IA agroalimentaire : la leçon NotCo pour innover vite

En R&D agroalimentaire, la plupart des idées meurent pour une raison bête : elles ne passent pas le mur du réel. Coût matière, stabilité, contraintes industrielles, approvisionnement, attentes consommateurs… Entre le concept et le rayon, le chemin ressemble souvent à une course d’obstacles.

C’est précisément là que l’histoire de NotCo (et de son IA “Giuseppe”) devient intéressante pour tous ceux qui travaillent dans l’agroalimentaire, la foodtech ou l’agriculture de précision. Parce que NotCo n’a pas commencé avec un “grand modèle” et des datasets parfaits. Ils ont commencé avec… presque rien. Et ils ont construit, pas à pas, une approche qui parle à tout l’écosystème : données, formulation, supply chain, mise à l’échelle.

Ce billet s’inscrit dans notre série Intelligence artificielle dans l’agriculture et l’agroalimentaire : l’IA n’y est pas un gadget. C’est un outil de productivité, de durabilité et de sécurité alimentaire—à condition de l’ancrer dans des données fiables et un processus industriel.

De “zéro donnée” à un moteur de formulation

Point clé : l’IA utile en agroalimentaire commence par résoudre le problème de données, pas par choisir un algorithme. NotCo a fait face à un classique : le cold start. Sans historiques de formulations, sans résultats d’essais, sans analyses labo à grande échelle, un modèle n’a rien à apprendre.

La réponse de NotCo est pragmatique : constituer un dataset initial à partir de données publiques. Leur équipe a agrégé des informations disponibles sur un site gouvernemental américain (USDA) pour créer une base de connaissance exploitable. Ce n’est pas glamour. C’est exactement ce qui marche.

Ce premier socle de données a permis à Giuseppe de générer des recommandations d’ingrédients et de combinaisons. L’exemple le plus cité est un lait végétal reproduisant des attributs sensoriels du lait grâce à des associations inattendues.

Ce que ça change pour l’agroalimentaire (et l’agri)

La leçon est transposable : dans l’agriculture et l’agroalimentaire, la rareté de données internes est la norme, surtout quand on démarre un programme IA.

• En agriculture de précision, on commence souvent avec des jeux de données incomplets (capteurs, météo, sols, imagerie).
• En R&D, les données sont dispersées entre essais pilotes, fiches techniques fournisseurs, panels sensoriels, coûts, contraintes de process.

Mon avis : l’avantage ne vient pas de “plus d’IA”, mais de “meilleure donnée”. Et la meilleure donnée est rarement dans un seul endroit.

La vraie difficulté : la supply chain fragmentée (et ses silos de données)

Point clé : l’innovation produit échoue souvent à cause de la fragmentation du système, pas à cause d’un manque d’idées. Fournisseurs d’ingrédients, aromaticiens, industriels, laboratoires, distributeurs : chacun détient une pièce du puzzle.

NotCo a progressivement renforcé Giuseppe en alimentant le modèle avec de nouvelles données issues de ses laboratoires (notamment en Amérique) et, surtout, en cherchant à intégrer des données de partenaires. L’objectif n’est pas seulement de “mieux formuler”, mais de formuler en tenant compte de la réalité marché : prix, disponibilité, faisabilité industrielle, régularité matière.

Une IA de formulation qui ignore l’approvisionnement n’est pas une IA de R&D : c’est un générateur d’idées coûteux.

Bridge point : de la formulation à l’optimisation des rendements

Il y a un parallèle direct avec l’IA en agriculture : optimiser un rendement sans tenir compte des contraintes (irrigation, fenêtre météo, disponibilité intrants, prix énergie) produit des recommandations “théoriques”. La valeur arrive quand le modèle relie :

• biologie (culture / ingrédients),
• économie (coûts, marges),
• opérations (capacité, qualité, logistique).

C’est la même logique côté champ et côté usine : l’IA doit être systémique.

Générative + “couche de discernement” : l’idée la plus utile

Point clé : la génération d’idées n’est pas le problème. Le tri l’est. Les modèles génératifs peuvent produire 10 000 pistes en quelques secondes. En agroalimentaire, cela ne vaut rien si on ne sait pas quelles 20 valent un test labo.

NotCo explique avoir ajouté à son approche une couche de discernement : une étape qui filtre, évalue et hiérarchise les propositions générées, avec des critères concrets :

• scalabilité (passage labo → pilote → industriel),
• coût de revient (et sensibilité prix matière),
• compatibilité process (température, cisaillement, pH, stabilité),
• alignement consommateur (attentes, préférences, usage).

Et surtout : cette couche fait de la place au retour d’expérience des experts (aromaticiens, formulateurs, industrialisation). Autrement dit, on n’automatise pas la décision, on industrialise le raisonnement.

Pourquoi ce “discernement” est un modèle pour l’IA agroalimentaire

Si vous travaillez sur l’IA dans l’agriculture et l’agroalimentaire en 2025, vous voyez déjà le problème : les organisations testent des IA génératives, mais elles n’ont pas de mécanisme robuste pour :

1. contraindre les sorties (règles métier, conformité, allergènes, claims),
2. mesurer les propositions (KPI coût/qualité/supply),
3. apprendre des essais (boucle de feedback),
4. documenter les décisions (traçabilité).

