Quatre des six robots d’Agibot réussissent un essai de 24 heures dans une supérette de Shanghai

Six robots, 1 730 tâches et deux missions inachevées

Six robots humanoïdes G2 d’Agibot ont accompli, selon l’entreprise, 1 730 tâches lors d’un essai de 24 heures dans une supérette en activité du district de Xuhui, à Shanghai. Quatre ont réussi leur évaluation et deux ont été écartés pour procéder à des ajustements supplémentaires. L’exercice s’est déroulé du 2 novembre 2026 à 10 heures au 3 novembre à 10 heures, couvrant le déjeuner, les achats du soir, le service de nuit et celui du petit-déjeuner.

Agibot a indiqué que les machines avaient effectué 683 accueils ou interactions avec des clients, 369 tâches de retrait et de livraison de marchandises, préparé 147 cafés et assuré 126 services de plats chauds ou de petit-déjeuner. Elles ont également réalisé 277 inspections et réapprovisionnements de rayons, ainsi que 128 nettoyages de tables. La diffusion en direct a attiré plus de 2 millions de spectateurs.

Les deux robots recalés ont révélé des problèmes différents. Un robot chargé d’inspecter et de réapprovisionner les rayons n’a pas pris suffisamment d’initiatives pour suivre le rythme du magasin. Un robot de nettoyage, confronté à une poubelle pleine pendant son service de nuit, a quitté son parcours prévu et est sorti à la recherche d’un endroit où jeter les déchets.

Baptisé en anglais Robots Never Clock Out, l’événement a mis les machines au contact des clients et des employés du magasin, plutôt que dans un espace de démonstration vide. Ses enseignements les plus utiles ont porté sur les interruptions ordinaires qui compliquent le travail dans le commerce de détail : un obstacle imprévu, un produit déplacé ou une tâche qui ne peut pas être achevée comme prévu.

Agibot a présenté le résultat comme une évaluation probatoire du personnel. Quatre robots ont été jugés aptes à leurs fonctions ; les deux autres doivent encore progresser. Pour les commerçants, la question pratique est de savoir si les machines peuvent livrer les bonnes commandes, respecter des limites de sécurité et se remettre d’aplomb lorsque le magasin ne se comporte pas comme prévu.

Qui a réussi et qui doit repasser l’évaluation ?

Ahao, chargé d’accueillir les clients et de répondre à leurs questions, a obtenu la meilleure note en matière de service client. Il pouvait prendre l’initiative de saluer les clients au lieu d’attendre qu’ils viennent à lui. Huobao, responsable de la collecte et de la livraison des marchandises, a répondu rapidement aux commandes et poursuivi son travail à mesure que la demande augmentait et que des clients annulaient leurs demandes.

Kashao, le robot barista, a suivi un processus de préparation méthodique. Son Americano chaud a reçu des avis favorables de la part des clients. Dingjiang, affecté au service des plats chauds et aux tâches de caisse, a travaillé régulièrement et satisfait aux critères d’évaluation.

Juanwang, chargé d’inspecter les rayons et de réapprovisionner les stocks, a été recalé car il manquait d’initiative et peinait à suivre le rythme du magasin. Lengjie, le robot de nettoyage, doit fonctionner selon des règles révisées après avoir quitté le magasin lorsque la poubelle était pleine.

Ces résultats correspondent à deux chantiers d’ingénierie distincts. Juanwang doit savoir reconnaître quand commencer une tâche sans attendre une nouvelle instruction. Lengjie a besoin de consignes claires lorsque sa mission atteint la limite de sa zone de travail autorisée : par exemple, s’arrêter et demander de l’aide.

Quatre périodes mettent les machines à l’épreuve

L’évaluation a couvert un cycle commercial complet, au lieu de répéter une même tâche dans des conditions identiques. Le déroulement a soumis les robots et le système qui les coordonnait à des exigences variables :

• 2 novembre, 10 heures : les six robots ont commencé leur travail dans le magasin en activité.
• Période du déjeuner : les commandes de nourriture et de boissons ont mis à l’épreuve la préparation et la livraison pendant un service chargé.
• En soirée : l’intensification de l’activité a éprouvé la gestion des commandes et la coordination dans des espaces partagés.
• Pendant la nuit : une activité commerciale plus calme a permis de tester la continuité du service, le nettoyage et la gestion des imprévus.
• Le 3 novembre, au petit-déjeuner : le service du matin a mis à l’épreuve un nouveau changement de rythme avant la fin de l’exercice, à 10 heures.

Des participants invités ont également soumis les machines à des défis délibérés. Ils leur ont demandé de distinguer un cola classique d’un cola sans sucre dans des emballages similaires, ont déplacé des marchandises, se sont tenus dans les allées et ont secoué un récipient de nourriture chaude pour rendre son contenu plus difficile à saisir.

