Physical Intelligence n’a aucun produit commercial, aucun chiffre d’affaires, et environ 80 employés. Des investisseurs s’apprêtent pourtant à la valoriser à 11 milliards de dollars. L’écart entre ces faits n’est pas de la mousse spéculative — c’est l’estimation du marché sur la proximité de la fenêtre de déploiement de l’IA incarnée pour la manipulation d’objets physiques.

TechCrunch a rapporté le 27 mars que PI serait en négociations pour lever environ 1 milliard de dollars à une valorisation dépassant 11 milliards — plus du double des 5,6 milliards établis lors de sa Série B il y a seulement quatre mois. Si l’opération se conclut, PI aura levé plus de 2 milliards de dollars depuis sa fondation en mars 2024. Le tour de table — Founders Fund, Lightspeed, Thrive Capital, Lux Capital, Jeff Bezos, CapitalG, OpenAI — représente un capital patient et éclairé, réparti sur plusieurs cycles de fonds. Un capital qui double la mise en quatre mois, sans qu’aucun jalon de revenus ne le justifie, parie sur un glissement de calendrier, pas sur une fonctionnalité produit.

Le consensus dans la logistique de la mode situe la robotique pratique de manipulation de vêtements à cinq à sept ans d’horizon. Ce consensus s’est formé avant que PI ne publie π*0.6.

Ce que PI a réellement construit

La fondation de PI est π0 (pi-zero), un modèle vision-langage-action générant des commandes motrices jusqu’à 50 fois par seconde. L’architecture rejette la programmation par tâche spécifique : le même modèle qui ouvre un tiroir peut plier une chemise, parce qu’il généralise à partir de données d’entraînement robotique diversifiées plutôt que d’apprendre un seul vocabulaire de mouvements. Dans les propres benchmarks de PI, π0 a obtenu un score de 1,0 sur la tâche de pliage de chemise. Tous les modèles concurrents ont obtenu 0,0.

Leur dernier système, π*0.6, s’entraîne grâce à une méthode appelée Recap — combinant démonstrations, corrections expertes et apprentissage par renforcement autonome — et étend cette capacité à 50 nouveaux articles de linge. Un test d’endurance distinct — préparer des expressos de 5h30 à 23h30 — a atteint des taux de réussite supérieurs à 90 % sur les étapes individuelles de la tâche. La même approche d’entraînement a plus que doublé le débit sur certaines des tâches les plus difficiles par rapport à la génération précédente.

PI a mis en open source les poids de π0 en février 2025 — une décision qui signale que l’avantage concurrentiel réside dans l’infrastructure de déploiement et les données d’entraînement propriétaires, non dans le modèle lui-même. La progression de « pliage de chemise comme preuve de concept » à « 50 nouveaux articles de linge à débit de production » en moins de 18 mois constitue la preuve. Pas le statut commercial, qui reste nul.

Pourquoi la manipulation de vêtements a résisté à l’automatisation

Les 3PL de la mode ne constituent pas un problème d’entrepôt générique. L’analyse de Covariant sur les modes de défaillance des robots spécifiques à l’habillement identifie des contraintes qui neutralisent l’automatisation classique : les sachets polyéthylène transparents empêchent la détection des points de préhension ; les matériaux d’emballage variés nécessitent des approches différentes selon chaque SKU ; la déformabilité des vêtements modifie la physique de chaque préhension dès que le contact est établi ; les articles qui se chevauchent dans les bacs génèrent des erreurs de double préhension ; et un renouvellement annuel du catalogue dépassant 80 % rend la programmation figée des robots économiquement inviable avant la fin de la saison.

Ce taux de renouvellement du catalogue est le problème structurel. Un 3PL de prêt-à-porter qui reprogramme ses robots pour 80 % de ses SKU chaque année avec une automatisation traditionnelle ne peut justifier la dépense d’investissement. Les modèles de fondation qui généralisent à partir d’objets inédits éliminent ce coût de reprogrammation — un robot qui n’a jamais vu une veste spécifique l’apprend de la même façon qu’un préparateur humain.

La pression sur la main-d’œuvre accentue l’urgence. Le traitement de vêtements — manipulation soignée, pliage précis, inspection des retours — se situe à l’extrémité la plus intensive en main-d’œuvre du spectre logistique. L’automatisation qui gère les articles rigides et réguliers ne capture qu’une fraction de la base de coûts opérationnels de la mode. Les heures de travail se concentrent dans les opérations de contact avec les vêtements.

Ce que les 3PL déploient, et où se situe l’écart

La couche d’automatisation actuelle dans la logistique de la mode est bien réelle. AutoStore est présent dans plus de 270 entrepôts de mode, avec des résultats comme une densité de stockage multipliée par 3 chez Benetton et 15 000 lignes de commande par jour, ou une réduction de 60 % des effectifs en période de pointe chez Cutter & Buck. Le modèle de fondation robotique de Covariant est déjà déployé dans les opérations habillement de GXO à Tilburg, gérant l’induction en poche pour le prélèvement d’articles à grande échelle.

Ces déploiements traitent les cas les plus simples — récupération de bacs, tri, déplacement de palettes, induction vers les goulottes. Les opérations de contact avec les vêtements — dé-ensachage, contrôle qualité, pliage pour le réassort, traitement des retours — restent manuelles. Un modèle de classe PI, lors d’un déploiement commercial, est directement en concurrence avec cette couche manuelle.

Si PI atteint le déploiement commercial en 2027 ou 2028 — plausible au regard de la trajectoire technique, mais non certain — les 3PL de la mode sans planification d’intégration se retrouveront avec un désavantage structurel de six à douze mois face aux premiers adoptants. Cet écart se cumule : les opérations automatisées peuvent garantir contractuellement une précision de SLA que les opérations manuelles ne peuvent pas offrir.

L’argument contraire est correct sur les faits

PI n’a jamais rien déployé commercialement. La valorisation à 11 milliards prix une option, non un débit démontré. L’écart entre plier 50 articles de linge en contexte de recherche et traiter 15 000 lignes de commande par jour dans un entrepôt de prêt-à-porter en activité est considérable — et l’histoire de la robotique compte de nombreux systèmes qui fonctionnaient en démonstration et ont calé au volume. Dexterity a levé 95 millions de dollars à 1,65 milliard en mars 2025 et n’a annoncé aucun déploiement spécifique à la mode.

L’argument contraire est correct. Ce n’est pas non plus la bonne question.

Un opérateur de logistique de la mode qui attend le déploiement commercial pour commencer à planifier l’intégration ne fait pas preuve de prudence — il accepte que ses concurrents fixent le calendrier de mise en œuvre. La question pour un opérateur 3PL est précise : son architecture d’entrepôt, sa couche d’intégration WMS et ses contrats fournisseurs pourraient-ils accueillir un système robotique à modèle de fondation dans une fenêtre de 12 à 18 mois si la maturité commerciale arrivait demain ? Pour la plupart des opérations, la réponse est non. C’est le problème à résoudre maintenant.

Si la valorisation à 11 milliards est juste, la question du calendrier a déjà été tranchée par des personnes disposant de plus d’informations et ayant davantage en jeu que la plupart des opérateurs 3PL n’y ont actuellement accès. Ce n’est pas un appel à la panique. C’est un appel à planifier.