World Models : Les Startups Qui Restent Silencieuses

Et si les projets les plus financés de l’intelligence artificielle n’avaient presque rien à montrer publiquement ? C’est le paradoxe qui s’installe autour des world models. Deux noms reviennent sans cesse : AMI Labs, associé à Yann LeCun, et World Labs, porté par Fei-Fei Li. Beaucoup de rumeurs, beaucoup d’argent, très peu de produits. Le silence n’est pas un accident. Il ressemble à une stratégie.

Pourquoi Ces Laboratoires Avancent Dans L’ombre

Lors d’une récente conférence, un journaliste a tenté d’obtenir des détails concrets sur la commercialisation. La réponse de Michael Rabbat, cofondateur d’AMI Labs et responsable des world models, tient en une phrase : on en parlera quand on sera prêts. Par courrier, le même message : la société est encore en phase de recherche et de construction. Aucun calendrier produit. Aucune feuille de route publique.

On pourrait croire à de la timidité. Ce n’est pas le cas. Dans un marché où l’argent arrive vite, révéler trop tôt la cible commerciale revient à allumer un projecteur pour tous les concurrents. OpenAI, Anthropic, les néolabs et les autres acteurs du spatial computing n’attendent qu’un signal clair pour se précipiter.

Une idée trop vaste pour être affichée trop tôt

Un world model, dans sa version la plus simple, est une carte navigable du réel. C’est déjà ce qui aide une voiture autonome à anticiper un carrefour. Mais la même logique peut servir un robot humanoïde qui porte des cartons, un studio qui transforme quelques minutes de vidéo en décor explorable, ou un logiciel médical capable de raisonner dans l’espace d’un organe.

Cette versatilité est une force. Elle est aussi un piège communicationnel. Annoncer trop précisément « nous faisons de la robotique » ou « nous faisons du rendu Hollywood » revient à dessiner la carte du trésor pour tout le monde. Tant que le chemin vers le marché n’est pas verrouillé, le flou protège.

World Labs et Marble : le produit le plus visible… sans être un produit

World Labs dispose d’un démonstrateur plus abouti que la moyenne : Marble. Les extraits montrent des environnements explorables, des décors pour le jeu vidéo, des effets de type CGI. On y sent aussi des pistes robotiques. Pourtant, l’ensemble a davantage l’allure d’une vitrine de capacités que d’une offre figée pour un client précis.

C’est là que le récit devient intéressant pour qui observe les startups. Un outil peut impressionner sans révéler le vrai modèle économique. On montre que l’espace peut être simulé. On ne dit pas qui paiera, ni à quel rythme, ni contre quelle alternative.

Même les fournisseurs restent dans le brouillard

Alex de Vigan, dirigeant de Physicl, fournit des données à cet écosystème naissant. Il sait que ses jeux de données sont utiles. Il ignore encore à quoi, exactement. Son regret est pragmatique : mieux connaître les usages permettrait de produire des corpus plus pertinents. Le secret remonte donc toute la chaîne, des laboratoires jusqu’aux partenaires data.

Ce détail compte. Quand une industrie entière construit dans le silence, les frictions s’accumulent. Les datasets deviennent génériques. Les intégrateurs devinent. Les investisseurs financent une direction plus qu’un produit. Cela peut durer aussi longtemps que les tours de table restent faciles.

Le financement facile change la stratégie de communication

Historiquement, une jeune pousse devait raconter une histoire nette pour lever de l’argent : un client, un prix, un délai. Ici, la logique s’inverse. Plus la thèse est large — intelligence spatiale, simulation du monde, automatisation physique — plus elle séduit. Se spécialiser trop tôt réduirait l’optionnalité. Or l’optionnalité vaut cher tant que le capital est abondant.

AMI Labs, encore très jeune, a déjà évoqué des terrains aussi différents que la fabrication, la biomédecine, la robotique et même des outils pour médecins via un partenariat avec Nabla. Personne n’imagine que tout sera poursuivi. Mais personne ne sait non plus lesquels de ces fils seront coupés.

• Robotique et manipulation d’objets dans des entrepôts.
• Environnements interactifs pour le jeu et le cinéma.
• Aide à la conduite et systèmes autonomes plus riches.
• Simulation médicale et raisonnement dans l’espace du corps.
• Logiciels industriels capables d’anticiper des chaînes physiques.

Chacun de ces débouchés pourrait justifier une entreprise à part entière. Les garder tous ouverts, le temps de tester, est rationnel. Le dire à voix haute l’est moins.

Le scénario de la forêt sombre

Les lecteurs de Cixin Liu reconnaîtront le schéma. Dans une forêt où l’on ignore qui se cache derrière les arbres, faire du bruit attire les prédateurs. Annoncer un « OpenClaw humanoïde » ou un moteur de rendu nouvelle génération déclencherait immédiatement l’intérêt des autres laboratoires de world models, puis des géants du langage, puis des fonds spécialisés.

Le même argent qui permet de construire à l’abri finance aussi les rivaux potentiels. D’où cette discipline presque militaire : retarder le moment où le chemin vers le marché devient lisible. Le secret n’est pas seulement culturel. Il est compétitif.

Ce que recouvre vraiment l’intelligence spatiale

Derrière le mot à la mode, il y a une rupture par rapport aux modèles de texte. Un grand modèle linguistique prédit des mots. Un world model doit tenir une cohérence d’espace, de temps et de physique approximative. Si une porte s’ouvre, le couloir derrière existe encore. Si un bras pousse une caisse, la caisse glisse. Cette contrainte change tout : données, architectures, évaluation, coûts.

