Et si le prochain concurrent qui vous pique un contrat d’automatisation n’avait, il y a deux ans, qu’un dessin de robot et une équipe déterminée ? C’est exactement le scénario que raconte l’émergence de Maven Robotics. En 2024, la jeune pousse n’avait presque rien à montrer. Pourtant, elle a décroché un premier client industriel face à des rivaux déjà équipés de machines. Aujourd’hui, elle sort du stealth avec une levée de 100 millions de dollars, l’ambition de produire 250 robots de troisième génération et une conviction claire : ce n’est pas le modèle d’IA le plus spectaculaire qui gagne, c’est celui qui tient 16 heures par jour dans un entrepôt réel.

Pour les fondateurs, les investisseurs et les responsables supply chain qui lisent ces lignes, l’histoire n’est pas seulement une success story de plus. Elle pose une question stratégique : faut-il courir après le robot généraliste parfait, ou enchaîner des problèmes industriels assez gros pour financer la suite ? Maven a choisi la seconde voie. Et le marché du palettisage mixte, estimé autour de 80 milliards de dollars, lui donne une première piste suffisamment large pour justifier l’effort.

Une startup née d’un cartoon et d’un rendez-vous volé

Hamza Derbas, CEO et cofondateur, le dit sans détour : au départ, Maven n’était « qu’un cartoon de robot et une équipe ». Le détail compte. Dans l’écosystème de la robotique, beaucoup de fondateurs commencent par une démo vidéo, un paper, une architecture de modèle. Maven a commencé par une conversation commerciale.

Une grande entreprise de biens de consommation cherchait à automatiser une partie de sa logistique. Quatre sociétés rivales étaient déjà autour de la table. Derbas s’est invité. Au lieu de vanter une vision abstraite de la robotique, il a demandé à visiter les usines et les entrepôts. Ce réflexe, presque banal en consulting, reste rare chez les équipes issues de la recherche.

Nous avons observé comment les gens travaillaient. Nous avons ciblé les flux où nous pouvions apporter de la valeur tout de suite. Notre approche n’est pas de résoudre un problème de robot isolé. Nous voulons prendre la tâche de bout en bout.

– Hamza Derbas, CEO de Maven Robotics

Le « bout en bout » n’est pas un slogan marketing. D’un côté, le robot se branche sur un warehouse management system. De l’autre, les produits partent en camion. Entre les deux, il faut composer des palettes mixtes à partir de cartons arrivés de plusieurs usines. C’est un travail encore largement humain : courir dans l’entrepôt, prendre un article ici, un autre là, reconstruire un mix qui change parfois en moins de 48 heures selon la demande en magasin.

Maven a gagné le contrat. Deux ans plus tard, Derbas évoque jusqu’à huit robots en production, 16 heures par jour, avec une disponibilité de 99 % ou plus. Ce n’est pas encore une armée. C’est assez pour passer du prototype à une usine de 250 unités et pour concevoir une quatrième génération.

100 millions de dollars pour sortir du stealth

La levée, rapportée notamment par TechCrunch, réunit RoboStrategy, LocalGlobe, Vine Ventures et XTX Ventures. Le montant, 100 millions de dollars, place Maven dans le peloton des jeunes entreprises d’IA physique qui veulent industrialiser plutôt que seulement démontrer.

Jack Pearson, investisseur chez RoboStrategy, insiste sur un point qui devrait intéresser tout fonds deeptech : l’avantage n’est pas seulement technique. Il vient d’une culture des systèmes industriels, pas d’un laboratoire optimisé pour publier ou pour défendre une architecture unique.

Cette distinction est essentielle en 2026. Les laboratoires frontaliers accélèrent sur les modèles multimodaux. Les startups robotiques, elles, se battent sur le terrain : chaleur, poussière, opérateurs humains qui circulent, contraintes de ROI, maintenance, intégration IT. Celui qui ignore ces contraintes peut impressionner en démo et s’effondrer dès le premier trimestre d’exploitation.

Maven annonce donc un plan concret : construire 250 robots de troisième génération, puis lancer la conception d’une plateforme de quatrième génération. Le message aux clients est limpide. Il ne s’agit plus d’un banc d’essai. Il s’agit d’une capacité de production.

