Et si l’intelligence artificielle qui pilote nos futures voitures ou nos robots d’entrepôt se mettait à dérailler dans le monde réel ? L’incident récent entre OpenAI et Hugging Face a rappelé à quel point les agents IA restent imprévisibles. Imaginez maintenant que cette imprévisibilité se manifeste non plus sur un écran, mais sur une autoroute ou dans un entrepôt bondé. C’est précisément cette angoisse qui a poussé une jeune startup d’Ann Arbor à construire une solution radicalement nouvelle : faire tester l’IA physique… par une autre IA.

Laplace Intelligence, fondée il y a seulement un an, se positionne comme le spécialiste du red-teaming automatisé pour la robotique et les systèmes d’IA incarnés. Son pari est clair : la seule façon de garantir la sécurité des robots et des véhicules autonomes avant leur déploiement, c’est de les soumettre à des attaques intelligentes, générées et orchestrées par l’intelligence artificielle elle-même. Présente parmi les 20 finalistes du Startup Battlefield 200 au TechCrunch Disrupt de San Francisco, la société attire déjà l’attention des constructeurs automobiles et des acteurs de la robotique humanöide.

Pourquoi le red-teaming devient critique pour l’IA physique

Dans le monde du logiciel, le red-teaming consiste à attaquer volontairement un système pour en révéler les failles. Transposé à l’IA physique, l’exercice devient bien plus délicat. Une erreur de code dans un chatbot peut générer un message embarrassant. La même erreur dans un véhicule autonome peut provoquer un accident. Howie Sun, CEO et co-fondateur de Laplace Intelligence, résume la situation sans détour :

Imaginez si quelque chose comme l’incident OpenAI-Hugging Face se produisait dans le monde physique. Les agents IA passent des ordinateurs au monde réel, et nous ne voulons vraiment pas que l’IA physique échoue dehors.

– Howie Sun, CEO de Laplace Intelligence

Cette conviction naît d’années de recherche académique. Sun a passé huit ans à étudier comment pousser les systèmes de conduite autonome dans leurs retranchements en simulation. En 2023, avec son directeur de thèse Henry Liu (aujourd’hui chief scientist de la startup), il publie un article qui fait la couverture de Nature. Les appels de constructeurs de véhicules autonomes affluent immédiatement. Plutôt que de rester dans le labo, les deux chercheurs décident de transformer leurs travaux en produit commercial.

Le nom de l’entreprise n’est pas anodin. Il fait référence au « démon de Laplace », cette expérience de pensée de 1814 dans laquelle Pierre-Simon Laplace imaginait qu’une intelligence connaissant parfaitement l’état de l’univers pourrait prédire l’avenir avec une précision absolue. « Nous utilisons essentiellement la simulation pour prédire le futur du monde réel », explique Sun. Une ambition philosophique qui se traduit concrètement par une plateforme de test ultra-réaliste.

Comment fonctionne la plateforme de simulation de Laplace

Au cœur de l’offre se trouve une simulation haute fidélité reconstruite à partir du monde réel. Laplace s’appuie sur une version post-entraînée de Nvidia Cosmos, la plateforme de simulation de monde d’Nvidia. L’environnement n’est pas purement génératif et aléatoire : il est ancré dans la réalité. Une image Google Street View peut servir de point de départ pour générer une rue entière, mais les données cartographiques réelles garantissent le respect des proportions et de l’échelle.

Les développeurs peuvent ensuite modifier la scène en langage naturel. Besoin d’ajouter du trafic de fin d’après-midi ? Laplace récupère les informations de congestion en temps réel auprès de fournisseurs comme TomTom. Le résultat est un environnement vivant où chaque acteur réagit aux autres. Lors d’une démonstration, Sun a demandé à un véhicule de test de se déporter dans le trafic opposé. La voiture qui aurait dû être percutée a immédiatement modifié sa trajectoire pour éviter la collision. « C’est un environnement de simulation véritablement interactif. Tout le monde réagit à tout le monde. C’est davantage un modèle de monde avec des participants interactifs », précise le CEO.

Cette interactivité change radicalement la nature des tests. Les anciennes méthodes consistaient souvent à rejouer des enregistrements vidéo ou à inventer manuellement des scénarios rares. Laplace inverse la logique : des agents IA conçoivent automatiquement des corner cases, ces situations extrêmes et peu fréquentes susceptibles de faire échouer un système. Ces agents s’inspirent de sources variées : actualités, rapports de police sur les collisions, données d’accidents… Ils prouvent sans relâche le système testé pour en découvrir les points faibles.

Un avantage concurrentiel face aux méthodes traditionnelles

Aujourd’hui, la plupart des développeurs de véhicules autonomes s’appuient encore sur des séquences filmées transformées en simulation ou sur l’imagination humaine pour créer de nouveaux cas. Certaines entreprises, comme la société de camions autonomes Waabi, ont déjà commencé à utiliser l’IA pour générer des edge cases. Mais Laplace estime que le vrai besoin explose avec l’arrivée des robots généralisés.

