À la conférence JDD 2026, JD.com a proposé la stratégie « JoyAI · saut vers le monde physique », en se concentrant sur des applications concrètes où l’IA passe de l’écran au monde physique réel.
Auteur de l’article, source : GeekPark
L’an dernier, dans l’industrie de l’IA, ce qui a le plus fait parler, c’était les classements de modèles, les capacités d’inférence et la génération multi-modale. Tout le monde se demandait : ce modèle est-il à quel point puissant ?
Mais en 2026, la question a changé. Les gens se mettent à demander : au fond, à quoi est-ce que ça sert ?
Sur ce point, JD.com a donné sa réponse lors du JDD de cette année.
JD.com a donné comme thème à cette édition : « JoyAI · saut vers le monde physique ». L’idée est d’exprimer que la prochaine étape de l’IA n’est pas seulement de mieux parler, ni seulement d’être plus intelligente, mais d’entrer dans l’entrepôt, sur les rayonnages, dans le foyer, dans les itinéraires de livraison et dans le service après-vente, afin d’accomplir des tâches réelles.
Ce qui est intéressant, c’est que sur scène cette fois, il n’y a pas seulement des dirigeants de JD.com : il y a aussi plusieurs responsables métiers et chefs de produit nés dans les années 95. Ils ne parlent pas du futur dans l’abstrait, mais des changements IA de l’application JD, des robots d’IA incarnée pour la logistique, et des entrées IA pour la maison. Derrière cela, JD.com avance une stratégie encore plus grande : construire le plus grand centre mondial d’exploitation du monde physique. L’IA sort de l’écran, et les jeunes deviennent la force motrice de cette migration.
Les nés dans les années 95 foncent là où l’IA est la plus difficile à déployer
Pendant un moment, Chen Yu se posait chaque jour la même question : est-ce qu’on s’est trompés ?
Fin 2025 et début 2026 : toute l’industrie du e-commerce fonçait à toute vitesse dans la direction du « e-commerce par agents intelligents ». L’utilisateur saisit une phrase, l’IA comprend le besoin, recommande des produits et assiste pour passer commande. L’idée est séduisante et très « futuriste ».
Chen Yu et son équipe se sont aussi engagés dans cette exploration : ils ont lancé l’application indépendante « JD AI Purchase » (京东 AI 购), pour affiner cette expérience d’achat native uniquement par conversation. Après un pilote complet, l’équipe a constaté une limite : le mode conversation est excellent pour traiter des questions complexes sur le choix des produits, mais il ne convient pas à l’ensemble des scénarios d’achat.
Même dans une fenêtre de conversation IA, quand l’utilisateur a fini de parler des besoins, il finit quand même par demander : « Est-ce que ça peut être un peu moins cher ? Y a-t-il une promotion aujourd’hui ? » Chen Yu dit que ces questions, en réalité, sont déjà résolues depuis longtemps dans la page d’accueil d’origine de JD.com.
Il y a aussi le problème de la patience. Pour un achat uniquement via conversation, il faut taper ; le système comprend ; il te recommande. Si tu dis que ce n’est pas bon, il ajuste, puis recommande encore. Cet aller-retour ne consomme pas seulement des tokens : il consomme aussi le temps et la confiance de l’utilisateur. Acheter quelque chose, ce n’est pas négocier : les gens se lassent.
Ainsi, Chen Yu se retrouve devant un véritable carrefour.
D’un côté, il y a la direction la plus brûlante du secteur : tout le monde fonce, et si vous ne suivez pas, vous passez pour dépassé. De l’autre, il y a le retour à l’utilisateur : retrouver une expérience réellement meilleure.