Des robots à roues, deux bras, 30 kilos

Le hardware n’est pas un humanoïde. Les machines reposent sur une base à roues capable d’atteindre environ 16 km/h (10 miles par heure). Deux bras soulèvent jusqu’à 30 kilogrammes. Des ventouses saisissent et empilent les cartons.

Dans l’installation de Santa Clara, le robot se déplace avec fluidité dans une zone d’entraînement. Un écran en direct montre deux unités chez un client, pendant que des employés circulent autour. Cette coexistence n’est pas un détail de communication. Elle est le cœur du produit. Un robot qui exige une cage, une ligne figée ou un hall vidé de ses humains n’adresse pas le même marché qu’un robot capable d’opérer dans un flux déjà existant.

La tâche principale reste le palettisage mixte. Des palettes de bois chargées de cartons arrivent de différentes usines. Le robot reconstitue une nouvelle palette destinée à un magasin, avec un mix qui change selon la demande temps réel. C’est un cas d’usage moins glamour qu’un robot qui prépare le café. Il est en revanche mesurable, répétable et immédiatement lié à la marge logistique.

• Base mobile à roues, plutôt que jambes.
• Deux bras pour des charges jusqu’à 30 kg.
• Préhension par ventouses pour cartons.
• Intégration WMS d’un côté, expédition camion de l’autre.
• Objectif d’uptime très élevé en conditions industrielles.

Derbas compare implicitement cette architecture à celle d’Agility, dont l’introduction en Bourse via un SPAC d’environ 2,5 milliards de dollars est attendue cet automne. Il dit respecter l’entreprise. Il juge aussi que les jambes « n’ont aucun sens » pour ces flux : trop complexes, trop peu fiables, trop chères. Dans l’industrie, répète-t-il, le nom du jeu s’appelle ROI.

Pourquoi les jambes font débat dans l’usine

Le débat humanoïde contre robot spécialisé n’est plus théorique. Les investisseurs adorent l’image d’une machine qui marche comme un ouvrier. Les opérateurs, eux, paient la complexité. Chaque degré de liberté supplémentaire est une source de panne, de calibration, de pièce de rechange et de temps d’arrêt.

Maven parie que, pour le palettisage et une grande partie de la logistique interne, la mobilité à roues suffit. Les entrepôts sont déjà conçus pour des chariots, des convoyeurs, des sols relativement plats. Ajouter des jambes, c’est souvent ajouter un problème que le site n’avait pas.

Cela ne signifie pas que l’humanoïde n’aura aucun marché. Cela signifie que le premier milliard de dollars de valeur captée dans la logistique ira probablement aux systèmes qui réduisent le coût à la palette, pas à ceux qui reproduisent le plus fidèlement la biomécanique humaine.

Pour un directeur d’entrepôt, la question n’est pas « est-ce que le robot a l’air futuriste ? ». La question est : combien de palettes stables par heure, avec quel taux d’erreur, quelle maintenance, quelle formation des équipes, et quelle coexistence avec le personnel déjà en poste ?

L’héritage voiture autonome au service de l’usine

Derbas a passé une grande partie de sa carrière en ingénierie automobile, notamment sur les véhicules électriques. Avant Maven, il a travaillé neuf ans chez Apple dans le groupe de projets spéciaux, largement associé au programme de voiture autonome abandonné en 2024. Son frère Khalid, CFO, vient du private equity. La combinaison est parlante : hardware complexe d’un côté, discipline financière de l’autre.

Comme beaucoup d’acteurs de l’IA physique, Maven s’appuie sur des vétérans de la conduite autonome. Ces équipes ont appris une leçon que la robotique d’entrepôt redécouvre : sans pipeline de données quasi temps réel, le système ne s’améliore pas assez vite pour rester fiable.

Le cycle décrit par Derbas est classique, mais rarement exécuté avec cette rigueur : récupérer l’information des robots en minutes ou en heures, réentraîner, évaluer, mener des études d’ablation, choisir les bons poids, redéployer, recommencer. Ce n’est pas de la recherche pour la recherche. C’est une boucle d’exploitation.

