteurs produit pour plusieurs clients sans viser à remplacer leurs produits finaux, Config cherche à jouer un rôle d’infrastructure pour les intelligences artificielles de robotique.

L’idée trouve un terrain favorable : de nombreux grands industriels envisagent de développer une partie de leur « robot AI » en interne, afin de réduire leur dépendance à des fournisseurs externes et de mieux maîtriser leurs résultats. Dans cette dynamique, la capacité à fournir des données prêtes à l’emploi devient un avantage stratégique.

Un tour de table porté par de grands acteurs

Config a annoncé avoir bouclé un tour de financement de 27 millions de dollars mené par Samsung Venture Investment, pour une valorisation supérieure à 200 millions de dollars. Le tour a également été soutenu par des entités liées à Hyundai Motor, LG, et à un acteur télécom sud-coréen via sa branche d’investissement.

Au-delà des investisseurs, l’enjeu est aussi opérationnel : Config dit déjà produire des données et générer des revenus. Ses clients actuels incluraient des industriels, des intégrateurs et des acteurs opérant dans des secteurs tels que l’agriculture ou la défense—des domaines où la robotique et l’automatisation peuvent avoir des contraintes fortes en termes de fiabilité et d’adaptation aux tâches réelles.

La collecte de données et la « conversion » avant l’entraînement

Config collecte des données issues de mouvements humains, dans des environnements contrôlés (studios) et sur le terrain. L’entreprise indique disposer d’une force de travail d’environ 300 personnes réparties sur plusieurs sites, et accumuler un volume important de données de mouvement. Une donnée clé est sa façon d’aborder l’étape d’entraînement : plutôt que de se contenter d’utiliser les données brutes, Config s’attache à transformer ces données afin qu’elles reflètent mieux la manière dont les robots se déplacent et interagissent avec le monde.

Le principe peut être résumé comme une logique de « traduction » : entraîner un modèle sur un type de données puis l’attendre à fonctionner directement dans un autre contexte revient, selon l’entreprise, à demander au modèle d’acquérir par lui-même une adaptation que les données devraient déjà porter.

Quels objectifs pour les prochains mois ?

Le financement annoncé doit soutenir trois priorités. D’abord, intensifier la collecte de données afin d’atteindre un objectif d’un million d’heures produites. Ensuite, renforcer une offre « entreprise » autour d’une plateforme, avec un objectif de revenus récurrents d’ici 2027. Enfin, Config prévoit de lancer un service basé sur le cloud de type « Robot-as-a-Service », permettant à des entreprises d’utiliser ses modèles sans forcément déployer toute l’infrastructure sur site.

Ce que l’on peut retenir pour l’écosystème robotique

Le pari de Config illustre une tendance plus large : l’IA appliquée au monde réel avance souvent par couches d’infrastructure, là où l’on ne peut pas simplement réutiliser des modèles entraînés sur des données « faciles ». Pour les grands industriels, investir dans la donnée réduit un risque majeur : celui de construire des systèmes coûteux sur des corpus insuffisamment adaptés à la réalité des robots. Pour les équipes robotique, disposer d’un pipeline de données mieux structuré peut accélérer les itérations, et potentiellement diminuer une partie des coûts liés à l’apprentissage.

Dans la pratique, l’écart de maturité entre robots et logiciels d’IA « classiques » se joue souvent sur l’accès à la donnée et sur sa préparation. À ce titre, le positionnement de Config s’inscrit dans une stratégie où l’avantage compétitif ne réside pas uniquement dans le modèle, mais dans la capacité à livrer des données exploitables.

Deux pistes d’équipement à considérer

Pour des équipes qui testent des approches IA et robotique, le choix du matériel influence la qualité des mesures et des itérations. Selon les besoins, un kit de capteurs ou un contrôleur adapté peut faire la différence dans les premiers prototypes, par exemple via un kit de développement pour robotique ou un système de caméra pour robots.