Ils ont choisi la deuxième option. Ils ne jettent pas l’assistant IA : ils le font « progresser » au sein du parcours d’achat existant de JD.com. Dans la recherche, ajout d’éléments pour renforcer l’intention ; dans les recommandations, intégration d’informations multidimensionnelles sur le temps, le scénario et l’utilisateur. En haut du panier, ils ajoutent discrètement une entrée « invite de scénario ». Tu achètes un piano : le système te suggère doucement de savoir si tu veux aussi une boîte à musique (métronome). Tu achètes un projecteur : le système transforme des paramètres que tu ne savais même pas comment choisir (laser, couleurs primaires, écran) en options directement sélectionnables.
Chen Yu a fait une comparaison : « Comme un vendeur-conseil dans un supermarché. Tu achètes quelque chose, et quelqu’un te chuchote doucement : prends cet article, et sur l’étagère à côté il y a un accessoire ; avec ça, c’est plus pratique. »
Cette voie est bien plus difficile que de créer un assistant IA indépendant. Il faut intégrer de nouveaux éléments dans un super APP déjà mature, sans perturber les habitudes existantes des utilisateurs. C’est comme rénover un immeuble déjà habité : on ne peut pas couper l’eau ni l’électricité, et il faut aussi faire en sorte que les résidents trouvent la vie de mieux en mieux confortable.
Si la « scène de bataille » de Chen Yu est l’écran, alors celle de Lin Che est le monde réel des entrepôts. Il est le responsable du développement d’algorithmes d’IA incarnée pour la logistique de JD.com.
Début 2026, dans le monde de la tech, les démos de robots impressionnants défilent tous les jours. Aujourd’hui, c’est un robot humanoïde qui fait de la boxe ; demain, c’est une main agile qui sait plier le linge…
Mais Lin Che a déjà une autre question en tête : ces robots, une fois entrés dans un entrepôt réel, face aux encombrements et aux masques partout, dus aux objets au sol et aux déplacements du personnel, peuvent-ils encore fonctionner ? Peuvent-ils offrir une expérience utilisateur vraiment meilleure ?
Ce qui l’intéresse n’est pas tant la beauté d’un démo que le nombre de colis prélevés par heure, si le taux de précision est suffisant, combien de SKU il peut couvrir, si le fonctionnement peut être stable, et s’il peut collaborer en sécurité avec les employés de première ligne.
Son quotidien n’est pas de régler des paramètres devant un poste de travail ; c’est d’accompagner les robots. Il reste dans un entrepôt réel toute une journée.
Dans les entrepôts de JD.com, il existe des centaines de milliers de références (SKU). À un même emplacement, le rangement du matin et celui de l’après-midi peuvent être complètement différents. Quand un produit est prélevé, les relations de masquage avec les produits derrière changent. Si la position d’arrêt du robot est légèrement décalée, l’image qu’il voit et l’espace dans lequel il peut agir ne seront pas les mêmes.
« Ces choses, on ne peut pas les voir dans un laboratoire. »
C’est pourquoi son équipe a transformé l’entrepôt en laboratoire. Les équipes de R&D s’installent sur place pour longtemps : elles discutent avec les opérateurs de première ligne — quels colis sont les plus difficiles à prélever ? À quel moment l’activité est-elle la plus chargée ? Que fait-on en cas d’anomalie ? Puis elles donnent, une par une, ces expériences au modèle.
Ils ont développé leur propre architecture : le « modèle des intentions du monde » (World Intent Model).
La logique vient d’une observation très simple : avant qu’une personne ne saisisse une tasse, elle n’a pas besoin de prédire l’image après chaque 0,3 seconde ; il lui suffit de savoir « je veux attraper cette tasse ». Avec l’intention, l’action suit naturellement.
Dans les modèles du monde traditionnels, chaque inférence doit générer des images vidéo du futur : c’est lent et pas temps réel. Leur solution est la suivante : utiliser un grand modèle pour générer l’intention, puis confier cette intention à un « expert des actions » exécuté à haute fréquence. Entre les deux, ils ajoutent un contrôleur : dès qu’un imprévu survient — par exemple si la tasse n’est pas attrapée — il relance le grand modèle pour générer une nouvelle intention.