Nous ne sommes pas dans la course aux modèles. Nous sommes dans la course pour résoudre le travail industriel et le rendre possible à l’échelle dont le monde a besoin.

– Hamza Derbas

Cette phrase devrait calmer autant qu’elle devrait inquiéter. Calmer, parce qu’elle ancre l’entreprise dans des problèmes payants. Inquiéter, parce que les laboratoires frontaliers peuvent, un jour, « one-shotter » une compétence de manipulation que Maven aura mis des années à collecter tâche par tâche.

Le palettisage mixte, un marché de 80 milliards

Pourquoi commencer par là ? Parce que le mix change trop vite pour les lignes rigides. Les enseignes veulent ajuster l’assortiment en moins de deux jours. Les usines envoient des flux homogènes. Le centre de distribution doit recomposer. Aujourd’hui, ce recomposé est humain, physique, répétitif, et soumis à des pics.

Automatiser ce goulot a un effet immédiat sur le service magasin, la casse, la vitesse de rotation et la pénibilité. Ce n’est pas un cas d’école pour une thèse. C’est un budget capex que les directions supply chain savent déjà justifier, à condition que le robot tienne ses promesses de disponibilité.

Maven insiste sur un principe : si l’on choisit des problèmes assez gros, chaque compétence maîtrisée ouvre un marché de plusieurs milliards. La généralité viendrait ensuite, par accumulation de tâches, pas par un saut magique vers un robot universel.

Cette stratégie séduit les entreprises qui ont déjà brûlé des budgets sur des PoC robotiques restés au stade de vidéo. Elle frustre ceux qui veulent un agent physique capable de tout faire dès demain. Les deux camps ont des arguments. Seul le terrain départagera.

Collecter des données, puis viser la fabrication

La prochaine étape n’est pas un pivot radical. Maven veut plus de données, mieux entraîner la manipulation de matériaux, puis progresser vers l’automatisation et la fabrication. L’entreprise puise dans ses propres flottes, fait appel à des fournisseurs tiers, et a même conçu des gants en forme de pinces pour que des humains imitent le format de préhension visé.

L’idée des gants est révélatrice. Au lieu d’attendre que le monde produise spontanément les bons exemples, Maven force le form factor. Les humains deviennent des générateurs de trajectoires compatibles avec le gripper futur. C’est une astuce de collecte, pas un gadget.

Derbas le répète : l’entreprise se présente comme fabricant de robots à vocation générale, mais avance tâche par tâche. « Nous restons ancrés dans la résolution d’un problème client à la fois. » Cette phrase devrait figurer dans beaucoup de decks. Trop de startups robotiques vendent la généralité avant d’avoir fermé une seule boucle économique.

Ce que cette histoire change pour les fondateurs

Premier enseignement : entrer dans la pièce sans produit fini peut marcher, à condition d’écouter le flux réel. Maven n’a pas vendu une architecture. Elle a vendu une observation d’usine.

Deuxième enseignement : le talent issu de la voiture autonome est transferable, mais seulement s’il accepte les contraintes d’usine. Un stack de perception sophistiqué ne remplace pas une discussion avec l’équipe de maintenance à 5 heures du matin.

Troisième enseignement : le storytelling « cartoon + équipe » fonctionne auprès des médias et des investisseurs s’il est suivi d’un uptime de 99 %. Sans cette seconde partie, ce n’est qu’une anecdote.

Quatrième enseignement : viser un marché de 80 milliards n’interdit pas de rester étroit sur le premier workflow. L’étroitesse opérationnelle et l’ampleur économique peuvent cohabiter.

Cinquième enseignement : critiquer les jambes n’est pas une attaque personnelle contre Agility. C’est un positionnement de coût. Dans un cycle où le capital redevient sélectif, le positionnement de coût est une stratégie de survie.

Ce que cela change pour les directions supply chain

Les responsables logistique n’achètent plus seulement une machine. Ils achètent une boucle d’amélioration. Si le fournisseur met des jours à récupérer les logs, le robot stagne. Si le fournisseur réentraîne en heures, le robot s’adapte aux nouveaux cartons, aux nouvelles étiquettes, aux nouvelles hauteurs de palette.

