Une startup novatrice — et controversée — nommée Shift propose aux New-Yorkais une offre qui semble trop belle pour être vraie : un nettoyage professionnel gratuit à domicile. La contrepartie, comme le rapporte The Verge, est que chaque coup de serpillière, chaque plan de travail essuyé et chaque tapis passé à l’aspirateur est enregistré pour entraîner de futurs agents robotiques.
« Chaque maison nettoyée aujourd’hui jette les bases d’une maison qui se nettoie toute seule demain », déclare l’entreprise dans sa vidéo promotionnelle. C’est un argumentaire qui mêle la promesse de l’IA incarnée au défi logistique bien réel qui freine les chercheurs en robotique depuis des décennies : acquérir des données d’entraînement de haute qualité et issues du monde réel pour des tâches physiques complexes.
Comment ça fonctionne
Voici l’accord : vous planifiez un nettoyage via la plateforme Shift. Un nettoyeur professionnel se rend chez vous, équipé d’un « chapeau magique » — un casque-caméra qui capture tout depuis le point de vue du nettoyeur. Il frotte, lave, aspire, dépoussière et range. Vous obtenez un appartement impeccable gratuitement. Shift récupère des heures de vidéo à la première personne de tâches de nettoyage réelles effectuées par des humains qualifiés.
Selon Bercan Kilic, co-PDG et co-fondateur de Shift, la valeur des données d’entraînement générées par chaque nettoyage dépasse largement le coût du service. Comme le site web de l’entreprise le déclare sans détour : « Vous obtenez un appartement impeccable. Nous obtenons des données d’entraînement. Tout le monde y gagne. »
Le service est actuellement disponible uniquement à New York, avec des projets d’expansion « très prochainement » à San Francisco, Londres, Zurich et Munich.
Le calcul de la vie privée
La question clé, bien sûr, est de savoir ce qu’il advient des images de l’intérieur de votre domicile. Shift indique sur son site web que la « vie privée des clients est totalement protégée », les détails sensibles comme les noms, les visages et les informations personnelles provenant des écrans et des cartes d’identité étant floutés et anonymisés avant d’être utilisés pour l’entraînement de l’IA.
« Nos nettoyeurs sont sélectionnés par nos partenaires, mais ils ne sont pas des employés de Shift », précise l’entreprise dans sa FAQ — une distinction qui soulève des questions sur la responsabilité et les normes de traitement des données.
Shift rémunère déjà des dizaines de milliers de personnes dans 15 pays pour enregistrer leurs activités quotidiennes via son application mobile. Le service de nettoyage représente une expansion vers une collecte de données plus contrôlée et spécifique à une tâche — des séquences vidéo structurées, reproductibles et directement applicables à l’entraînement d’agents robotiques.
Pourquoi c’est important pour les agents d’IA
L’approche de Shift met en lumière un goulot d’étranglement fondamental sur la voie des robots domestiques polyvalents : la qualité et l’échelle des données d’entraînement.
Le problème des données dans l’IA incarnée
Alors que les grands modèles de langage peuvent s’entraîner sur l’ensemble de l’internet public, les robots qui doivent naviguer dans le monde physique ont besoin de :
- Démonstrations spécifiques à une tâche — comment un humain plie du linge, frotte une casserole ou essuie un plan de travail
- Variations environnementales — différentes configurations de cuisine, hauteurs de plan de travail, conditions d’éclairage
- Données de récupération d’erreurs — comment un humain ajuste une prise, repositionne un objet ou nettoie une tache tenace
Les données synthétiques et la simulation ont réalisé des progrès impressionnants, mais l’écart entre les performances simulées et réelles — le fameux problème de « transfert sim-vers-réel » — reste significatif. Des entreprises comme Shift parient que des collections massives de démonstrations humaines réelles constituent le chemin le plus rapide pour le combler.
« Plus c’est sale, mieux c’est. » — La FAQ de Shift note que « des environnements de nettoyage plus difficiles peuvent être particulièrement utiles » à des fins d’entraînement.
Le contexte du marché
Le modèle de Shift s’inscrit dans une tendance plus large d’entreprises utilisant des stratégies de collecte de données innovantes pour entraîner des agents d’IA. Des approches similaires ont été utilisées pour :
- La conduite autonome — Waymo et Tesla ont enregistré des milliards de kilomètres, y compris à partir de données de conduite humaine
- La robotique d’entrepôt — Le système Pegasus d’Amazon apprend des préparateurs de commandes humains
- Les robots chirurgicaux — Systèmes entraînés sur des milliers d’heures de procédures enregistrées
- Les robots de cuisine — Des startups comme Moley et Dexai enregistrent des chefs humains
Ce qui distingue Shift, c’est l’échange de valeur : au lieu de payer des annotateurs de données ou des travailleurs à la tâche, ils échangent un service premium (nettoyage professionnel à domicile) directement contre les données. C’est un modèle économique qui pourrait passer à l’échelle si les calculs sont bons.
Au-delà du nettoyage
Les ambitions de Shift ne s’arrêtent pas au lavage des sols. La vidéo de l’entreprise laisse entrevoir une future expansion dans la plomberie, la cuisine, et même la construction — suggérant qu’ils voient leur modèle de collecte de données comme un pipeline polyvalent pour entraîner des agents robotiques dans de nombreux domaines.
Cette vision soulève une question plus large : combien de tâches physiques pourraient être apprises à partir de démonstrations humaines enregistrées à grande échelle ? Si Shift peut collecter des pétaoctets de vidéo à la première personne de travailleurs qualifiés effectuant des tâches complexes dans le monde réel, ils pourraient potentiellement entraîner des agents robotiques pour une demi-douzaine d’industries à partir de la même architecture de données sous-jacente.
La vue d’ensemble
La trajectoire est ici indéniable. Alors que les agents d’IA deviennent plus performants, le goulot d’étranglement se déplace de l’architecture des modèles vers les données d’entraînement pour l’interaction physique avec le monde. Des entreprises comme Shift, Scale AI et d’autres construisent les pipelines de données qui alimenteront la prochaine génération d’agents incarnés.
Reste à savoir si les consommateurs échangeront leur vie privée contre un nettoyage gratuit — et si Shift pourra tenir la promesse d’un robot qui nettoie aussi bien qu’un professionnel formé. Mais la stratégie offre un aperçu de la façon dont l’industrie de l’IA envisage le chemin des modèles de langage aux agents physiques.
« Un appartement impeccable » aujourd’hui, comme le dit l’entreprise, en échange d’une maison qui « se nettoie toute seule » demain.
Que pensez-vous de l’approche de Shift ? Un nettoyage gratuit est-il un échange équitable contre des données d’entraînement, ou les implications en matière de vie privée sont-elles trop préoccupantes ? Dites-nous ce que vous en pensez. Cette histoire est en développement — nous suivrons de près l’expansion de Shift.