« Peut gérer des tâches à long terme tout en répondant aux changements imprévus en temps réel. » dit Lin Che. Cette architecture a obtenu d’excellents résultats sur le robot « Canglang » : précision de saisie de 99,9 %, couverture des produits de plus de 85 %, efficacité de prélèvement atteignant 80 colis par heure. Ces chiffres signifient que ce n’est pas un simple démo : c’est un produit capable d’entrer réellement en entrepôt et dont l’économie tient la route.
Le véritable atout de JD.com n’est pas sur les classements de modèles.
Par rapport à Chen Yu et Lin Che, l’expérience de Xu Xin est une autre caractéristique propre à JD.com. En 2019, Xu Xin a rejoint JD.com en tant que trainee. En cinq ou six ans, elle a progressé de 0 à 1 pour devenir responsable produits.
Après la rotation de postes qui s’est achevée au bout de six mois, Xu Xin a choisi la direction de produits de finance inclusive qui l’intéressait le plus. Elle pensait que ce domaine pouvait résoudre de vrais problèmes sociaux. Dans ce projet, elle est passée d’une jeune recrue produit qui rédigeait des cahiers des charges à une chef de produit capable de piloter en autonomie des projets stratégiques.
JD.com a une tradition intéressante envers les talents : « sept en haut, huit en bas » (七上八下). Quand tes capacités atteignent 70 %, on te pousse à faire des tâches qui nécessitent 120 % de capacités. Xu Xin a dit que c’était l’entraînement le plus important de sa carrière. « Tu ne seras jamais propulsé quand tu es parfaitement préparé. Mais c’est justement pour ça que tu grandis vraiment. »
Par la suite, Xu Xin s’est tournée vers une APP C-end native d’IA, responsable de la croissance des utilisateurs. Il s’agit d’un environnement produit en ligne aux objectifs clairs : d’où viennent les utilisateurs, comment améliorer le trafic, comment réaliser la conversion, et un langage commun très cohérent au sein de l’équipe.
Et une fois qu’elle a pris en charge JoyInside, elle est entrée dans un champ complexe totalement différent. Ne plus se limiter à la logique de produits purement logiciels : le travail exige de faire face directement à plusieurs rôles, comme le génie matériel, la chaîne d’approvisionnement, les achats-ventes, et les partenaires de marques externes.
Elle a décrit que l’expérience après sa prise de poste était une « montée en vitesse rapide ». Lors de la première réunion sur une chaîne d’approvisionnement matérielle, il y avait des ingénieurs matériel, des équipes achats-ventes et des équipes algorithmes dans la salle. Ils parlaient directement de coûts de nomenclature (BOM), de structures acoustiques, de latence d’inférence. Des choses auxquelles elle n’avait jamais touché auparavant.
Mais ce n’est que le début de la complexité. En faisant JoyInside, vous devez gérer aussi toute la coordination et la coopération avec l’ensemble des partenaires en amont et en aval. Vous ne pouvez pas seulement regarder les données à l’écran : il faut aussi comprendre comment une puce se met dans un chien-robot jouet, si la structure acoustique d’un lecteur de puces peut affecter l’expérience de réponse de l’IA, si une marque acceptera de collaborer, et si vous pouvez transformer un matériel traditionnel en produit IA le plus vite possible en 30 jours… C’est un champ de bataille totalement différent.
Aujourd’hui, JoyInside a déjà validé un modèle. Les lecteurs de puces IA de « Ji Ji Qiu Qiu » ont dépassé 100 000 utilisateurs cumulés ; les chiens-robots IA « KamiS » ont également franchi près de 100 000 unités vendues, en atteignant un rythme de produit intelligent phare. Sur le site du congrès JDD, JoyInside a aussi installé un espace modèle « AI Home » : dans le salon, la chambre, la cuisine et la salle de bain, sur toute la gamme de produits. Le fait que « l’IA entre dans le foyer » est passé du concept à un espace réel qu’on peut visiter.
