The labs rehearse the day after an AI disaster, the robot industry hunts for human work footage, and LVMH teaches a machine to smell a wine fault.
Les laboratoires repetent le lendemain d'un desastre IA, la robotique chasse les gestes humains, et Moet Hennessy apprend a une machine a sentir un defaut du vin.
Date: 2026-10-11
English edition:
· Édition française:Three stories about preparation. The labs rehearsing the day after an AI disaster. The robot industry filming humans to teach its machines. And a luxury house teaching an algorithm to smell a wine fault before any nose can.
Curated with AI and presented by an AI voice. / Curation assistée par IA et présentée par une voix IA.
Signal 1. The disaster rehearsal.
Axios reported on October 9 that executives at OpenAI, Anthropic, and other AI companies are privately war-gaming the public and political fallout of a catastrophic AI event. The top scenario: a large-scale cyberattack disrupting banks, internet connectivity, power, or water. Several insiders told Axios they expect a major incident within six to twelve months. OpenAI confirmed the preparedness exercises ("not treated as inevitable," preparation tools not predictions); Anthropic declined to comment. The planning extends past the incident to the backlash: briefing members of Congress now, aiming to shape the laws lawmakers will reach for after a first catastrophe.
What changes: the builders have accepted a serious incident as likely and are pre-writing the post-crisis regulation. AI risk is now a reputation question with a calendar.
Signal 2. The data hunt.
The Financial Times, citing PitchBook data, reports robotics and physical-AI companies raised close to $48 billion year-to-date in 2026. The sector's binding constraint is no longer hardware or models but real-world footage of humans doing ordinary work. Labs are running "robot gyms" where workers operate robotic arms on camera, and sending recording equipment into homes, offices, and factories. NEURA Robotics, which calls high-quality real-world training data "Physical AI's scarcest resource," is building a network of NEURA gyms (five locations across Europe, the US, and China planned by end of 2026) with partners including RWTH Aachen and TU Munich.
What changes: work itself has become the raw material. The question for employers is whether their workforce's daily movements become part of someone else's model.
Signal 3. The luxury house teaches a machine to smell.
Moët Hennessy (LVMH's wines and spirits division), Analog Devices, and UC Davis announced a collaboration using AI and a new generation of sensors to read chemical signatures emitted by grapevines, juice, and wine. The first result: the system identified samples at elevated risk of developing Fresh Mushroom Aroma, a wine fault Champagne producers have fought since around 2005, well before traditional detection. Researchers at Moët Hennessy's Robert-Jean de Vogüé research center built the sample library that trained the models. The platform is now explored for vine disease, soil analysis, and wildfire-linked defects. A UC Davis researcher told the Wall Street Journal the problem addressed cost California $4 billion in 2020.
What changes: heritage brands are discovering their most defensible asset is not the story they tell but the data only they have. Archives are not history; they are training data.
Jordan: This is SIGNAL, a daily curation of what matters in AI, brands, business and culture. The noise filtered. Here's what matters today.
Jordan: Three stories about preparation. The labs rehearsing the day after a disaster. The robot industry filming humans to teach its machines. And a luxury house teaching an algorithm to smell a wine fault before any nose can. Three ways of getting ready for what comes next.
Jordan: Signal one. The disaster rehearsal.
Jordan: On Friday, Axios reported that executives at OpenAI, Anthropic, and other AI companies are privately war gaming the public and political fallout of a catastrophic AI event. Not the attack itself. The day after.
Jordan: The scenario at the top of the list is a large scale cyberattack. Banks locked out of their systems. Internet connectivity severed. Power and water disrupted. That is the shape the planners keep returning to.
Jordan: And the timeline is the uncomfortable part. Several industry insiders told Axios they expect a major incident within the next six to twelve months. Not as a metaphor. As a working assumption.
Jordan: An OpenAI spokesperson confirmed the exercises. The company says it conducts preparedness exercises where teams discuss and work through a range of potential scenarios, and that these scenarios are not treated as inevitable, but are meant to help prepare for a variety of circumstances. Anthropic declined to comment. Nobody disputed the substance of the report. Only how fatalistic it sounds.
Jordan: What makes this different from routine crisis planning is the second half of the rehearsal. The labs are not just preparing for the incident. They are preparing for the backlash. Axios reports the planning includes briefing members of Congress now, because executives acknowledge that no AI safety law has a chance of passing today. They want to shape the laws and policies that lawmakers will reach for after a first catastrophe.