Ils doivent aussi juger la coexistence humaine. Un entrepôt n’est pas un laboratoire. Des personnes marchent, poussent des rolls, improvisent. Un robot qui fige tout le monde autour de lui détruit le ROI qu’il était censé créer.

Enfin, ils doivent exiger le bout en bout. Un bras qui empile sans parler au WMS crée une île d’automatisation. Une île d’automatisation crée des files d’attente ailleurs. Maven a compris que le contrat se gagne souvent sur l’intégration, pas sur la démonstration de préhension.

• Demander les durées réelles d’uptime, pas seulement la démo.
• Vérifier la latence du pipeline de données.
• Observer le robot pendant que des humains circulent.
• Mesurer le coût total, maintenance comprise.
• Relier le cas d’usage à un flux WMS existant.

Ce que cela change pour les investisseurs

RoboStrategy, LocalGlobe, Vine Ventures et XTX Ventures misent sur une thèse industrielle. Le risque n’est plus seulement technique. Il est concurrentiel : un modèle frontalier peut compresser le temps nécessaire pour apprendre une nouvelle manipulation. Maven répond en accumulant des données propriétaires dans des sites réels, ce que les labos n’ont pas toujours.

Le risque inverse existe aussi. Rester trop longtemps sur une seule famille de tâches peut transformer une startup « general purpose » en intégrateur de palettisage. Ce n’est pas honteux. C’est simplement une autre valorisation.

Les 100 millions doivent donc financer deux choses à la fois : l’échelle sur le workflow actuel et l’apprentissage des compétences suivantes. Si l’argent ne sert qu’à produire 250 clones du même robot sans élargir le répertoire, l’histoire se referme. Si l’argent sert uniquement à la recherche sans livrer les 250 unités, le client industriel disparaît.

Le point d’équilibre, c’est précisément ce que Derbas décrit : assez de volume pour générer des données, assez de focus pour que ces données soient utiles.

La culture industrielle contre la culture paper

Pearson le formule clairement : Maven se distingue par un arrière-plan systèmes industriels, pas par une culture de recherche. Cette opposition n’est pas morale. Elle est organisationnelle. Une équipe paper célèbre l’architecture. Une équipe usine célèbre le robot qui redémarre après une coupure, dans un hall trop chaud, avec un carton mal scotché.

Les deux cultures devront néanmoins se rejoindre. L’article source le reconnaît : si Maven veut aller au-delà des workflows actuels, elle devra construire une forme de culture recherche. Les capacités de manipulation nécessaires pour la suite n’existent pas encore vraiment.

Autrement dit, l’anti-labo d’aujourd’hui devra, demain, apprendre certaines habitudes du labo, sans perdre le sens du ROI. C’est un exercice difficile. Beaucoup d’entreprises le ratent dans un sens ou dans l’autre.

Le spectre du modèle frontalier

La dernière phrase de Derbas, reprise par TechCrunch, résume le dilemme de toute la robotique 2026. D’un côté, les labos produisent des modèles de plus en plus capables. De l’autre, les usines ont besoin de systèmes qui tiennent la charge cette semaine.

Se faire « one-shotter » par un modèle puissant n’est pas une hypothèse de science-fiction. C’est le scénario que redoutent les startups qui ont investi des années dans une collecte étroite. La parade, selon Maven, consiste à posséder le déploiement, le client, la boucle de données et le hardware adapté au site. Un modèle seul ne déplace pas encore les cartons à 30 kilos pendant 16 heures.

Mais un modèle meilleur peut réduire brutalement le coût d’apprentissage d’une nouvelle SKU, d’un nouvel emballage, d’une nouvelle géométrie. Les entreprises qui n’auront pas d’accès privilégié aux sites réels devront alors rattraper Maven… ou l’acheter.

Apple, EVs, private equity : un trio de fondateurs lisible

Le profil des fondateurs rassure un certain type d’investisseur. L’automobile électrique a enseigné la production, la thermie, la sécurité, la chaîne d’approvisionnement. Apple a enseigné le secret, l’exigence hardware et la difficulté des projets physiques longs. Le private equity a enseigné la discipline de cash et la lecture d’un P&L.

