Un robot Sharpa valorisé 22 milliards € : la main agile devient la mine d’or de l’intelligence incarnée

Dans le DQ de la rue Wujiang à Shanghai, un robot exécute une tâche qui paraît « stupide » à première vue.

Il sort un cône du stérilisateur, prend un gobelet, le place sous la machine à glace, ajoute des miettes d’Oreo, mélange, nettoie le rebord, puis retourne le gobelet pour vérifier le fameux « retourné sans débordement ». Cinquante‑cinq étapes, entièrement autonomes, pendant que le employé ne lève même pas un doigt.

Un employé réalise une glace en 2‑3 minutes. Le robot en faut 6 minutes – deux fois plus lent. Pourtant personne ne le presse.

Parce que DQ et Sharpa, la société derrière le robot, ne cherchent pas la vitesse. Ils veulent des données.

Je révélerai à la fin trois façons concrètes pour un particulier de tirer profit de cette dynamique.

Ce n’est pas un écrasement, c’est un entraînement de haut niveau

La première réaction à cette annonce : « Une valorisation de cent milliards pour faire de la glace ? Surdimensionné ».

Qui dit cela n’a pas saisi la logique de l’embodiment.

Les robots qu’on voit dans les restaurants se contentent de porter des plateaux ou de livrer des assiettes : ce sont essentiellement des chariots sur roues, dépourvus de vraie dextérité. Leur valeur technique tend vers zéro, leur fossé concurrentiel est inexistant.

Sharpa, au contraire, s’installe en cuisine, utilise les mêmes ustensiles, les mêmes ingrédients, les mêmes normes mondiales, et mène le processus de A à Z.

Son fondateur, Li Yifan, a lancé : « Si un robot à dizaines de degrés de liberté, avec vision et contrôle de force, ne fait que ce qu’un bras mécanique ordinaire peut faire – servir un café – son coût ne sera jamais justifié. »

Le point clé : le robot ne doit pas attendre que l’environnement s’adapte à lui, il ne doit pas laisser à l’humain la dernière correction. Sinon on ne crée pas de productivité, on lui trouve juste un petit boulot.

C’est pourquoi le scénario DQ est difficile : cinquante‑cinq étapes étroitement enchaînées. Le gobelet se déforme, la glace varie de dureté avec la température, les trois ajouts apparaissent presque identiques à la caméra – une petite erreur et tout foire.

Et c’est précisément ces erreurs que Sharpa recherche.

Le véritable rempart n’est pas la puce, c’est les « coudées » de données

Quel est le plus gros obstacle de l’intelligence incarnée ?

Ce n’est pas de regarder une vidéo et d’en copier la trajectoire. Montrer à GPT cent fois une séquence de fabrication de glace ne lui apprendra jamais quelle force appliquer pour saisir le gobelet sans l’écraser. La vidéo manque du toucher, du retour de force, de la logique de correction après une erreur.

Quand tu observes un humain faire le geste une fois, tu sais seulement à quelle hauteur il lève la main. Tu ne sais pas la pression nécessaire pour ne pas écraser le gobelet, tu ne sais pas si le débordement vient d’un mauvais alignement du distributeur ou d’une vitesse de mélange trop élevée, tu ne sais pas comment un angle de raclage décalé de deux degrés change le résultat.

Ces informations ne sont recueillies qu’en faisant trébucher le robot dans le monde réel, en récoltant les données d’échec, en les réinjectant dans le modèle. Chaque « coudée » affinée permet au scénario suivant d’éviter les mêmes pièges.

Sharpa a rodé ce flux DQ pendant moins de cinq mois ; le taux de réussite en laboratoire est déjà élevé. Mais ce chiffre ne compte pas. Le vrai test se joue en boutique : affluence de pointe, variations de température de l’appareil, lots d’ingrédients différents.

Aujourd’hui, à DQ, le robot travaille la préhension, la prise, le mélange, le versement. Demain, ces mêmes compétences seront transférables à la gestion de stock en supérette, au service en chambre d’hôtel, voire aux tâches ménagères domestiques. Si chaque nouveau contexte nécessitait de repartir de zéro avec cent mille heures d’entraînement, le projet serait une impasse commerciale.

C’est là la vraie ambition de Sharpa : utiliser une seule boutique DQ comme générateur d’un jeu de données de dextérité transférable, la base de données qui rendra l’intelligence incarnée rentable.

Valorisation 22 milliards €, dépassant même la maison mère

Sharpa n’existe que depuis fin 2024 – moins de deux ans. Elle vient de clôturer un tour de table dépassant 4,5 milliards ¥ (≈ 5,8 milliards €), portant sa valorisation post‑money à 22 milliards ¥ (≈ 28 milliards €).

Plus intéressant encore, ses trois cofondateurs sont l’équipe fondatrice d’origine de Hesai Technology, le leader mondial du lidar. Hesai elle‑même vaut aujourd’hui plusieurs milliards de dollars.

Pourquoi Hesai n’a‑t‑elle pas intégré ce projet en interne, préférant le faire éclore en structure indépendante ?

C’est un mouvement classique d’industrialisation.

1. Différence de logique de valorisation – Le lidar relève de la fabrication établie : on juge le volume, la marge, le coût. Les robots humanoïdes sont en phase de croissance technologique : on mise sur les barrières techniques, l’accumulation de données, l’imagination des applications. Une levée de fonds séparée donne un plafond de valorisation bien plus élevé.
2. Incitation souple – Une société autonome peut redéfinir son capital social sans diluer les actionnaires d’Hesai, tout en offrant au noyau fondateur des droits et une liberté d’action différents.

Les investisseurs de ce tour – Alibaba, Meituan, JD Capital, ainsi que Sequoia et Hillhouse – misent tous sur la même hypothèse : Sharpa pourra reproduire le chemin gagnant d’Hesai dans le lidar, mais cette fois appliqué aux robots humanoïdes.

Premier pas : maîtriser le composant clé (ici la main agile). Deuxième pas : exploiter les données de scène pour boucler l’algorithme. Troisième pas : construire une offre full‑stack qui transforme la dextérité en revenu récurrent.

Trois portes d’entrée pour gagner de l’argent aujourd’hui

1. Louez vos données de préhension – Si vous avez accès à un bras robotique ou à une main agile, enregistrez les variantes d’échec (glace trop molle, gobelet qui glisse, etc.) et vendez ces jeux de données à des start‑ups de robotique via des plateformes comme AWS Data Exchange ou Kaggle Enterprises. Un lot de 10 000 séquences annotées se négocie autour de 2 000 €.
2. Développez des micro‑services de correction – Créez des API qui, donné un signal de force ou de vision, renvoient la commande de réglage optimal (angle de raclage, vitesse de mélange). Hébergez‑les sur RapidAPI ; facturez 0,10 € par appel. Avec 1 million d’appels/mois, vous atteignez 100 000 € de revenu récurrent.
3. Formez des opérateurs de « robot‑coach » – Proposez des ateliers courts (4 h) où vous enseignez à des techniciens comment superviser et ajuster un robot de type Sharpa en magasin DQ ou dans un supermarché Carrefour. Tarif : 350 € par participant, groupe de 10 personnes → 3 500 € par session.

Ces trois leviers transforment la donnée d’erreur en actif monétisable, exactement comme Sharpa a transformé une simple glace en une valorisation de plusieurs dizaines de milliards d’euros.

Passez à l’action : récupérez vos premières séquences d’échec, créez votre API, et commencez à facturer. Le marché de la dextérité robotique ne demande qu’à être alimenté.

Keywords: robot-humanoide, main-agile, intelligence-incarnée, investissement-industriel, hardtech