Jordan: OK, but what does this actually change? It changes who is writing the future terms of the industry. Yesterday's show covered the White House telling AI companies that incident disclosure is a national security obligation. This is the other side of that sentence. The builders have accepted that a serious incident is likely, and they are pre writing the regulation that will follow it.
Jordan: For brands and businesses, the lesson is plain. Your AI risk is no longer a technology question. It is a reputation question with a calendar. The people building the most powerful models on earth are rehearsing their apologies and their lobbying in the same exercise. If they treat a catastrophic event as a when, not an if, your own contingency plan is not alarmism. It is diligence.
Jordan: Signal two. The data hunt.
Jordan: The Financial Times, citing PitchBook data, reports that robotics and physical AI companies have raised close to forty eight billion dollars so far in twenty twenty six. But the money is not the story. The story is what the money is chasing.
Jordan: The sector's binding constraint, the FT's reporting says, is no longer hardware or models. It is real world footage of human beings doing ordinary work. Text and images were scraped off the open web years ago. Nobody ever uploaded a library of someone loading a dishwasher, carrying a box up stairs, or tightening a bolt with the right torque. That footage has to be commissioned, recorded, and labeled frame by frame.
Jordan: So the labs are building robot gyms. Workers operate robotic arms in staged facilities while cameras capture every movement. And recording equipment is going into homes, offices, and factories to film people doing everyday tasks. The stated goal is capturing how humans move, touch, and apply force in the settings where robots will eventually have to handle themselves.
Jordan: Take NEURA Robotics. The company calls high quality real world training data physical AI's scarcest resource, and it is building a network of NEURA gyms with partners including two German technical universities, with five locations across Europe, the United States, and China planned by the end of this year.
Jordan: OK, but what does this actually change? It changes what the AI economy buys. Last year's scarcest input was compute. Chips, power, data centers. Now there is a market for the most ordinary thing in the world: people doing their jobs on camera. Work itself has become the raw material.
Jordan: Think about what that means for business. Every filmed shift is training data someone else may monetize. The question for employers is no longer just how AI changes their workforce. It is whether their workforce's daily movements become part of someone else's model. The factory floor is now an asset in two directions, and most companies are only counting one of them.
Jordan: Signal three. The luxury house teaches a machine to smell.
Jordan: This week, Moët Hennessy, the wines and spirits division of LVMH, announced a collaboration with semiconductor company Analog Devices and the University of California, Davis. The goal is an AI powered system that reads the chemical signatures emitted by grapes and wine, and predicts quality risks before any human can detect them.
Jordan: The first test targeted Fresh Mushroom Aroma, a wine fault that Champagne producers have been fighting since around two thousand and five. It can only be caught once the grapes are already on their way to becoming wine. Researchers at Moët Hennessy's Robert Jean de Vogüé research center built a library of samples and trained machine learning algorithms to recognize the chemical patterns. The system identified samples at elevated risk of developing the fault well before traditional methods could.
Jordan: Manuel Reman, who oversees research and development at Moët Hennessy, said the work lets them rapidly detect and interpret the chemical language of grapes and wine, to anticipate quality risks before they become visible. The same platform is now being explored for vine disease, soil analysis, and defects linked to wildfires. One UC Davis researcher told the Wall Street Journal that the problem this research addresses cost California four billion dollars in twenty twenty.
Jordan: OK, but what does this actually change? It changes the meaning of craft. A luxury house whose value rests on heritage and the human palate is now instrumenting the vineyard with sensors and prediction. The point is not that the machine replaces the winemaker. The point is that expertise itself is being digitized: the nose of a master becomes a chemical signature the algorithm can see earlier.
Jordan: For brands, the move is the template. Heritage industries keep discovering that their most defensible asset is not the story they tell, it is the data only they have. Moët Hennessy had the sample library, the vineyards, the research center. The AI is new. The advantage was already sitting in their cellars. The brands that win the next decade will be the ones that realize their archives are not history. They are training data.
Jordan: Three rehearsals. The labs rehearsing for the backlash. The robot industry rehearsing human movement. A luxury house rehearsing the digitization of craft. The future is not arriving unannounced anymore. People are drilling for it. The question is whether you are in the drill.
Jordan: If this filtered your noise today, the weekly edition goes deeper. THE WEEK IN SIGNAL, every Sunday on Substack. Subscribe free: https://thenizzar.substack.com/
Jordan: Voici SIGNAL, une curation quotidienne de ce qui compte dans l'IA, les marques, le business et la culture. Le bruit filtré. Voici ce qui compte aujourd'hui.