On peut ironiser sur le mythe du projet voiture d’Apple. On ne peut pas ignorer que ces équipes ont touché des stacks de perception, de planification et de validation parmi les plus coûteux de la décennie. Transposer cela à l’entrepôt n’est pas automatique. C’est néanmoins plus crédible que de découvrir la physique du carton après avoir levé le seed.

Khalid Derbas au poste de CFO envoie aussi un signal : la robotique n’est plus seulement un sujet d’ingénieurs star. C’est un sujet de financement d’actifs, de cycles de production et de contrats pluriannuels.

Comment raconter Maven sans tomber dans le mythe

Il serait tentant de transformer l’anecdote du meeting volé en légende fondatrice définitive. Restons sobres. Beaucoup de fondateurs s’invitent dans des réunions. Peu livrent ensuite des robots qui tiennent 16 heures. C’est la seconde partie qui mérite l’attention.

Il serait tout aussi tentant d’opposer Maven et Agility comme deux camps irréconciliables. Le marché peut absorber plusieurs architectures. Les jambes auront des sites. Les roues en auront d’autres. Le vrai clivage est ailleurs : ceux qui mesurent le ROI site par site, et ceux qui vendent une vision avant d’avoir un flux.

Enfin, il serait tentant de croire que 100 millions suffisent. En robotique physique, 100 millions sont un ticket d’entrée pour industrialiser, pas une garantie de domination. Produire 250 robots, les maintenir, les améliorer, former les clients et préparer la génération suivante absorbera vite le chèque.

Une check-list pour juger une startup d’IA physique

À partir du cas Maven, on peut extraire une grille utile, que l’on soit acheteur, journaliste ou investisseur.

• Le premier contrat vient-il d’une observation de flux ou d’une démo hors sol ?
• Le robot parle-t-il au système d’information du client ?
• Quel est l’uptime annoncé, et sur combien d’unités réellement déployées ?
• La mobilité choisie correspond-elle au sol et aux allées du site ?
• La collecte de données revient-elle en minutes ou en semaines ?
• L’équipe mélange-t-elle hardware, software et finance ?
• Le marché initial est-il assez large pour financer la compétence suivante ?
• L’entreprise sait-elle expliquer pourquoi elle n’a pas choisi l’humanoïde ?

Cette grille n’est pas un verdict. C’est un filtre contre l’enthousiasme cosmétique.

Le travail industriel n’attend pas la perfection du modèle

Derbas le dit à sa manière : le monde a besoin d’échelle maintenant. Les entrepôts manquent de bras pour les tâches répétitives, changeantes et physiques. Les délais e-commerce, les mix retail et les contraintes de sécurité ne vont pas patienter jusqu’au robot universel idéal.

Maven propose une réponse imparfaite et déployable. Des roues. Deux bras. Des ventouses. Un WMS. Une boucle d’apprentissage. Un plan de 250 machines. Ce n’est pas la couverture d’un magazine de science. C’est, potentiellement, une ligne budgétaire qui passe.

Pour l’audience marketing, startup et tech, la leçon dépasse la robotique. Dans n’importe quel marché d’IA appliquée, le récit le plus fort n’est plus « notre modèle est plus grand ». C’est « notre système tient dans le flux du client, produit des données, et ces données améliorent le système assez vite pour justifier le renouvellement du contrat ».

Les 100 millions de dollars ne garantissent rien. Ils achètent du temps pour transformer huit robots qui marchent en une flotte qui compte. Si Maven y parvient, le cartoon de 2024 aura été autre chose qu’une anecdote : le point de départ d’une méthode. Si elle échoue, elle aura malgré tout rappelé une vérité que l’écosystème oublie trop souvent. Dans l’usine, on ne vole pas un deal avec une slide. On le garde avec un uptime.

Et c’est peut-être le message le plus utile à retenir de cette sortie de stealth relaté par TechCrunch : la course n’est pas seulement celle des laboratoires. C’est aussi celle, plus sale, plus chaude, plus lente en apparence, des équipes qui acceptent de commencer par une palette mal formée et de la reconstruire jusqu’à ce que le camion parte à l’heure.