La couche de discernement, c’est une façon simple de formuler l’exigence : une IA de R&D doit savoir dire “non”.

Mini-cadre pratique : votre “discernment layer” en 6 critères

Voici une grille que j’utilise souvent pour rendre une IA exploitable en R&D agroalimentaire (à adapter) :

1. Faisabilité réglementaire : ingrédients autorisés, étiquetage, allergènes, novel food.
2. Disponibilité & risque supply : multi-sourcing, saisonnalité, volatilité prix.
3. Compatibilité process : équipements existants, fenêtres de température, temps de mélange.
4. Qualité sensorielle attendue : profil aromatique, texture, persistance, off-notes.
5. Coût & marge cible : coût matière, rendement, rebuts.
6. Impact durable : empreinte carbone estimée, eau, biodiversité (si vous avez les données).

Résultat : vous passez de “10 000 idées” à “10 hypothèses testables” avec une logique partageable.

Pourquoi beaucoup de marques CPG bloquent encore (et comment avancer)

Point clé : l’intention ne vaut pas transformation. NotCo observe que de grandes marques ont de l’intérêt pour l’IA, mais manquent souvent d’un plan opérationnel pour créer une vraie “R&D augmentée”. Je suis d’accord : la plupart des programmes IA s’arrêtent à des prototypes parce qu’on sous-estime trois chantiers.

1) Construire la donnée produit comme un actif

Tant que vos données restent dans des PDF, des emails, des dossiers partagés, l’IA sera superficielle. Il faut viser une donnée machine-readable : formulations versionnées, résultats d’essais structurés, conditions process, panels, coûts.

2) Organiser la boucle essai → apprentissage

L’IA progresse quand chaque test alimente le système. Sans discipline de capture (ce qui a été testé, dans quelles conditions, avec quel résultat), votre modèle restera “amnésique”.

3) Outiller les équipes (pas seulement le data lab)

Le vrai déploiement, c’est quand les formulateurs et l’industrialisation utilisent l’outil au quotidien. Ça implique :

• une interface simple,
• des règles métiers intégrées,
• des logs et une traçabilité,
• des KPI qui parlent à la R&D (temps de cycle, taux de succès pilote, coût).

Une IA qui impressionne en démo mais ne s’insère pas dans le cahier de labo ne change rien.

“Et côté agriculture ?” Le lien direct avec la sécurité alimentaire

Point clé : l’IA de formulation et l’IA agricole visent la même chose : produire mieux avec moins de ressources. Les protéines végétales et les alternatives (lait, sauces, nuggets, etc.) ne sont pas qu’un sujet marketing. Elles s’inscrivent dans une tension très concrète : nourrir une population croissante, avec des contraintes d’eau, de sols, d’énergie, et des exigences de traçabilité.

Quand une IA aide à formuler un produit végétal qui passe l’échelle industrielle, elle agit indirectement sur :

• la demande en matières premières (types, volumes, qualité),
• la planification agricole (contrats, variétés, calendriers),
• la résilience (substitution d’ingrédients en cas de rupture),
• la réduction des pertes (stabilité, durée de vie, process mieux maîtrisé).

Autrement dit : l’innovation produit et l’agriculture de précision gagnent à se parler. Et l’IA est un langage commun, à condition de relier les données du champ à celles de l’usine.

Plan d’action : démarrer une IA de formulation en 90 jours

Point clé : vous n’avez pas besoin d’un “grand programme IA” pour obtenir un premier résultat. Vous avez besoin d’un cas d’usage serré, de données minimales, et d’une boucle d’essais.

1. Choisissez un produit cible (ex. : boisson végétale, dessert, sauce) avec un objectif clair (coût, texture, réduction additifs).
2. Inventoriez vos données disponibles : formulations historiques, fiches techniques, specs ingrédients, résultats d’essais.
3. Structurez 30 à 50 essais passés dans un format exploitable (même simple). C’est déjà énorme.
4. Définissez votre couche de discernement (les 6 critères ci-dessus) avec R&D + achats + qualité.
5. Testez un flux “propositions → tri → 5 essais labo” toutes les 2 semaines.
6. Mesurez 3 KPI : temps pour obtenir une formule testable, taux de succès en pilote, coût matière.

Ce rythme crée rapidement un avantage : la vitesse. Et en R&D, la vitesse finit par devenir une barrière à l’entrée.

Ce qu’il faut retenir pour l’IA agroalimentaire

L’histoire de Giuseppe montre une trajectoire saine : partir de données accessibles, apprendre par les essais, intégrer la supply chain, puis ajouter une couche de discernement pour rendre le génératif utile. Ce n’est pas une course à la sophistication. C’est une course à la fiabilité.

Si vous travaillez sur l’intelligence artificielle dans l’agriculture et l’agroalimentaire, c’est une bonne boussole : l’IA qui crée de la valeur est celle qui relie le laboratoire, l’usine et l’amont agricole—et qui sait transformer des milliers d’idées en quelques décisions défendables.

Si vous voulez aller plus loin, la bonne question à se poser en interne est simple : quelles décisions de formulation ou d’approvisionnement prenez-vous encore “au feeling”, faute de données consolidées ? C’est souvent là que se cache votre premier vrai projet IA.