Aquaculture en haute mer : l’IA au service du poisson

En 2020, un poisson sur deux consommés dans le monde provenait de l’aquaculture. Dans les années 1990, on était plutôt autour d’un poisson sur cinq. Ce basculement n’est pas un détail statistique : c’est un changement structurel dans notre façon de produire des protéines, au même titre que l’essor des serres ou des élevages hors-sol.

Mais l’aquaculture traîne aussi une réputation difficile. Parasites, usage d’antibiotiques, rejets concentrés, risques d’évasion et d’impacts sur les populations sauvages… Beaucoup d’exploitations côtières paient le prix d’un modèle historiquement conçu près du rivage, souvent dans des zones déjà sensibles.

Une nouvelle voie prend de l’ampleur : déplacer certaines fermes piscicoles en haute mer, plus loin des côtes, avec une exploitation pilotée par capteurs, automatisation et intelligence artificielle. L’exemple de Forever Oceans (issu d’un projet industriel de grande envergure) est parlant : des cages au large, des caméras sous l’eau, un pilotage à distance, et des décisions d’alimentation et de suivi prises par logiciel. Pour notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », c’est un cas d’école : la précision ne concerne pas que les champs, elle concerne aussi l’océan.

Pourquoi pousser les fermes piscicoles au large ?

La réponse simple : pour réduire les effets de concentration qu’on observe près des côtes, tout en sécurisant des volumes de production compatibles avec la demande.

En zone côtière, les échanges d’eau peuvent être limités, et les usages sont multiples (pêche, tourisme, zones protégées, ports). Quand on ajoute des enclos de poissons, on cumule vite des tensions : davantage de nutriments dans l’eau, plus de risques sanitaires, et une acceptabilité sociale parfois faible.

La haute mer change une partie de l’équation.

Courants, dilution et “auto-nettoyage” : promesse et réalité

Les projets offshore misent sur des courants plus forts et une dynamique océanique qui disperse davantage les rejets. L’argument est intuitif : à distance des baies et estuaires, l’eau se renouvelle plus vite et les cages peuvent rester plus propres.

Mon avis : cet argument est crédible, mais seulement si on le traite comme un sujet d’ingénierie et de données, pas comme une évidence. La dilution n’est pas un permis de polluer. Elle doit être mesurée, modélisée, et comparée à des seuils d’impact clairs.

Un environnement plus “naturel”… mais plus exigeant

Au large, les poissons peuvent évoluer dans des conditions plus proches de leur milieu (températures, salinité, oxygénation), mais l’exploitation devient plus complexe : houle, tempêtes, accès logistique, maintenance, risques de défaillance.

C’est précisément là que l’IA devient intéressante : quand l’humain ne peut pas être sur place en permanence, il faut un système qui observe, alerte, et ajuste.

Ce que l’IA change concrètement dans une ferme en haute mer

La réponse directe : l’IA transforme l’élevage en un système de pilotage en temps réel, comme un “autopilote” agronomique appliqué à la biomasse.

Dans le modèle décrit pour Forever Oceans, on retrouve trois briques classiques de l’agriculture de précision, transposées à l’aquaculture : observer (capteurs/caméras), décider (modèles), agir (automatisation).

1) Surveillance continue : qualité de l’eau et comportement

Les fermes offshore s’appuient sur des capteurs (oxygène dissous, température, salinité, turbidité, courant) et des caméras pour suivre à la fois l’environnement et le troupeau.

Ce qui compte, ce n’est pas d’avoir “des données”, c’est d’avoir des données utiles :

• Détecter tôt une baisse d’oxygène et réduire le stress.
• Repérer un changement de comportement (poissons qui restent en surface, agitation) avant qu’il ne devienne une mortalité.
• Suivre la turbidité et anticiper des épisodes de type prolifération d’algues.

Dans les faits, le comportement est souvent le premier signal faible. Et c’est typiquement un signal que la vision par ordinateur sait exploiter (si l’éclairage, l’angle de prise de vue et la qualité des images sont maîtrisés).

2) Alimentation de précision : moins de pertes, meilleure performance

L’alimentation est le poste central de coûts et d’impacts (car l’excès d’aliment devient un rejet). Un pilotage “au feeling” fonctionne mal quand les conditions changent vite.

Un système IA peut ajuster :

• La quantité distribuée (éviter le surplus)
• Le timing (adapter aux rythmes et conditions)
• Le scénario météo-océan (courant fort, baisse d’oxygène)

La phrase la plus utile à retenir est celle-ci :

Chaque granulé non mangé est à la fois un coût direct et un impact environnemental.

Et c’est exactement le type de double objectif (économie + durabilité) où les approches data-driven font mieux que les routines.

3) Estimation de biomasse et décision de récolte

Forever Oceans décrit un traitement d’images sous-marines pour estimer la biomasse et déterminer le moment de récolte.

C’est une application très mûre de l’IA en aquaculture, parce que la décision a une valeur financière claire :

• Récolter trop tôt : perte de poids commercialisable.
• Récolter trop tard : surdensité, risque sanitaire, efficacité alimentaire qui se dégrade.

Une estimation fiable permet aussi de mieux synchroniser l’aval (transport, transformation, restauration), un sujet clé en agroalimentaire.

4) Supervision à distance : l’exploitation devient “multi-sites”

Le pilotage depuis un centre d’opérations, avec peu d’interventions humaines sur site, change la structure même du métier. L’IA devient une infrastructure d’exploitation : tableaux de bord, alertes, routines automatiques, procédures de sécurité.

