Skild AI atteint un taux de revenu annuel de 100 millions de dollars en dix mois

Skild AI a déclaré le 9 septembre 2026 qu’elle avait dépassé les 100 millions de dollars de revenu annuel, dix mois après le premier déploiement commercial de l’entreprise robotique.

Le jalon a été révélé dans un article de blog de l’entreprise intitulé “The Hidden Pillar of Robotics.” Dans cet article, la société indique qu’elle compte plus de 60 clients payants dans les domaines du déplacement de marchandises, de la livraison, de l’inspection de sites, de la sécurité et de la préparation de repas, ainsi que l’exploitation à l’intérieur d’entrepôts, d’usines et de centres de données. La mobilité représente 10 % du chiffre d’affaires et les solutions Fetch 4 %, selon la société.

Déploiements commerciaux nommés

L’article décrivait trois déploiements avec des partenaires technologiques et industriels. En collaboration avec NVIDIA et Foxconn, Skild AI déploie le Skild Brain sur des manipulateurs à deux bras pour l’assemblage de haute précision des systèmes NVIDIA Blackwell, un travail que la société indique changer à chaque cycle de produit et qui nécessitait auparavant le reprogrammation de chaque robot de la chaîne.

Chez Sumitomo Wiring Systems, Skild AI a indiqué qu’elle travaille à déployer S1, son dernier modèle de base, pour automatiser les processus de fabrication de faisceaux de câbles que l’article qualifie d’impossibles à automatiser. Avec Mitsui & Co., dont les chaînes d’approvisionnement servent 1,4 million de repas par jour à travers le Japon, l’entreprise pilote des robots polyvalents alimentés par S1 dans des cuisines commerciales.

Modèle S1 et résultats rapportés par l’entreprise

Skild AI a présenté S1, qu’elle désigne comme son modèle de base robotique phare, dans un article du 18 août 2026. La société affirme avoir construit S1 de zéro en tant qu’apprenant en contexte: un opérateur enregistre une démonstration vidéo unique d’une tâche et la fournit au robot comme invite, sans mettre à jour les poids du modèle. S1 repose sur l’infrastructure AI de NVIDIA, que l’entreprise indique fournir la base de calcul accéléré nécessaire pour entraîner à grande échelle sur son ensemble de données robotique. Selon l’article d’août, S1 est le premier modèle de base robotique à démontrer un apprentissage en contexte sur des tâches à très longue durée allant jusqu’à dix minutes, jamais vues lors du pré‑entraînement.

Dans une étude interne contrôlée décrite dans cet article, Skild AI a entraîné l’apprentissage en contexte et les politiques VLA conditionnées par le langage sur des données, architectures et capacités de calcul identiques, avec des ensembles de données allant de 1 000 à 100 000 heures. Après 100 000 heures de pré‑entraînement, la politique en contexte a atteint un taux de réussite de 66 % sur des tâches longues inédites de quatre à huit minutes, contre 9 % pour la politique conditionnée par le langage, selon la société. Sur des tâches issues de la distribution de pré‑entraînement, les chiffres respectifs étaient de 96 % et 89 %. L’entreprise indique avoir utilisé une intervention humaine pour récupérer des échecs lors des déploiements, principalement pour la référence conditionnée par le langage, afin que chaque étape puisse être évaluée de façon cumulative.

L’article d’août indique également qu’une seule démonstration en contexte équivaut à environ 380 épisodes post‑entraînement sur des tâches inédites, un croisement que la société estime par interpolation entre les points mesurés. La collecte de 380 démonstrations à longue durée nécessite de 50 à 100 heures de téléopération, selon l’article, tandis que le post‑entraînement de la politique VLA sur 2 000 démonstrations a atteint un taux de réussite de 86 %. Pour une tâche de rempotage de plantes, l’entreprise a enregistré 11 minutes entre la démonstration et l’exécution autonome: les fournitures sont arrivées à 20:54, une unique démonstration humaine égocentrique a été enregistrée à 21:22, et S1 a commencé à exécuter la tâche de façon autonome à 21:27.

Concernant la qualité des données, la société a écrit: “For every dollar we spend on collecting data, we spend three on quality control.” Chaque point de données entrant dans le pré‑entraînement est vérifié pour sa précision de bas niveau, la cohérence de la tâche et la fidélité de l’annotation, selon l’article.

L’article du 9 septembre décrit le déploiement comme le pilier caché de la recherche en robotique et soutient que les vidéos de démonstration sont une mesure peu fiable du progrès, car un clip réussi d’un robot avec 5 %, 10 % ou 99 % de précision peut sembler identique. La société indique avoir enseigné à son modèle la fabrication d’œufs l’année dernière: le premier œuf a pris une semaine, et rendre le processus fiable sur différents œufs et configurations a nécessité deux mois. Extraire les derniers 5 % de performance demande beaucoup plus d’effort que les premiers 95 %, indique l’article. Celui‑ci argue également qu’un robot à 99,9 % de précision mais dix fois trop lent n’est pas déployable, car chaque poste d’une chaîne de production doit terminer dans un temps de cycle à peu près identique.

Selon l’article, les leçons tirées des déploiements ont orienté la recherche de l’entreprise vers S1, car un système qui nécessite un nouveau jeu de données et un autre post‑entraînement à chaque changement de fournisseur, réarrangement de poste de travail ou séquence d’assemblage révisée ne peut pas être mis à l’échelle. La société a décrit la boucle résultante comme une auto‑amélioration récursive physique: l’expérience des déploiements spécialisés est réintégrée dans le modèle de base général, de sorte que chaque nouveau déploiement démarre à partir d’un modèle plus performant.

L’article d’août consigne une chronologie de développement allant de LocoFormer, un apprenant en contexte pour la locomotion, en septembre 2025, aux premiers résultats en‑contexte intra‑domaine en février 2026 et à la première inversion de crêpe hors‑distribution en mai 2026, jusqu’à la sortie de S1 en août 2026. Cet article indiquait que S1 travaille déjà avec les partenaires commerciaux de l’entreprise. L’article du 9 septembre conclut: “L’ère des démonstrations est terminée ; l’ère du déploiement a commencé.”