Les équipes qui travaillent sur le sujet ne vendent pas seulement une meilleure génération d’images. Elles cherchent une représentation interne du monde assez stable pour planifier une action. C’est la différence entre « décrire une cuisine » et « traverser la cuisine sans renverser le verre ».

Cette exigence explique aussi la discrétion. Les métriques publiques habituelles — benchmarks de chat, scores de code — collent mal. Montrer trop tôt un prototype, c’est s’exposer à des comparaisons injustes ou à des copies rapides de l’interface, alors que le dur du travail se trouve dans la simulation et dans les données.

Robotique, vidéo interactive, conduite : trois portes, une seule clé

La robotique a besoin de modèles capables d’imaginer les conséquences d’un geste avant de le faire. La vidéo interactive a besoin de scènes que l’utilisateur peut explorer sans que le décor s’effondre. La conduite autonome a besoin d’anticiper des trajectoires dans un monde encombré. Trois marchés, une même famille de représentations.

C’est précisément pour cela que les fondateurs refusent de choisir en public. Choisir trop tôt, c’est abandonner des options qui vaudront peut-être davantage dans dix-huit mois. Ne jamais choisir, c’est risquer de devenir une plateforme sans client. Entre les deux, le silence sert de tampon.

Yann LeCun, Fei-Fei Li : deux légitimités, une même prudence

Le poids des fondateurs n’est pas anodin. Yann LeCun a longtemps défendu l’idée que l’intelligence artificielle devait s’ancrer dans le monde, pas seulement dans le langage. Fei-Fei Li a bâti une partie de sa réputation sur la vision et la compréhension de scènes. Leurs laboratoires héritent donc d’une aura scientifique qui facilite la levée de fonds… et rend le secret plus tenable.

Quand la caution intellectuelle est forte, les investisseurs acceptent plus longtemps l’absence de slide produit. Ils achètent une thèse : l’espace est le prochain grand terrain de l’IA. Tant que cette thèse n’est pas démentie par un échec visible, le silence tient.

Ce que le secret fait aux équipes, aux clients et au marché

En interne, le flou peut motiver. On construit « le modèle du monde », pas un outil de plus. En externe, il fatigue. Les partenaires data, les intégrateurs robotiques, les studios, les constructeurs automobiles ont besoin de spécifications. Sans elles, ils hésitent à engager des budgets lourds.

Le marché, lui, se remplit de rumeurs. Chaque démo devient un oracle. Chaque recrutement est interprété. Chaque partenariat médical ou industriel est lu comme un aveu. Cette lecture à chaud crée du bruit, mais rarement de la clarté.

À terme, deux issues sont possibles. Soit un acteur sort un produit assez fort pour forcer les autres à se déclarer. Soit le secteur reste longtemps dans une phase de recherche financée, avec des démonstrateurs et peu de revenus. L’histoire récente de l’IA générative suggère que la première issue arrive plus vite qu’on ne le croit, dès qu’une interface simple rencontre un usage quotidien.

Comment lire les signaux sans se laisser hypnotiser par le mystère

Observer les world models aujourd’hui demande de regarder ailleurs que les communiqués. Les recrutements en simulation physique, en robotique, en rendu temps réel et en collecte de données 3D en disent plus que les interviews. Les fournisseurs comme Physicl, même s’ils sont tenus à l’écart du « pourquoi », révèlent le « avec quoi ».

Il faut aussi distinguer démonstration et industrialisation. Un environnement joli à explorer n’est pas encore un pipeline de production pour un studio. Un robot qui réussit une tâche filmée n’est pas encore un système déployable dans un entrepôt. Le secret actuel mélange souvent les deux, volontairement.

• Suivre la nature des données achetées plutôt que les slogans.
• Séparer les démos média des contraintes robotiques.
• Noter les partenariats sectoriels, même vagues.
• Comparer le discours public et l’âge réel de la société.
• Rester prudent face aux promesses d’usage universel.

Ce que cela dit de la prochaine vague d’intelligence artificielle

Après le texte et l’image, l’espace apparaît comme le terrain où l’IA redevient incarnée. Pas seulement pour parler du monde, mais pour y agir. Cette bascule explique l’excitation des fonds. Elle explique aussi la nervosité des laboratoires. Celui qui montrera le premier un système réellement utile dans le physique — un robot fiable, un outil de création réellement adopté, une stack d’autonomie plus riche — forcera tout le secteur à sortir du bois.

Jusque-là, le mutisme restera la règle. Pas par snobisme. Par calcul. Dans une course où révéler la cible, c’est la partager, les world models se construisent comme on prépare une offensive : hors champ, avec des cartes incomplètes, et l’espoir d’être prêt avant que les autres ne comprennent où viser.

Le public, lui, n’a pour l’instant que des fragments. Une phrase de Rabbat. Une vitrine Marble. Un fournisseur qui aimerait en savoir plus. De ces fragments, on peut déjà tirer une leçon simple : dans l’IA de 2026, le produit n’est plus toujours l’objet du discours. Parfois, le discours sert surtout à ne pas trop en dire.

Quand ces entreprises jugeront le moment venu, le récit changera d’un coup. On passera du mystère à la bataille commerciale. Robotique contre média, simulation contre langage, laboratoires spécialisés contre plateformes généralistes. Ce jour-là, on se souviendra que le silence n’était pas un vide. C’était déjà une stratégie de marché.

En attendant, AMI Labs et World Labs continuent d’avancer derrière la vitre dépolie. Les world models promettent d’automatiser une forme d’intelligence spatiale. Ils promettent aussi, par leur mutisme même, une leçon de stratégie startup : parfois, la meilleure manière de protéger une avancée n’est pas de la raconter mieux. C’est de ne pas encore la raconter.