C’est le même mouvement que dans certaines fermes agricoles très mécanisées : moins de temps passé à “regarder si tout va bien”, plus de temps à gérer par exception.

Répondre aux critiques : l’IA ne remplace pas l’évaluation environnementale

La réponse courte : déplacer une ferme au large ne fait pas disparaître les impacts, et l’IA n’est pas un alibi. Par contre, l’IA peut rendre les impacts mesurables, auditables et réduisibles.

Les critiques les plus fréquentes contre l’aquaculture (parasites, antibiotiques, rejets, interactions avec le sauvage, évasions) ne s’annulent pas automatiquement en offshore. Elles changent de forme.

Réduire les maladies sans “solution chimique par défaut”

L’offshore peut diminuer certaines pressions (densité d’agents pathogènes côtiers, meilleure oxygénation), mais le cœur du sujet reste la prévention.

Un bon dispositif IA aide à :

• Détecter tôt les anomalies (stress, blessures, appétit)
• Ajuster les paramètres avant que ça dérape
• Documenter précisément tout événement (utile pour qualité, assurance, conformité)

L’objectif réaliste, ce n’est pas “zéro maladie”. C’est moins d’épisodes graves, et une réponse plus rapide.

Rejets et biodiversité : mesurer, modéliser, prouver

Pour être crédible en 2025, un projet offshore doit être capable de produire :

• Des indicateurs continus (qualité de l’eau, dépôts sous cages)
• Des modèles de dispersion (courants, profondeur)
• Une traçabilité des intrants (aliments, traitements)

Mon point de vue est tranché : si un opérateur ne sait pas montrer ses données, il ne mérite pas la confiance du marché.

Risques d’évasion : l’ingénierie d’abord, la donnée ensuite

La haute mer expose davantage aux tempêtes. Cela impose une approche “safety by design” : matériaux, ancrage, redondances. L’IA intervient ensuite pour détecter des signaux (déformation, rupture, anomalies), mais elle ne compensera pas un mauvais design.

Ce que les acteurs agroalimentaires peuvent copier dès maintenant

La réponse directe : même sans projet offshore, la méthode IA de l’aquaculture de précision est transférable à d’autres maillons de l’agroalimentaire.

Voici ce qui marche, et que j’ai vu réussir dans des contextes voisins (élevage, serres, stockage) :

1) Partir d’un objectif métier, pas d’une “idée IA”

Choisissez un objectif mesurable en 90 jours :

• Diminuer la variabilité de croissance
• Réduire les pertes d’aliment
• Anticiper les incidents qualité

L’IA doit servir un KPI clair.

2) Mettre en place une “pile” données minimale

Avant les modèles sophistiqués, il faut :

• Un référentiel de lots (poissons, aliments, interventions)
• Des capteurs calibrés et maintenus
• Des règles de qualité des données (dérive, trous, valeurs aberrantes)

3) Commencer par l’alerte et l’aide à la décision

Automatiser des décisions critiques est tentant, mais risqué. Les premiers gains viennent souvent de :

• Alertes bien réglées (moins d’alarmes inutiles)
• Recommandations actionnables (quoi faire, quand, pourquoi)
• Journal d’événements (apprentissage collectif)

4) Préparer la conformité et l’acceptabilité

En France et en Europe, le sujet “licence sociale” est central. La meilleure stratégie consiste à intégrer, dès le départ :

• Des indicateurs environnementaux
• Des audits internes
• Une communication factuelle (chiffres, tendances, écarts)

FAQ : les questions qu’on me pose le plus sur l’aquaculture offshore et l’IA

L’aquaculture en haute mer est-elle forcément plus durable ?

Non. Elle peut l’être si elle réduit les impacts locaux et améliore l’efficacité alimentaire, mais il faut le démontrer par des mesures et un suivi.

L’IA diminue-t-elle vraiment les antibiotiques ?

Indirectement, oui, si elle permet une détection précoce et une meilleure prévention. L’IA ne remplace pas la biosécurité, elle l’améliore.

Quel est le principal frein au déploiement ?

La technologie n’est pas le seul obstacle. Les grands freins sont souvent : réglementation, assurance, acceptabilité, logistique et stabilité opérationnelle en conditions difficiles.

L’océan devient un terrain de l’agriculture de précision

La ferme piscicole offshore, pilotée par capteurs et intelligence artificielle, montre une chose : la “production alimentaire” se gère de plus en plus comme un système cyber-physique, qu’il soit sur terre ou en mer. Pour nourrir une population mondiale croissante, on aura besoin de volumes, mais aussi de preuves : preuves d’efficacité, de qualité, et d’impact maîtrisé.

Si vous travaillez dans l’agriculture, l’agroalimentaire ou la tech, il y a une leçon très concrète à retenir : la précision n’est pas un luxe, c’est la condition de l’acceptabilité. Et en 2025, l’acceptabilité se gagne avec des données claires, des modèles explicables, et des décisions traçables.

Vous envisagez un projet IA de monitoring, de prédiction ou d’optimisation dans une exploitation (aquaculture, élevage, transformation) ? La bonne prochaine étape, c’est de cadrer un cas d’usage, définir les capteurs utiles, et construire un pilote qui produit des résultats en quelques semaines — pas en quelques années. Qu’est-ce que vous voudriez pouvoir prédire, demain matin, dans votre chaîne de production ?