Mais Xu Xin sait clairement que ce n’est qu’un point de départ. Son vrai problème n’est pas de créer un ou deux produits vedettes, mais de passer d’une capacité de lot de « best-sellers » en un seul point à une capacité de copie en série sur toute la gamme de produits.
L’histoire des trois personnes est racontée.
Mais si vous ne les considérez que comme trois jeunes qui font de leur mieux, vous manquerez une chose plus importante.
Qu’ils puissent réaliser ces choses ne tient pas seulement au fait qu’ils sont assez intelligents et assez acharnés. Le plus important, c’est qu’ils ont derrière eux un monde physique suffisamment réel et suffisamment complexe. Et ce monde, JD.com l’a construit, brique après brique, au fil de plus de vingt ans.
Beaucoup d’entreprises aiment parler de « donner une chance aux jeunes ». Mais pour ce qui est de l’IA physique, une simple opportunité ne suffit pas.
L’IA physique doit entrer dans l’entrepôt, la chaîne d’approvisionnement, les magasins et les foyers. Il faut vraiment y passer du temps dans ces environnements complexes, faire fonctionner les problèmes sous la pression réelle des activités, pour savoir exactement ce que le modèle peut résoudre, et ce qu’il ne peut pas résoudre. Cet entraînement, vous ne l’obtiendrez ni dans un PPT, ni au laboratoire.
Chen Yu pousse l’application de JD.com vers l’IA parce qu’en coulisses il y a assez de données de vente au détail, de connaissances produits, d’expérience en achat-vente (采销) et de capacités de service d’exécution pour permettre à l’IA de s’intégrer réellement dans le parcours d’achat. Lin Che développe les robots d’entrepôt parce que la logistique de JD.com possède déjà des sites de production complexes, à haute fréquence et très rigides : les robots peuvent y travailler tout en évoluant. Pour sa part, Xu Xin chez JoyInside s’appuie sur les canaux matériels de JD.com, les partenariats de marque, les scénarios de consommation familiale et la chaîne d’approvisionnement des services, ce qui lui donne la possibilité de faire avancer l’IA jusqu’au cœur de vraies familles.
Sans cette infrastructure, l’histoire de ces trois personnes ne serait peut-être qu’un beau démo.
Lors de cette édition de JDD cette année, JD.com a résumé tout cela en un seul mot : « chaîne d’approvisionnement IA surpuissante ». Le cloud fournit la puissance de calcul, les données font évoluer l’IA, les modèles fournissent le « cerveau », les terminaux entrent dans le monde physique, les scénarios valident la capacité, et la chaîne d’approvisionnement permet la mise à l’échelle.
Surtout dans l’industrie des robots, JD.com a encore proposé « six records mondiaux » : le plus grand centre mondial de collecte de données en intelligence incarnée ; le plus grand site industriel de l’industrie des robots ; le plus grand réseau mondial d’approvisionnement en composants de robots ; le plus grand réseau de services de réparation de robots ; la plus grande armée d’applications de robots logistiques incarnés à grande échelle ; et le plus vaste canal de vente au détail de robots.
En les additionnant, on obtient le « plan d’accélération de l’IA physique » de JD.com : donner aux robots de formation, à la R&D, à la fabrication, aux ventes, aux applications et aux services une chaîne complète sur l’ensemble du cycle de vie.
Autrement dit, l’IA physique que JD.com industrialise ne consiste pas à créer un robot à succès, mais à relier toute la chaîne de bout en bout.
Quand l’IA sort de l’écran, on ne peut pas laisser les gens rester sur place.
L’histoire de trois responsables nés dans les années 1990 (95后) n’est qu’un point de vue parmi le paysage de talents de JD.com.
Ce que fait vraiment JD.com, c’est repérer pour chaque personne l’endroit où elle peut créer le plus de valeur, puis l’envoyer dans des scénarios réels.
Cette logique commence dès le collège.
