Cette semaine, @AppliedInt lance Dana, une plateforme agentique pour développer des applications d’IA physique. Applied Intuition a commencé par construire les outils dont les ingénieurs avaient besoin pour développer des systèmes autonomes, puis le système d’exploitation qui les sous-tend tous, et enfin s’est penché sur l’intelligence qui tourne sur les machines elles-mêmes. Comme le décrit aujourd’hui Qasar Younis, co-fondateur et PDG, la destination a toujours été bien plus grande que les outils pour les véhicules autonomes. La mission est l’intelligence sur un milliard de machines.
La couche peu à la mode
En 2017, l’industrie de l’autonomie partageait une prédiction collective : une petite poignée d’entreprises verticalement intégrées résoudrait le problème des voitures autonomes, exploiterait les véhicules et capterait l’ensemble du marché. En conséquence, les capitaux ont massivement afflué vers les programmes de robotaxis intégrés. Chaque programme embauchait ses propres ingénieurs, assemblait sa propre flotte et reconstruisait à peu près la même infrastructure de développement interne.
Les ingénieurs qui passaient d’un grand programme d’autonomie à un autre vivaient un rituel amusant. Ils laissaient derrière eux les outils qu’ils avaient utilisés pour développer et tester des systèmes autonomes, arrivaient dans l’entreprise suivante et recommençaient à construire ces mêmes outils. L’industrie avait beaucoup de convictions sur l’autonomie, mais très peu de bonnes pratiques partagées pour la produire.
Applied Intuition a proposé de faire de ces bonnes pratiques une entreprise.
C’était une opinion minoritaire, et ce n’était pas une façon conventionnelle de participer à un marché de plus en plus en vogue. Les grands développeurs d’autonomie de niveau 4 ne pensaient pas avoir besoin d’un fournisseur externe d’outils. Applied Intuition a quand même essayé de leur vendre. Des programmes de conduite autonome renommés comme Cruise ont dit non. C’était peut-être une position compréhensible à l’époque : ils n’allaient pas attendre qu’une start-up comme Applied Intuition construise des outils que leurs propres ingénieurs comptaient déjà développer en interne.
Nombre des grands programmes intégrés de l’époque n’existent plus sous la forme qu’ils avaient alors. Cruise, par exemple, a été acquis par General Motors puis abandonné après un incident de sécurité. Pendant ce temps, Applied Intuition a survécu (et surpassé) la majorité d’entre eux.
Le deck de fondation d’Applied Intuition contenait une diapositive intitulée « Idées auxquelles nous croyons ». L’une de ces idées était que tout constructeur unique de véhicules autonomes resterait une part à un seul chiffre du marché automobile mondial, car la structure de l’industrie automobile tend à se répartir entre de nombreux constructeurs.
Si une seule entreprise verticalement intégrée s’emparait du marché des véhicules, la stratégie rationnelle était d’être (et d’investir dans) cette entreprise. Mais si ce n’était pas un marché où le gagnant rafle tout, alors les autres quatre-vingt-dix pour cent de voitures acquerraient de l’intelligence via l’industrie automobile existante. Ces constructeurs ne pouvaient pas tous reproduire chaque couche de la pile logicielle moderne. Un fournisseur indépendant devrait fournir une infrastructure commune.
Qasar et le CTO et co-fondateur d’Applied Intuition, Peter Ludwig, pariaient sur la diffusion plutôt que sur la concentration. L’avenir autonome n’arriverait pas seulement via de nouveaux entrants remplaçant les acteurs établis, mais aussi parce que les acteurs établis pouvaient devenir des entreprises techniquement différentes. Applied Intuition leur donnerait les moyens de le faire.
Qasar et Peter ont réuni l’expérience de General Motors, Google et Y Combinator avec une profondeur technique et une tolérance inhabituelle pour le travail lent et exigeant de construction de systèmes critiques pour la sécurité. Après que les grandes entreprises de niveau 4 ont initialement refusé de devenir clientes, Applied Intuition a vendu à de plus petites équipes d’autonomie de la Baie de San Francisco, notamment Voyage et sa cohorte. Les produits qu’ils ont développés suivaient les exigences du travail de leurs clients : d’abord un simulateur pour la planification, puis un simulateur pour la perception, et enfin une infrastructure pour gérer les données et exécuter des millions de ces simulations.