Jordan: Trois histoires de préparation. Les laboratoires qui répètent le jour d'après un désastre. L'industrie robotique qui filme les humains pour éduquer ses machines. Et une maison de luxe qui apprend à un algorithme à sentir un défaut du vin avant n'importe quel nez. Trois façons de se préparer à la suite.
Jordan: Signal un. La répétition du désastre.
Jordan: Vendredi, Axios révélait que les dirigeants d'OpenAI, d'Anthropic et d'autres entreprises d'IA répètent en privé les conséquences politiques et publiques d'un événement catastrophique lié à l'IA. Pas l'attaque elle-même. Le lendemain.
Jordan: Le scénario qui revient sans cesse, c'est une cyberattaque à grande échelle. Des banques coupées de leurs systèmes. Internet hors service. L'électricité et l'eau perturbées. Voilà la forme que les planificateurs envisagent.
Jordan: Et la partie la plus inconfortable, c'est le calendrier. Plusieurs initiés du secteur ont confié à Axios qu'ils s'attendent à un incident majeur dans les six à douze prochains mois. Pas comme une image. Comme une hypothèse de travail.
Jordan: Un porte-parole d'OpenAI a confirmé ces exercices. L'entreprise dit qu'elle mène des exercices de préparation où les équipes discutent et simulent plusieurs scénarios, et que ces scénarios ne sont pas considérés comme inévitables, mais servent à se préparer à différentes situations. Anthropic a refusé de commenter. Personne n'a contesté le fond du reportage. Seulement sa tonalité fataliste.
Jordan: Ce qui distingue cette préparation des plans de crise habituels, c'est la deuxième moitié de la répétition. Les laboratoires ne se préparent pas seulement à l'incident. Ils se préparent au contrecoup. Selon Axios, la planification comprend déjà des briefings pour les membres du Congrès, parce que les dirigeants admettent qu'aucune loi sur la sécurité de l'IA n'a de chance de passer aujourd'hui. Ils veulent façonner les lois que les législateurs saisiront après une première catastrophe.
Jordan: Alors, qu'est-ce que ça change vraiment ? Ça change qui écrit les règles futures du secteur. L'émission d'hier évoquait la Maison Blanche qui disait aux entreprises d'IA que la déclaration des incidents est une obligation de sécurité nationale. Ceci est l'autre face de la phrase. Les bâtisseurs ont accepté qu'un incident grave soit probable, et ils pré-écrivent la régulation qui suivra.
Jordan: Pour les marques et les entreprises, la leçon est claire. Votre risque IA n'est plus une question technologique. C'est une question de réputation, avec un calendrier. Les gens qui construisent les modèles les plus puissants du monde répètent leurs excuses et leur lobbying dans le même exercice. S'ils traitent un événement catastrophique comme une question de quand, pas de si, votre propre plan de contingence n'est pas de l'alarmisme. C'est de la diligence.
Jordan: Signal deux. La chasse aux données.
Jordan: Le Financial Times, s'appuyant sur des données de PitchBook, rapporte que les entreprises de robotique et d'IA physique ont levé près de quarante-huit milliards de dollars depuis le début de vingt vingt-six. Mais l'argent n'est pas l'histoire. L'histoire, c'est ce que cet argent pourchasse.
Jordan: La contrainte qui bloque le secteur, d'après le reportage, ce n'est plus le matériel ni les modèles. Ce sont des images du monde réel d'êtres humains en train de faire un travail ordinaire. Les textes et les images ont été aspirés du web il y a des années. Personne n'a jamais mis en ligne une bibliothèque de quelqu'un qui charge un lave-vaisselle, monte un carton dans un escalier, ou serre un boulon avec le bon couple. Ces images, il faut les commander, les filmer, et les annoter image par image.
Jordan: Alors les laboratoires construisent des salles de sport pour robots. Des travailleurs y manipulent des bras robotiques dans des installations dédiées pendant que des caméras captent chaque mouvement. Et des équipements d'enregistrement entrent dans les maisons, les bureaux et les usines pour filmer les gens dans leurs tâches quotidiennes. Le but affiché, c'est de capter comment les humains bougent, touchent et appliquent une force dans les lieux où les robots devront un jour se débrouiller seuls.