Agibot a évalué l’assiduité, le travail accompli lors des quatre périodes et la satisfaction des clients. Ren Guanghui, vice-président du centre de recherche en intelligence incarnée d’Agibot, a déclaré que l’équipe avait également suivi le taux de réussite des tâches, le taux de réussite au premier essai, les temps de réponse et d’exécution, la conformité des résultats, la fréquence des interventions humaines, le temps de récupération et la disponibilité du système.

Pourquoi saisir un aliment peut être plus difficile que le trouver

Une boisson emballée et un aliment mou ne se manipulent pas de la même façon. Un robot peut identifier le bon produit et pourtant échouer au moment de le saisir : les emballages souples se déforment, les surfaces glissantes bougent et les aliments fragiles se brisent si la pression est trop forte.

Ren a décrit la manipulation d’une part de gâteau doré avec une pince comme un enchaînement de gestes précis. Le robot doit saisir l’ustensile, contrôler son ouverture, choisir où toucher l’aliment et exercer une pression suffisante pour le soulever sans l’écraser. Il doit ensuite l’aligner avec un sac, y déposer l’aliment, retirer la pince et changer sa prise pour soulever le sac.

Une petite erreur en fin de processus peut gâcher tout ce qui a été bien fait auparavant. Accrocher des confiseries emballées à un crochet de rayon pose un problème similaire : la machine doit aligner une petite ouverture sans accrocher l’emballage ni déplacer les produits voisins.

Wang Xingxing, fondateur de Unitree, a lui aussi identifié la précision du contact physique comme un obstacle qui demeure en robotique. Son analyse porte sur l’écart entre la reconnaissance du monde et le contrôle des derniers mouvements nécessaires pour le toucher et le manipuler. Dans un magasin, la réussite de ces derniers gestes détermine si le client reçoit un aliment intact et des produits correctement rangés.

Un magasin partagé exige une organisation commune

Faire travailler six robots dans une petite boutique soulève des problèmes de planification, en plus des difficultés de manipulation. Le réapprovisionnement peut occuper l’espace nécessaire à la collecte d’une commande. Le nettoyage peut bloquer une allée. Un retard à un poste peut en ralentir plusieurs livraisons ultérieures.

Agibot a utilisé son système Genie Master pour coordonner les machines. L’entreprise a indiqué avoir publié ce système le 27 octobre, peu avant l’exercice en magasin. Il relie l’attribution des tâches, les instructions d’exécution et les retours d’expérience au moyen d’un protocole d’exécution incarnée, appelé EEP.

En termes simples, le logiciel de coordination décide quel robot doit effectuer une tâche, vérifie le résultat, puis s’appuie dessus pour déterminer la suite. Il tient également compte de la priorité des commandes, de l’état des robots et de l’espace disponible. Les tâches qui se disputent la même place dans un rayon peuvent être séparées, tandis que celles qui sont compatibles sont menées de front.

Les clients sont un autre élément mobile de l’équation. Les robots devaient ralentir, s’arrêter, s’écarter ou calculer un nouvel itinéraire lorsque des personnes pénétraient dans leur espace de travail. Ren a expliqué que plus l’incertitude augmente, moins les machines doivent agir de manière brusque et que, si nécessaire, elles doivent s’arrêter et demander de l’aide. Attendre en sécurité est donc indispensable à une prestation utile, même si cela réduit la vitesse.

Comment Agibot affirme que les robots tirent les leçons de leurs erreurs

Agibot décrit sa méthode d’apprentissage comme un processus de « Physical RSI », dans lequel l’expérience acquise lors du travail physique alimente les améliorations ultérieures. L’entreprise distingue deux voies : la mémorisation des expériences utiles et le réentraînement des modèles qui commandent les actions.

La première, appelée Harness RSI, enregistre et résume les séquences de tâches réussies ou non. Un robot confronté ultérieurement à un problème similaire peut s’appuyer sur cet historique. La seconde, Policy RSI, utilise des exemples sélectionnés pour entraîner sa politique d’action, le modèle qui guide ses mouvements et la manipulation des objets.

Ren a indiqué que les problèmes de déroulement et de coordination pouvaient être analysés le jour même et évités dès le lendemain. Les modifications apportées aux politiques d’action nécessitent généralement plusieurs jours de développement. Les données de la diffusion en direct seraient sélectionnées, anonymisées et soumises à des contrôles de qualité avant d’être intégrées à l’entraînement. Les changements qui en résultent seraient normalement intégrés aux versions ultérieures du logiciel sous une à deux semaines.

Agibot a également décrit une période de test antérieure durant laquelle le taux de réussite des processus portant notamment sur l’emballage des aliments, la collecte des marchandises et le réapprovisionnement est passé de 28,6 % le premier jour à 85,7 % le cinquième. Il s’agit d’une hausse de 57,1 points de pourcentage, soit environ trois fois le taux initial.

Ces chiffres portent sur la période de test antérieure. L’entreprise n’a pas publié de taux de réussite détaillés équivalents pour chaque fonction pendant l’exercice public de 24 heures.

