Le fait
Début juillet 2025, Amazon annonce deux jalons couplés : le déploiement de son millionième robot (livré dans un centre de fulfillment au Japon) et le lancement de DeepFleet, un foundation model d'IA générative conçu pour orchestrer les déplacements de sa flotte mobile. Objectif déclaré : +10 % d'efficacité sur le temps de trajet des robots, donc moins de congestion, traitement des commandes plus rapide et coûts opérationnels en baisse. La flotte couvre désormais plus de 300 sites dans le monde — Amazon se positionne comme le plus grand fabricant et opérateur de robots mobiles industriels.
Contexte
Depuis l'acquisition de Kiva en 2012, Amazon a multiplié les familles de robots : Hercules (jusqu'à ~570 kg de charge), Pegasus (tri colis), Proteus (AMR autonome naviguant autour des humains). Le goulot n'est plus tant le bras ou le châssis que la coordination multi-robots à l'échelle d'un entrepôt saturé. DeepFleet, entraîné sur des jeux de données massifs de mouvements d'inventaire et outillé via AWS SageMaker, agit comme un contrôleur de trafic : anticiper les embouteillages, recalculer les trajectoires, fluidifier les flux. Amazon Science détaille ensuite plusieurs architectures (robot-centric, robot-floor, image-floor, graph-floor) pour prédire les patterns de trafic à partir de milliards d'heures de navigation.
En parallèle, le géant met en avant l'upskilling : plus de 700 000 employés formés depuis 2019 ; sur le site nouvelle génération de Shreveport (Louisiane), la robotique avancée augmente d'environ 30 % les postes reliability / maintenance / engineering.
Pourquoi ça compte
Le million de robots n'est pas qu'un chiffre de com : c'est la masse critique de données qui rend crédible un foundation model de flotte. Là où la robotique warehouse restait souvent rule-based (graphes, règles locales), DeepFleet illustre le passage à une couche prédictive / générative sur le planning multi-agents. Le gain de 10 % sur le travel time se traduit concrètement en capacité de stocker plus près des clients, en délais et en énergie. Pour le marché, c'est aussi un signal : l'avantage concurrentiel bascule vers qui possède à la fois le hardware à échelle et le modèle de coordination entraîné en production réelle.
Lecture Neurone21
DeepFleet est un cas-limite de foundation model applicatif : pas un LLM grand public, mais un modèle de domaine (flotte AMR) dont la valeur naît des données propriétaires d'exploitation. Pour les acteurs européens de la logistique et de l'AMR, la leçon est double — sans volume d'heures robot et sans boucle feedback usine↔modèle, on reste au niveau « navigation locale » ; et le récit Amazon (robots + upskilling) montre comment l'IA industrielle se vend désormais comme efficacité client autant que comme automatisation. À surveiller : généralisation hors fulfillment Amazon, ouverture éventuelle via AWS, et course des éditeurs AMR/WMS européens sur des modèles de coordination multi-robots.
Sources : About Amazon · Amazon Science · Digital Commerce 360 · Forbes