Se préparer à la suite : les laboratoires répètent la catastrophe, la robotique filme les humains, Moët Hennessy apprend à une machine à sentir

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.

Premier signal : la répétition du désastre

Axios a révélé que des 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. L'exercice porte moins sur l'attaque elle-même que sur le lendemain.

Le scénario qui revient sans cesse 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.

La partie la plus inconfortable 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. Comme une hypothèse de travail, et pas comme une figure de style.

Un porte-parole d'OpenAI a confirmé ces exercices. L'entreprise dit mener des exercices de préparation où les équipes discutent et simulent plusieurs scénarios, qui ne sont pas considérés comme inévitables et servent à se préparer à différentes situations. Anthropic a refusé de commenter. Personne n'a contesté le fond du reportage, seulement sa tonalité fataliste.

La deuxième moitié de la répétition

Ce qui distingue cette préparation des plans de crise habituels, c'est sa deuxième moitié. Les laboratoires se préparent à l'incident, et ils se préparent au contrecoup. Selon Axios, la planification comprend déjà des briefings pour des 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.

Je connais ce mécanisme dans d'autres industries. Les grandes régulations naissent rarement d'un débat calme. Elles naissent d'un choc, dans les semaines qui suivent, avec les textes qui étaient prêts dans les tiroirs. Celui qui a préparé le texte avant le choc écrit souvent la loi.

Ce que ça change

La veille, la Maison Blanche disait aux entreprises d'IA que la déclaration des incidents est une obligation de sécurité nationale. Voici l'autre face de la phrase. Les bâtisseurs ont accepté qu'un incident grave soit probable, et ils pré-écrivent la régulation qui suivra.

Pour les marques et les entreprises, la leçon est claire. Le risque IA a quitté le seul terrain 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 », un plan de contingence relève de la diligence la plus simple.

Concrètement, je poserais trois questions à un comité de direction. Quels processus critiques dépendent d'un modèle ou d'un fournisseur d'IA ? Que se passe-t-il si ce fournisseur est coupé une semaine ? Et que dirions-nous publiquement si un de nos agents était impliqué dans un incident ? Les réponses tiennent sur une page. Celui qui n'a pas cette page improvisera le jour venu.

Deuxième signal : la chasse aux données

Le Financial Times, s'appuyant sur des données de PitchBook, rapporte que les entreprises de robotique et d'IA physique ont levé près de 48 milliards de dollars depuis le début de 2026. Le vrai sujet est ce que cet argent pourchasse.

La contrainte

Selon le reportage, la contrainte qui bloque le secteur a quitté le matériel et les modèles. Elle porte sur 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, et ils ont nourri les modèles de langage. Personne n'a jamais mis en ligne une bibliothèque de gens qui chargent un lave-vaisselle, montent un carton dans un escalier ou serrent un boulon avec le bon couple. Ces images, il faut les commander, les filmer et les annoter image par image.

J'insiste sur la raison. Un modèle de langage apprend à prédire le mot suivant. Un robot doit apprendre à prédire la force à appliquer, l'angle du poignet, le moment où l'objet glisse. Ces informations ne se trouvent dans aucun texte. Elles se trouvent dans des corps en mouvement.

Les salles de sport pour robots

Les laboratoires construisent donc des salles d'entraînement. Des travailleurs y manipulent des bras robotiques 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 : capter comment les humains bougent, touchent et appliquent une force dans les lieux où les robots devront un jour se débrouiller seuls.

NEURA Robotics qualifie les données réelles de haute qualité de ressource la plus rare de l'IA physique. L'entreprise 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 l'année.

Ce que ça change

L'économie de l'IA achète autre chose. L'an dernier, la ressource la plus rare était le calcul : les puces, l'énergie, les centres de données. Aujourd'hui, un marché se forme pour la chose la plus ordinaire du monde, des gens qui font leur travail devant une caméra. Le travail lui-même devient une matière première.

Pour les entreprises, les implications sont concrètes. Chaque poste filmé est une donnée d'entraînement que quelqu'un d'autre pourrait monétiser. La question pour les employeurs s'élargit : comment l'IA transforme les effectifs, et aussi si les gestes quotidiens des 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.

Je relie ce signal à celui du 4 octobre sur GPT-Synopsys. Là, les agents apprenaient les outils d'un métier. Ici, les robots apprennent les gestes d'un métier. Dans les deux cas, le savoir-faire d'une entreprise devient un actif qui se négocie. Il faut savoir qui le possède avant de signer un contrat qui autorise à le filmer.

Troisième signal : la maison de luxe apprend à une machine à sentir

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 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.

Le premier test

Il visait l'arôme de champignon frais, un défaut du vin que les producteurs de Champagne combattent depuis environ 2005. On ne pouvait le détecter qu'au moment où les raisins devenaient déjà du vin, donc trop tard pour agir.

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 les échantillons à risque élevé de développer le défaut bien avant les méthodes traditionnelles.

Manuel Reman, qui supervise la recherche et le développement chez Moët Hennessy, explique 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 explorée pour les maladies de la vigne, l'analyse des sols et les défauts liés aux incendies. Ben Montpetit, chercheur à UC Davis, a confié au Wall Street Journal que le problème visé par ces recherches a coûté 4 milliards de dollars à la Californie en 2020.

Ce que ça change

Le sens du savoir-faire change. 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. Le vigneron reste. Son expertise, elle, est en train d'être numérisée : le nez d'un maître devient une signature chimique que l'algorithme voit plus tôt.

Je trouve ce cas exemplaire pour une raison précise. Moët Hennessy n'a pas acheté un avantage. Elle l'avait déjà. Elle avait la bibliothèque d'échantillons, les vignobles, le centre de recherche, des décennies de mesures. L'IA est nouvelle. L'avantage dormait dans les caves.

La leçon pour les marques

Les industries du patrimoine découvrent les unes après les autres que leur actif le plus défendable est double : l'histoire qu'elles racontent, et les données qu'elles seules possèdent. La seconde devient décisive. Un concurrent peut imiter un récit. Il ne peut pas reconstituer trente ans de mesures.

Les marques qui gagneront la prochaine décennie comprendront que leurs archives ont une deuxième vie. Elles cessent d'être seulement de l'histoire. Elles deviennent des données d'entraînement. Je recommanderais à toute maison qui a de l'ancienneté de faire l'inventaire de ce qu'elle a mesuré, conservé, noté, même dans des carnets. C'est souvent là que se trouve sa prochaine avance.

Le fil de la journée

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 est de savoir si vous êtes dans l'exercice.

Le bruit filtré. Le signal gardé.