Ce que le nombre de tâches révèle aux responsables de magasin

Les 1 730 tâches annoncées représentent en moyenne environ 72 activités réalisées par heure pour l’ensemble des six robots. L’accueil des clients et le retrait des marchandises ont totalisé 1 052 tâches, soit environ 61 % du total.

Ces calculs permettent de décrire la charge de travail, mais les activités sont très différentes. Saluer un client et préparer un repas chaud ne demandent ni le même temps, ni la même manipulation physique, ni les mêmes contrôles. Un responsable évaluant le déploiement devrait examiner chaque fonction séparément, en tenant compte des temps d’attente et de la qualité du service rendu.

Les documents de l’événement ne fournissent ni registre des tâches vérifié par un organisme indépendant, ni nombre d’interventions ou taux d’échec, ni comparaison avec la production et le coût du personnel humain. Les intervalles de recharge et le temps de maintenance n’ont pas non plus été précisés. Ces lacunes ne permettent pas de déterminer la durée totale de fonctionnement autonome ni le niveau de soutien assuré par le personnel.

Mesurer le travail utile, pas le temps passé devant la caméra

Agibot a proposé un indicateur de productivité appelé Worken, défini comme le nombre d’heures de travail intelligent effectif. Son calcul combine le nombre de robots actifs, leur durée de travail autonome et un ratio d’efficacité de la production.

Cette approche met l’accent sur les résultats conformes : la quantité de travail acceptable qu’une machine fournit pendant qu’elle fonctionne de manière autonome. Dans un magasin, cela signifie des produits corrects, des commandes complètes et des aliments ou boissons consommables, livrés dans un délai d’attente acceptable.

Lors de la journée de l’innovation de l’entreprise, Yao Maoqing, cofondateur et coprésident d’Agibot, ainsi que président de son groupe d’activités liées à l’intelligence incarnée, a expliqué la différence entre les démonstrations et le travail productif. Voici ses propos :

Les démonstrations évaluent la limite supérieure d’une capacité isolée, tandis que la productivité évalue la limite inférieure du système.

Son propos a une portée concrète pour les opérations commerciales. Une machine qui exécute brillamment une commande facile doit aussi répondre de façon fiable à une commande difficile. Pour calculer le Worken de l’essai de Shanghai, il faudrait disposer de données sur les heures de fonctionnement autonome et l’efficacité de la production, au-delà du simple nombre de tâches publié.

Que faut-il changer avant un déploiement à plus grande échelle ?

Selon Ren, l’aptitude à la commercialisation dépend de la tâche, et non d’un calendrier fixe. Il a défini trois critères pratiques : la mission a-t-elle des limites claires, son résultat est-il facile à vérifier et les exceptions sont-elles assez rares pour que le système puisse s’en remettre seul ?

Il estime que l’organisation courante des rayons, le réapprovisionnement et l’aide au nettoyage pourraient être déployés plus tôt dans des environnements bien organisés. Les missions nécessitant des interactions complexes avec les clients, des vérifications d’identité ou une manipulation moins prévisible demandent une validation plus longue. Même les tâches qui semblent adaptées doivent être soigneusement conçues, comme l’ont montré les robots chargés des rayons et du nettoyage.

Passer d’un magasin à des centaines exigerait des outils standardisés, des connexions aux systèmes de gestion du commerce, une installation plus rapide et une maintenance à distance efficace. Les robots devraient également pouvoir transférer leurs acquis utiles d’un magasin à l’autre, malgré des agencements et des marchandises différents, afin de réduire les nouveaux réglages nécessaires sur chaque site.

Ren a reconnu que les robots accusaient un retard sur les employés expérimentés pour s’adapter aux changements, effectuer rapidement des mouvements précis et gérer les imprévus. Les critères commerciaux qu’il propose sont concrets : réduire les délais de déploiement, limiter les adaptations manuelles et accroître la production utile. L’exercice de Shanghai a fourni des exemples de routines fonctionnelles et de règles à revoir ; le prochain travail d’ingénierie consiste à rendre ces routines fiables d’un service à l’autre et d’un magasin à l’autre.

À retenir

• Six robots G2 d’Agibot ont travaillé pendant 24 heures dans une supérette du district de Xuhui, à Shanghai, les 2 et 3 novembre 2026.
• Agibot a annoncé 1 730 tâches accomplies et plus de 2 millions de spectateurs pour la diffusion en direct.
• Quatre robots ont réussi l’évaluation de leur fonction ; le robot chargé d’inspecter les rayons et celui affecté au nettoyage doivent être ajustés.
• L’un manquait d’initiative, tandis que l’autre a quitté le magasin après avoir trouvé une poubelle pleine.
• Genie Master a coordonné les tâches, le partage de l’espace de travail et les retours des robots.
• Les heures de fonctionnement autonome, le nombre d’interventions, les taux d’échec vérifiés et les comparaisons avec le personnel humain n’ont pas été publiés.