40 millions de dollars pour réinventer l'apprentissage des robots
Le 27 octobre 2026, Machenta est sortie de l'anonymat avec une annonce qui a surpris l'écosystème : un tour de table de 40 millions de dollars en phase d'amorçage, co-dirigé par Creandum et Union Square Ventures (USV). Imperial College London décrit ce financement comme le plus grand tour d'amorçage jamais levé par une startup de robotique au Royaume-Uni. La société n'a pourtant que onze employés, installés dans un bureau de King's Cross à Londres.
Ce chiffre tranche brutalement avec les standards habituels du secteur. À titre de comparaison, Skild AI, concurrent direct sur le créneau des modèles fondamentaux pour robots, a été valorisé à plus de 14 milliards de dollars après une levée de 1,4 milliard de dollars en janvier 2026 menée par SoftBank. Machenta n'en est pas là : elle se définit elle-même comme une société encore en phase de recherche, sans plan de commercialisation à court terme. Mais l'ampleur du tour signale clairement que ses investisseurs croient à une rupture technologique, pas à une amélioration marginale.
Les fonds seront utilisés pour scaler le modèle fondamental, augmenter la puissance de calcul disponible et générer davantage de données simulées, ainsi que pour agrandir l'équipe.
Le vrai problème de la robotique : la donnée physique ne se scrap pas
Pour comprendre ce que Machenta tente de résoudre, il faut d'abord mesurer à quel point le problème de la donnée est central dans la robotique actuelle. Avec les grands modèles de langage, les données existaient avant que quiconque n'invente un usage pour l'intelligence artificielle : des décennies de textes, de livres, de pages web. Dans la robotique, c'est l'inverse. Les données n'existent que si des robots sont déjà déployés dans le monde réel pour les collecter, ce qui crée un cercle vicieux : pour former un robot, il faut des données ; pour avoir des données, il faut des robots déjà opérationnels.
La méthode dominante aujourd'hui consiste à accumuler des centaines, voire des milliers de démonstrations humaines d'une tâche donnée, à entraîner un modèle sur ces données, puis à l'appliquer au robot. C'est coûteux, lent, et non généralisable à l'infini. L'index de l'intelligence artificielle de Stanford, édition 2026, identifie la donnée comme la contrainte principale pesant sur le développement de l'intelligence physique. Nvidia avait formulé le même constat à son événement GTC 2026, pointant les données de démonstration comme le véritable goulot d'étranglement du secteur.
C'est précisément ce mur que Machenta prétend contourner, avec une approche radicalement différente. Le sujet n'est pas sans lien avec la dynamique plus large que l'on observe sur le financement des startups d'automatisation du back-office : dans tous les secteurs, la vraie bataille se joue sur la qualité et la disponibilité des données d'entraînement.
La thèse de Machenta : un modèle entraîné uniquement en simulation
Machenta a été fondée fin 2025 par Edward Johns, professeur d'apprentissage robotique à Imperial College London, et son ancien doctorant Vitalis Vosylius. Le travail académique derrière la startup a débuté il y a six ans, autour d'une question simple : un robot peut-il un jour apprendre de nouvelles compétences physiques aussi vite qu'un être humain ?
La réponse que propose Machenta repose sur un modèle fondamental entraîné exclusivement sur des données synthétiques générées en simulation, sans aucune donnée du monde réel. Une fois ce modèle pré-entraîné, il suffit de lui montrer une tâche une seule fois pour qu'il soit capable de la reproduire immédiatement, y compris face à des variations imprévues de cette même tâche. Pas de nouvelles sessions d'entraînement, pas de nouvelles démonstrations humaines à collecter.
L'approche s'inspire de la façon dont les humains apprennent réellement : pour beaucoup de tâches, une seule observation suffit à comprendre ce qu'il faut faire. Cette capacité à généraliser rapidement à partir d'un exemple unique est précisément ce qui manque aux systèmes robotiques actuels, qui tendent à apprendre des comportements très étroits, difficilement transférables à de nouvelles situations.
La société reconnaît elle-même des limites : les mouvements fins et très précis restent difficiles à maîtriser pour le modèle, et ses capacités n'ont pas encore été démontrées hors du laboratoire à grande échelle.
Le vibe coding physique : une métaphore qui dit tout
Pour décrire leur vision, les fondateurs et leurs investisseurs ont popularisé l'expression « vibe coding physique ». L'analogie est parlante : le vibe coding désigne la pratique qui consiste à générer du logiciel en décrivant simplement en langage naturel ce qu'on veut obtenir, sans écrire une ligne de code soi-même. Ce que Machenta ambitionne d'apporter à la robotique, c'est le même renversement de paradigme : on décrit ou on montre ce qu'on veut que le robot fasse, et il le fait. La contrainte n'est plus la capacité technique ou la quantité de données disponibles, elle devient l'imagination de celui qui programme la tâche.
Cette formulation est directement empruntée à Rebecca Kaden, associée directrice chez Union Square Ventures, qui a co-dirigé le tour. USV venait d'annoncer début octobre 2026 la levée de 900 millions de dollars en nouveaux fonds, dont 500 millions dédiés à l'amorçage et 400 millions à un fonds d'opportunités pour des investissements plus tardifs. La robotique et l'intelligence physique figurent explicitement parmi les quatre axes stratégiques retenus par la firme pour déployer ce capital.