Une simulation déterministe qui corrèle avec la réalité physique peut sembler une catégorie de produit sans glamour. En pratique, elle a donné à l’industrie une référence commune pour déterminer si un système autonome fonctionnait, sans avoir à mettre un véhicule sur la route et à tester en production. Un simulateur transforme un événement de la route en un test reproductible, qui peut ensuite être implémenté dans la réalité.
La structure du marché a depuis reflété la diapositive « Idées auxquelles nous croyons » d’Applied, en défaveur de la thèse du constructeur monolithique. Ce n’était vraiment pas évident à l’avance, mais avec le recul, c’est logique. L’automobile n’est pas un pur produit logiciel. C’est un système physique réglementé et à forte intensité capitalistique, vendu via des réseaux de distribution bien établis. Le logiciel peut réorganiser où la valeur se crée et quelles capacités comptent. Mais il ne peut pas, à lui seul, aplanir cette complexité industrielle en un seul constructeur.
Par temps clair, on voit General Motors
Vers 2018 et 2019, General Motors a émis une demande formelle d’outils de développement. Vingt-huit entreprises ont soumissionné, dont NVIDIA et Ansys. Applied Intuition était encore une petite start-up et GM avait des procédures d’achat et une multitude d’options en lice. Les produits d’Applied ont mieux performé par rapport au cahier des charges, et c’est pourquoi leur offre a gagné.
Le contrat GM a transformé un coin de marché parmi les start-ups d’autonomie de la Silicon Valley en une légitimité auprès des constructeurs traditionnels. La recette est devenue reproductible : commencer par des petites entreprises techniquement agressives, puis utiliser le produit et les preuves qui en résultent pour servir les acteurs établis opérant à l’échelle industrielle.
Environ dix-huit mois après sa création, Applied Intuition est entrée dans l’industrie de la défense. L’entreprise a embauché des personnes qui connaissaient le domaine de l’intérieur, puis a appliqué le modèle automobile de simulation, de données, d’intégration et de validation aux systèmes de défense. La construction et l’exploitation minière ont suivi, puis le camionnage commercial.
Une entreprise de logiciels générique entre souvent dans un nouveau secteur en changeant quelques noms dans son deck de vente. Applied est entrée en recrutant des équipes natives de chaque domaine et en reconstruisant le produit autour des contraintes du client, du système d’achat et des cas de sécurité. Pendant ce temps, le produit montait une échelle technique.
La couche inférieure consistait en simulation et infrastructure de données : génération de scénarios, collecte de données machine, reproduction d’événements et évaluation du comportement. Au-dessus venaient les systèmes d’exploitation pour les machines physiques : ordonnancement, intergiciel, gestion de la mémoire, communications et sécurité fonctionnelle. C’étaient des systèmes d’exploitation, responsables de la machine plutôt que d’une collection d’applications affichées dessus. Au-dessus venait l’intelligence elle-même : des modèles du monde et des systèmes de planification déployés sur des machines opérant sur terre, dans les airs et en mer.
En 2024 et 2025, le résultat pouvait être mesuré de l’extérieur. Applied Intuition a levé un tour à une valorisation de 15 milliards de dollars. En 2025, dix-huit des vingt plus grands constructeurs automobiles non chinois étaient clients. Des camions de niveau 4 utilisant la technologie d’Applied Intuition roulaient sans conducteur au Japon. L’entreprise avait des déploiements avec l’armée américaine et un système d’exploitation à bord de navires de guerre américains, ainsi que des travaux de production dans les mines, la construction, l’agriculture et le camionnage. Et, ce qui est une anomalie pour de nombreuses start-ups de la Silicon Valley, Applied Intuition a largement préservé le capital primaire levé auprès des investisseurs (près d’un milliard de dollars) tout en doublant presque son chiffre d’affaires à l’échelle pendant plusieurs années consécutives.
À ce moment-là, le problème initial avait changé. En 2017, l’industrie se demandait quand l’intelligence autonome deviendrait suffisamment capable. Au milieu des années 2020, grâce à la sophistication croissante des modèles de transformeurs, la capacité des modèles arrivait plus vite que les grandes organisations ne pouvaient la déployer.
C’est pourquoi les entreprises d’outils peuvent devenir des entreprises de plateformes. Un outil commence par résoudre une tâche limitée. S’il réussit, il devient l’interface commune par laquelle de nombreuses tâches sont effectuées. Il accumule des intégrations, des cas de test, des flux de travail et une mémoire organisationnelle, et finit par cesser d’être un accessoire du système de production pour devenir l’environnement dans lequel la production a lieu.