Jordan: Prenez NEURA Robotics. L'entreprise qualifie les données réelles de haute qualité de ressource la plus rare de l'IA physique, et elle construit un réseau de salles NEURA avec des partenaires dont deux universités techniques allemandes, avec cinq sites prévus en Europe, aux États-Unis et en Chine d'ici la fin de cette année.
Jordan: Alors, qu'est-ce que ça change vraiment ? Ça change ce que l'économie de l'IA achète. L'an dernier, la ressource la plus rare, c'était le calcul. Les puces, l'énergie, les centres de données. Aujourd'hui, il y a un marché pour la chose la plus ordinaire du monde : des gens qui font leur travail devant une caméra. Le travail lui-même est devenu la matière première.
Jordan: Réfléchissez à ce que ça implique pour les entreprises. Chaque poste filmé est une donnée d'entraînement que quelqu'un d'autre pourrait monétiser. La question pour les employeurs n'est plus seulement de savoir comment l'IA transforme leurs effectifs. C'est de savoir si les gestes quotidiens de leurs équipes deviennent une pièce du modèle de quelqu'un d'autre. L'atelier est devenu un actif dans deux directions, et la plupart des entreprises n'en comptent qu'une.
Jordan: Signal trois. La maison de luxe apprend à une machine à sentir.
Jordan: Cette semaine, Moët Hennessy, la division vins et spiritueux de LVMH, a annoncé une collaboration avec le fabricant de semi-conducteurs Analog Devices et l'université de Californie à Davis. L'objectif, c'est un système d'IA qui lit les signatures chimiques émises par les raisins et le vin, et prédit les risques qualité avant que n'importe quel humain puisse les détecter.
Jordan: Le premier test visait l'arôme de champignon frais, un défaut du vin que les producteurs de Champagne combattent depuis environ deux mille cinq. On ne pouvait le détecter que quand les raisins étaient déjà en train de devenir du vin. Les chercheurs du centre de recherche Robert Jean de Vogüé de Moët Hennessy ont constitué une bibliothèque d'échantillons et entraîné des algorithmes d'apprentissage automatique à reconnaître les motifs chimiques. Le système a identifié des échantillons à risque élevé de développer le défaut bien avant les méthodes traditionnelles.
Jordan: Manuel Reman, qui supervise la recherche et le développement chez Moët Hennessy, dit que ce travail permet de détecter et d'interpréter rapidement le langage chimique des raisins et du vin, pour anticiper les risques qualité avant qu'ils ne deviennent visibles. La même plateforme est maintenant explorée pour les maladies de la vigne, l'analyse des sols, et les défauts liés aux incendies. Un chercheur de l'université de Davis a confié au Wall Street Journal que le problème visé par cette recherche a coûté quatre milliards de dollars à la Californie en vingt vingt.
Jordan: Alors, qu'est-ce que ça change vraiment ? Ça change le sens du savoir-faire. Une maison de luxe dont la valeur repose sur l'héritage et le palais humain instrumente maintenant le vignoble avec des capteurs et de la prédiction. L'idée n'est pas que la machine remplace le vigneron. L'idée, c'est que l'expertise elle-même est en train d'être numérisée : le nez d'un maître devient une signature chimique que l'algorithme peut voir plus tôt.
Jordan: Pour les marques, le mouvement est un modèle à suivre. Les industries du patrimoine découvrent les unes après les autres que leur actif le plus défendable, ce n'est pas l'histoire qu'elles racontent, ce sont les données qu'elles seules possèdent. Moët Hennessy avait la bibliothèque d'échantillons, les vignobles, le centre de recherche. L'IA est nouvelle. L'avantage était déjà dans leurs caves. Les marques qui gagneront la prochaine décennie seront celles qui comprendront que leurs archives ne sont pas de l'histoire. Ce sont des données d'entraînement.
Jordan: Trois répétitions. Les laboratoires répètent le contrecoup. L'industrie robotique répète le mouvement humain. Une maison de luxe répète la numérisation du savoir-faire. Le futur n'arrive plus à l'improviste. On s'entraîne pour l'accueillir. La question, c'est de savoir si vous êtes dans l'exercice.
Jordan: Si ça a filtré votre bruit aujourd'hui, l'édition hebdo va plus loin. THE WEEK IN SIGNAL, chaque dimanche sur Substack. Abonnez-vous gratuitement : https://thenizzar.substack.com/
Curated with AI and presented by an AI voice.
Curation assistée par IA et présentée par une voix IA.
SIGNAL by Nizzar Ben Chekroune, brand strategist and founder of Quantum Branding.