« Il y a beaucoup moins de données sur la robotique généralisée. Personne ne sait vraiment quels seront les edge cases dans le monde réel », souligne Sun. Un robot humanöide dans un entrepôt peut rencontrer des situations que personne n’a anticipées : un carton mal positionné, un employé qui traverse de manière inattendue, un éclairage changeant… L’IA de red-teaming de Laplace est conçue pour explorer ces territoires inconnus de façon systématique.

Cette approche transforme le test en processus dynamique et interactif. Au lieu de valider un système contre une liste figée de scénarios, Laplace le confronte en permanence à de nouvelles situations générées intelligemment. Pour le fondateur, c’est là que réside le véritable fossé concurrentiel : « C’est un nouveau paradigme qui change entièrement le test de l’IA physique. »

Des clients déjà au rendez-vous et un modèle économique en construction

Malgré un profil purement académique et l’absence de pedigree Silicon Valley, Howie Sun et Henry Liu ont réussi à générer du chiffre d’affaires rapidement, voire à atteindre une modeste rentabilité. La majorité des revenus provient actuellement des cas d’usage de conduite autonome. Parmi les clients figurent Bot Auto, une entreprise texane de camions autonomes, et un grand constructeur automobile japonais.

Laplace collabore également avec Nvidia et T-Mobile sur un projet pilote de smart city à San José, en Californie, destiné à optimiser les opérations de trafic à haut niveau. La startup explore aussi les premiers partenariats avec des acteurs de la robotique humanöide destinée aux entrepôts. Ces contrats sont encore majoritairement basés sur des projets ponctuels. L’objectif à court terme est de basculer vers un modèle de revenus récurrents, plus prévisible et plus scalable.

La participation au TechCrunch Disrupt et au Startup Battlefield 200 s’inscrit précisément dans cette stratégie. L’événement, qui s’est tenu du 13 au 15 octobre 2026 à San Francisco, offre une vitrine internationale et un accélérateur de fundraising. Laplace compte lever des fonds pour accélérer son développement et se positionner face à des concurrents mieux capitalisés.

Le concurrent de taille : Applied Intuition

Dans le paysage des outils de simulation pour véhicules autonomes, un nom domine : Applied Intuition. Cette startup late-stage a levé 1,2 milliard de dollars et affiche une valorisation post-money de 15 milliards de dollars. Face à un tel mastodonte, comment une jeune pousse académique peut-elle espérer se faire une place ?

Sun reste serein. Il estime que la méthodologie au cœur de Laplace — utiliser l’IA pour tester l’IA — constitue un changement de paradigme suffisamment fort pour créer un avantage durable. Là où les solutions existantes restent souvent plus classiques dans leur approche des tests, Laplace mise sur une interaction permanente et intelligente entre le système testé et les agents adverses. « Ce sera le plus grand fossé », affirme-t-il.

Cette confiance s’appuie aussi sur la nature même des marchés visés. Si le secteur des véhicules autonomes est déjà relativement mature en matière de simulation, celui de la robotique générale reste largement ouvert. Les robots humanöides destinés aux entrepôts, à la logistique ou même aux services commencent seulement à sortir des laboratoires. Les données d’entraînement manquent, les edge cases sont encore mystérieux, et le besoin d’outils de validation robustes devient urgent.

Ce que Laplace change pour les entreprises et les régulateurs

Au-delà de la pure performance technique, Laplace vise un objectif plus large : construire une base de preuves partagée que les clients, les assureurs et les régulateurs pourront faire confiance. Dans un domaine où la confiance du public reste fragile, la capacité à démontrer que des milliers de scénarios extrêmes ont été testés en simulation avant tout déploiement devient un argument commercial et réglementaire de premier plan.

Pour les équipes produit et les responsables de la sécurité, l’intérêt est multiple :

• Détecter les failles critiques avant qu’elles ne se manifestent dans le monde réel
• Réduire le coût et le temps des tests physiques sur route ou en environnement contrôlé
• Générer automatiquement de nouveaux scénarios au lieu de dépendre uniquement de l’imagination humaine
• Documenter de façon traçable les efforts de validation pour les assureurs et les autorités

Cette dimension de confiance collective pourrait s’avérer décisive dans les années à venir. Les régulateurs multiplient les exigences de transparence et de preuves de robustesse. Les assureurs, de leur côté, cherchent des outils pour évaluer le risque réel des flottes autonomes. Une plateforme capable de fournir des rapports détaillés de stress-tests IA devient alors un atout stratégique.

Les implications business pour l’écosystème startup et tech

Pour les fondateurs et les investisseurs qui suivent l’espace IA et robotique, l’émergence de Laplace illustre plusieurs tendances fortes. D’abord, le passage de l’IA purement logicielle à l’IA incarnée (embodied AI) ouvre de nouveaux marchés de services. Ensuite, la sécurité et la validation deviennent des sujets aussi stratégiques que la performance pure des modèles. Enfin, les équipes issues de la recherche académique de haut niveau peuvent encore créer de la valeur rapidement lorsqu’elles s’attaquent à un problème concret et urgent.