On voit ici se dessiner une logique d'investissement thématique cohérente, pas un pari isolé : USV construit une thèse autour des données « à la périphérie », celles qui étaient jusqu'ici inaccessibles faute d'outils pour les collecter et les traiter. Le monde physique en est, selon la firme, le dernier grand territoire inexploité. Cette logique n'est pas sans rappeler les dynamiques que l'on observe dans les modèles économiques des agents IA appliqués à la finance : dans les deux cas, la valeur ne réside pas dans l'accès au modèle, mais dans la qualité de la donnée sur laquelle il s'appuie.
L'analyse Findfi : 3,6 millions de dollars par employé, un pari sur la recherche pure
Machenta compte onze employés au moment de la levée. Avec 40 millions de dollars levés, cela représente environ 3,6 millions de dollars par tête, un ratio qui place ce tour parmi les financements d'amorçage les plus concentrés du secteur technologique européen. À titre de comparaison, Ravical, plateforme belge d'automatisation comptable par l'intelligence artificielle, avait levé 17 millions de dollars avec une équipe sensiblement plus étoffée et un produit déjà en phase de déploiement commercial.
Ce ratio n'est pas un signe d'excès : il reflète la nature du projet. Machenta n'a pas encore de clients, pas de revenus, et n'envisage pas de commercialiser à court terme. L'argent ira à la puissance de calcul pour générer des données synthétiques à grande échelle, à l'agrandissement de l'équipe de recherche, et au laboratoire physique de King's Cross. Le financement est donc intégralement un pari sur la recherche fondamentale, à un stade où le modèle n'a pas encore été validé hors contexte académique.
Par ailleurs, des informations non confirmées suggèrent que le tour total inclurait une participation de SK Square, via sa filiale d'investissement TGC Square, ce qui porterait le montant global au-delà des 40 millions de dollars annoncés. Ces chiffres n'ont pas été officiellement confirmés par Machenta.
Concrètement, qu'est-ce que ça change pour une direction financière ou un professionnel de la finance
Dans l'immédiat, probablement rien. Machenta est une société de recherche, sans produit commercialisable à horizon visible. Mais la dynamique qu'elle illustre mérite d'être suivie de près par toute direction financière ou direction des opérations qui réfléchit à l'automatisation de tâches physiques dans ses entrepôts, ses usines ou ses sites logistiques.
Si la thèse de Machenta se valide à l'échelle, le coût d'entrée dans la robotique industrielle pourrait s'effondrer. Aujourd'hui, déployer des robots sur une ligne de production impose des investissements lourds en collecte de données et en formation : des mois de travail, des équipes dédiées, un coût prohibitif pour les entreprises de taille intermédiaire. Un modèle capable d'apprendre d'une seule démonstration changerait radicalement le calcul de retour sur investissement. Ce sont les directions financières qui arbitreront ces décisions d'investissement, et les analystes qui devront en modéliser les impacts sur les bilans.
Plus généralement, le secteur de l'intelligence physique attire aujourd'hui des montants de financement qui rivalisent avec ceux de l'intelligence artificielle logicielle. La question de la valorisation de ces actifs, de leur durée d'amortissement, et de leur intégration dans les états financiers des groupes industriels qui les adopteront, va devenir un vrai sujet de fond pour les fonctions finance dans les prochaines années. Pour aller plus loin sur les outils d'analyse financière et de planification qui s'appuient déjà sur l'intelligence artificielle, on peut consulter notre test complet de Pigment, qui illustre comment ces logiciels transforment déjà les directions financières. La catégorie Financement et M&A de Findfi documente par ailleurs les levées de fonds les plus significatives dans ce segment.
Ce qu'il faut retenir
Machenta a levé 40 millions de dollars en amorçage, le plus gros tour jamais réalisé par une startup de robotique au Royaume-Uni, avec seulement onze employés et aucun produit commercial. Le ratio de financement par employé, environ 3,6 millions de dollars par tête, témoigne d'un pari d'investisseur sur la recherche pure, pas sur un modèle économique déjà établi.
L'enjeu technique est réel et documenté : la donnée physique est aujourd'hui le principal goulot d'étranglement de la robotique, identifié comme tel par Stanford dans son index 2026 de l'intelligence artificielle et par Nvidia lors de son événement GTC 2026. Machenta propose de le contourner en formant ses modèles uniquement sur des données synthétiques, ce qui permettrait à un robot d'apprendre une nouvelle tâche à partir d'une seule démonstration.
Union Square Ventures, co-investisseur du tour, s'inscrit dans une thèse thématique large : la firme a levé 900 millions de dollars en octobre 2026 en plaçant explicitement l'intelligence physique parmi ses axes prioritaires. Ce n'est donc pas un investissement isolé, c'est le signal d'une conviction de fonds sur le prochain grand marché de données.
Le vrai test reste à venir : Machenta n'a pas encore démontré ses capacités à grande échelle hors du laboratoire, et ses concurrents sur le créneau des modèles fondamentaux pour robots disposent de ressources sans commune mesure. Mais si la thèse tient, le coût d'entrée dans la robotique industrielle pourrait changer d'ordre de grandeur, avec des implications directes sur les décisions d'investissement des grandes entreprises.