Le 26 août de cette année, JD.com et le lycée affilié à l’Université du Peuple de Chine ont lancé conjointement la première édition de JDXplorers — le programme pour jeunes explorateurs IA du futur. Destiné à des élèves de 12 à 18 ans actuellement au collège et au lycée, il collecte des créations d’idées en IA.
Ce programme a deux thèmes, et ils sont tous très intéressants.
Un programme appelé « AI Origin », qui met l’accent sur l’observation du monde réel autour de soi et sur l’usage de l’IA pour résoudre les problèmes d’aujourd’hui. Par exemple : aider des personnes âgées qui ne connaissent pas bien les smartphones à faire leurs achats par la voix ou en prenant des photos ; demander à l’IA de prévenir les familles avant les fortes pluies pour qu’elles préparent à l’avance l’essentiel ; aider l’IA à améliorer la gestion de la santé. Ce sont de très petites choses, mais ce sont de vraies choses.
Un autre programme s’appelle « AI point de rupture (奇点) », qui encourage les adolescents à sortir du présent et à imaginer le futur. Par exemple : une fois que les robots entrent dans le foyer, ils ne se contentent pas de balayer ; ils peuvent aussi accompagner les personnes âgées et les enfants, et aider à concevoir des pièces. Quand les personnes malvoyantes font leurs achats dans la rue, l’IA décrit les produits via la voix et le toucher et guide vers les rayons. Les voitures sans conducteur planifient la livraison à partir du temps de l’utilisateur, automatiquement.
Vu dans l’ensemble de la stratégie de JD.com, JDXplorers ressemble davantage à un point d’entrée très précoce : aider les jeunes à calibrer leur compréhension de l’IA à partir de problèmes réels, avant même d’entrer dans la vie professionnelle.
Ensuite, JD.com a aussi un « plan de croissance sur cinq ans » pour les recrutements depuis l’école, afin que les jeunes puissent prendre les rênes dans des activités clés ; et un « plan pour les meilleurs talents techniques jeunes » pour recruter à l’échelle mondiale des talents techniques, leur fournir des ressources et de l’espace.
C’est un parcours complet, de l’adolescence aux jeunes diplômés entrant dans la vie active, jusqu’aux élites techniques.
Mais, dans la vision de JD.com, les « talents » ne se limitent pas à ces jeunes à l’avant-garde technique.
Lao Wang (Liu Qiangdong) a déjà dit publiquement quelque chose, en substance : à l’avenir, ce seront les robots qui livreront, et il n’y aura plus besoin de livreurs. Mais il ne veut pas que nos 700 000 frères n’aient ni de quoi manger ni de travail.
Derrière cette phrase, il y a le « plan de renaissance (涅槃) » que JD.com met en œuvre en interne : envoyer les 700 000 livreurs et autres ouvriers cols bleus déjà employés chez JD.com dans des écoles pour une formation technique. Pour cela, JD.com a signé avec 120 écoles à l’échelle nationale.
La logique est simple : après que le robot livre, il peut aussi tomber en panne, et il faudra alors que des humains réparent. Plutôt que de laisser ces 700 000 personnes être éliminées par la technologie, autant les faire devenir une partie de la tendance de l’histoire.
C’est une question réelle que JD.com doit résoudre : la technologie change, les postes changent, mais on ne peut pas laisser les gens sur le côté.
JD.com ne cherche pas à construire un « entonnoir de talents » qui ne servirait qu’aux ingénieurs d’élite. L’objectif est une série de systèmes couvrant des personnes différentes, des départs différents et des scénarios différents : des adolescents encore au collège, aux jeunes recrutés qui viennent tout juste d’entrer dans la vie active, jusqu’aux livreurs travaillant déjà côte à côte avec des robots dans les entrepôts.
L’avenir de l’IA physique ne s’écrit pas seulement dans l’entrepôt, sur les rayonnages et dans le salon des foyers ; il s’écrit aussi dans les 900 000 employés de JD.com. Ce qui rend tout cela possible, ce ne sont jamais seulement les algorithmes, mais des personnes réelles, une par une.