Le navigateur web offre une analogie historique. Il n’a pas « créé » l’internet sous-jacent, mais il a rendu le net utilisable par la grande majorité des gens qui n’étaient pas des passionnés techniques, et des milliers de milliards de dollars d’activité économique se sont déplacés vers ce que cet accès leur permettait de construire et de faire. La progression d’Applied Intuition, du simulateur à l’infrastructure de données en passant par le système d’exploitation, a suivi le travail que ses clients effectuaient déjà. À mesure que davantage de ce travail entrait dans les produits d’Applied, le logiciel est devenu une partie intégrante de la façon dont ces entreprises construisaient des machines, plutôt qu’un outil utilisé pour une seule étape du développement.
Dana
Aujourd’hui, Applied Intuition lance Dana.
Pendant neuf ans, Applied Intuition a construit la technologie utilisée pour développer des machines intelligentes. Dana met une interface agentique sur ce système accumulé. Un ingénieur peut commencer par une exigence, la connecter au code pertinent, exécuter la modification via la simulation et les évaluations définies, la déplacer sur un banc d’essai ou un système matériel dans la boucle, et finalement l’organiser pour une machine physique. Une grande partie de ce travail nécessitait auparavant que les ingénieurs transmettent manuellement les résultats entre des outils spécialisés. Dana peut coordonner le chemin tout en conservant un enregistrement de la façon dont le système a changé et pourquoi.
Cela arrive alors que la méthode technique derrière l’autonomie est en train de changer. Pendant la majeure partie de l’histoire de l’industrie de la conduite autonome, les progrès sont venus sous forme d’apprentissage par imitation : collecter suffisamment de conduite humaine enregistrée et entraîner le modèle à la copier. La frontière s’est déplacée vers l’apprentissage par renforcement de bout en bout dans une boucle de développement fermée. Le système rencontre un problème, l’équipe trouve ou génère plus d’exemples de cette situation, le modèle s’entraîne à nouveau, et le même scénario est rejoué pour voir si son comportement s’est amélioré. Applied possède déjà les systèmes de simulation, de données synthétiques, d’évaluation et de déploiement nécessaires pour faire fonctionner cette boucle. Dana donne aux agents un rôle dans son exploitation.
L’économie physique a historiquement résisté aux logiciels pour des raisons qui ont semblé insurmontables. Ces industries ont de longs cycles matériels et beaucoup de considérations liées au monde physique. Ce sont des problèmes d’ingénierie banals jusqu’à ce que la machine pèse plusieurs tonnes et se déplace près de personnes, et que quelqu’un se blesse. À ce moment-là, chaque lien entre une spécification et une décision de déploiement doit résister à l’examen.
Les machines autonomes font face à un fardeau de preuve inhabituel. Un fabricant peut croire qu’un modèle fonctionne bien et être néanmoins incapable de le livrer tant que les régulateurs ne peuvent pas comprendre comment cette conclusion a été atteinte. Dana a été conçue autour de cela. Son utilité dépend autant de la traçabilité et de l’évaluation que de la vitesse à laquelle elle peut générer du code ou exécuter un flux de travail.
L’économie change en même temps. L’intelligence descend une courbe de prix abrupte. La couche d’autonomie elle-même tendra vers l’abondance et, dans de nombreux contextes, vers un coût marginal négligeable.
Un fabricant de robots ne peut vendre que les machines qu’il fabrique. Dana peut être utilisée pour mettre à niveau des équipements déjà prévus pour rester en service pendant encore vingt ans, et pour développer de nouvelles machines dont la forme n’est plus déterminée par la nécessité d’y faire entrer un conducteur humain. En d’autres termes, Dana est une façon d’obtenir un milliard de machines intelligentes.
Pendant des années, les systèmes autonomes ont été limités par les modèles eux-mêmes. Cette contrainte s’est desserrée. Le travail restant se situe à l’intérieur des fabricants et des opérateurs qui tentent de les déployer, sous la forme d’adaptation des modèles au matériel réel et de soutien au système une fois qu’il fonctionne loin d’un laboratoire de recherche. Le marché est prêt à utiliser l’IA dans le monde physique, mais la plupart des entreprises ne peuvent pas se permettre d’assembler une organisation d’autonomie de mille personnes pour le faire.
Applied Intuition a passé neuf ans à apprendre comment l’intelligence survit au contact du matériel et du monde physique. Dana met cette connaissance entre les mains de quiconque essaie de faire bouger une machine par elle-même.