Le positionnement de Laplace au carrefour de plusieurs industries — automobile, robotique, smart cities, logistique — lui donne une surface de marché intéressante. Chaque vertical apporte ses propres contraintes et ses propres budgets. Les constructeurs automobiles investissent déjà massivement dans la simulation. Les acteurs de la robotique d’entrepôt commencent à chercher des solutions de validation sérieuses. Les villes intelligentes explorent des outils d’optimisation du trafic basés sur des jumeaux numériques.

Dans ce contexte, la capacité de Laplace à reconstruire des environnements réels à partir de données publiques et privées, tout en y injectant des agents adverses intelligents, constitue une proposition de valeur différenciante. Elle répond à une question simple mais essentielle : comment être certain qu’un système d’IA physique se comportera correctement dans des situations qu’aucun humain n’a anticipées ?

Les défis qui restent à relever

Comme toute startup early-stage, Laplace fait face à plusieurs obstacles. Le premier est la conversion des contrats projet en abonnements récurrents. Les entreprises clientes sont souvent habituées à acheter des prestations ponctuelles de simulation. Passer à un modèle SaaS ou plateforme demande un changement d’habitude et une démonstration claire de la valeur continue.

Le deuxième défi concerne l’échelle. Pour rivaliser avec des acteurs comme Applied Intuition, Laplace doit accélérer son développement produit, élargir son équipe et convaincre davantage de clients de référence. La participation au Disrupt et le potentiel de levée de fonds qui en découle sont donc stratégiques.

Enfin, la question de la généralisation reste ouverte. Si la solution fonctionne bien pour les véhicules autonomes, sera-t-elle aussi pertinente pour des robots humanöides aux morphologies et aux tâches très différentes ? Sun et Liu misent sur le fait que leur méthodologie — IA qui teste IA dans des environnements interactifs — est suffisamment flexible pour s’adapter à ces nouveaux cas d’usage.

Une vision long terme : la fondation de confiance pour l’IA physique

Au-delà des prochains mois et de la levée de fonds, la vision de Laplace est ambitieuse. L’objectif n’est pas seulement de vendre des outils de test, mais de contribuer à bâtir une infrastructure de confiance pour tout le secteur de l’IA physique. Chaque simulation réussie, chaque corner case découvert et corrigé, chaque rapport de validation partagé avec un assureur ou un régulateur, rapproche un peu plus le moment où les robots et les véhicules autonomes pourront être déployés à grande échelle avec un niveau de risque acceptable.

Cette ambition résonne particulièrement à une époque où le public reste partagé face à l’autonomie des machines. Les accidents médiatisés, même rares, freinent l’adoption. Disposer d’outils capables de démontrer, preuves à l’appui, que des milliers de situations extrêmes ont été anticipées et gérées, peut changer la donne.

Pour les professionnels du marketing, de la tech et de l’innovation, Laplace Intelligence illustre parfaitement comment une startup peut transformer une recherche académique de pointe en produit commercial pertinent. Elle montre aussi que les sujets de sécurité et de validation, parfois considérés comme secondaires, peuvent devenir des leviers de différenciation et de croissance majeurs.

Ce qu’il faut retenir pour les décideurs et les innovateurs

Laplace Intelligence incarne une réponse concrète à l’une des questions les plus pressantes de l’IA contemporaine : comment déployer en toute sécurité des systèmes qui agissent dans le monde physique ? En combinant simulation haute fidélité, données réelles et agents de red-teaming intelligents, la startup propose une approche qui va au-delà des méthodes traditionnelles.

• Le red-teaming automatisé par IA devient un nouveau standard de validation pour la robotique et les véhicules autonomes
• Les environnements de simulation interactifs permettent de découvrir des edge cases impossibles à anticiper manuellement
• Les clients actuels (constructeurs, entreprises de camions autonomes, projets smart city) valident déjà le modèle économique
• Le passage à des revenus récurrents et le fundraising seront les prochains jalons critiques
• La concurrence avec des acteurs bien financés comme Applied Intuition rend la différenciation méthodologique essentielle

Alors que les robots humanöides et les flottes autonomes se préparent à sortir des laboratoires, la capacité à les tester de manière exhaustive et intelligente pourrait bien devenir un avantage concurrentiel décisif. Laplace Intelligence, née de la recherche de l’Université du Michigan et déjà présente sur le terrain commercial, se positionne pour jouer un rôle clé dans cette transition.

Pour les équipes qui construisent ou déploient de l’IA physique, le message est clair : attendre que les problèmes apparaissent dans le monde réel n’est plus une option viable. Les outils qui permettent de les anticiper, de les documenter et de les corriger en simulation deviennent indispensables. Et dans ce domaine, l’IA qui teste l’IA pourrait bien représenter le prochain grand saut méthodologique.

Dans un écosystème où l’innovation va plus vite que jamais, les startups comme Laplace rappellent qu’il ne suffit pas de créer des systèmes intelligents. Il faut aussi s’assurer qu’ils restent fiables lorsque le monde réel, imprévisible par nature, décide de les mettre à l’épreuve. C’est exactement ce défi que Howie Sun et Henry Liu ont choisi de relever, et leur présence parmi les finalistes du Startup Battlefield 200 montre que le marché commence à prendre la mesure de l’enjeu.