IA alimentaire : de Samsung Food au champ connecté

73% des consommateurs dans le monde déclarent s’intéresser à une alimentation plus personnalisée, alignée avec leur santé et leurs préférences (données 2023, études de consommation). Le paradoxe, c’est que l’offre alimentaire reste souvent pensée « en moyenne » : des gammes standardisées, des promotions massives, des recettes génériques. La personnalisation existe… mais elle est surtout marketing.

L’histoire de Nick Holzherr — fondateur de Whisk et aujourd’hui à la tête de Samsung Food — montre autre chose : quand on structure les recettes, les ingrédients et les usages, on obtient un système de décision. Et ce système ne s’arrête pas à la cuisine. Il peut remonter la chaîne, jusqu’à l’agriculture et à l’agroalimentaire.

Voici ce que je retiens de ce parcours (Whisk → Samsung Food, annoncé à grande échelle au CES 2024) et surtout ce que ça change pour l’IA dans l’agriculture et l’agroalimentaire, notre fil rouge dans cette série.

Samsung Food : une plateforme IA qui « comprend » les recettes

Samsung Food illustre un point simple : l’IA n’apporte de valeur que si elle transforme un contenu non structuré en actions utiles. Dans le cas des recettes, cela veut dire : reconnaître les ingrédients, les quantités, les étapes, les substitutions possibles, les contraintes (allergènes, budget, temps) et les convertir en listes de courses, recommandations, ou instructions de cuisson.

Nick Holzherr raconte que Whisk a attaqué très tôt ce problème — avant que les frameworks modernes ne simplifient tout — en construisant ses propres modèles pour parser les recettes et les rendre « intelligentes ». Cette obsession pour la structure est la vraie leçon.

Ce que l’IA fait vraiment (et ce qu’elle ne fait pas)

Une plateforme comme Samsung Food ne se limite pas à “proposer des recettes”. Elle opère plutôt comme un moteur de décision culinaire :

• Compréhension sémantique : une recette « 2 gousses d’ail » devient une donnée exploitable.
• Contrainte et optimisation : ajuster une recette à 4 personnes, à un régime, à un budget.
• Conversion vers la demande : transformer l’intention (« je veux cuisiner ça ») en achats.

Ce n’est pas un détail. Dans l’agroalimentaire, la différence entre une info et une donnée est exactement ce qui sépare un reporting statique d’une optimisation pilotée par IA.

Phrase à garder en tête : “Une recette non structurée inspire. Une recette structurée pilote.”

Du “shoppable recipe” à l’écosystème food data : pourquoi ça ressemble à l’agriculture de précision

Whisk a été l’un des pionniers des “recettes achetables” : vous choisissez une recette, vous générez une liste de courses, vous passez commande chez un distributeur, et des marques (CPG) peuvent sponsoriser la mise en avant de certains produits.

C’est facile de réduire ça à du commerce. Je pense que c’est une erreur. Le sujet de fond est ailleurs : la cuisine devient un capteur de demande.

La cuisine comme point de mesure (plutôt que simple point de vente)

Chaque action d’un utilisateur — enregistrer une recette, remplacer un ingrédient, filtrer sans gluten, éviter le lactose, choisir “moins de sucre” — produit un signal.

À l’échelle, ces signaux permettent :

• de détecter des tendances d’ingrédients (hausse de la demande en légumineuses, alternatives végétales, etc.) ;
• d’anticiper des volumes (saisonnalité réelle basée sur les menus, pas uniquement sur les ventes) ;
• d’identifier des substitutions (ex. beurre ↔ margarine ↔ huile d’olive, selon prix et préférences).

Dans l’agriculture de précision, on fait la même chose, mais côté amont : capteurs, imagerie, météo, sols… On transforme des signaux en décisions agronomiques. L’idée “du champ à l’assiette” devient concrète quand l’assiette renvoie aussi des signaux.

Une chaîne alimentaire pilotée par données : le vrai pont

Quand Samsung Food structure la consommation, on peut connecter :

• la prévision de la demande (menus planifiés, intentions) ;
• l’optimisation industrielle (planning de production, formulation, packaging) ;
• la logistique (stocks, ruptures, démarque) ;
• l’amont agricole (choix variétaux, volumes contractuels, calendriers de récolte).

C’est exactement le sens d’une stratégie IA agroalimentaire moderne : réduire l’incertitude.

Le parcours de Whisk : une leçon B2B pour l’agroalimentaire

Un passage important de l’épisode : Whisk a commencé en app grand public, puis a pivoté vers une plateforme B2B (API) utilisée par des médias, distributeurs, marques et fabricants d’électroménager. À son pic, Nick mentionne jusqu’à un demi-milliard d’interactions mensuelles alimentées par la technologie.

Pour les acteurs agricoles et agroalimentaires, c’est une leçon très actionnable : l’IA “visible” (app, chatbot, écran) n’est souvent que la surface. La valeur réside dans les couches invisibles : normalisation, API, catalogues produits, référentiels d’allergènes, graphes d’ingrédients.

Trois modèles économiques… qui existent aussi côté agri/agro

Whisk a combiné :

1. Licences (API) : abonnement pour accéder à la techno.
2. Frais à la performance : clic/transaction/nouveau client.
3. Modèle média (sponsoring) : mise en avant de produits.

Dans l’agriculture et l’agroalimentaire, on retrouve des équivalents très proches :

• licences de plateformes de traçabilité, de vision par ordinateur, ou de prévision ;
• facturation au hectare analysé, au lot contrôlé, à la tonne optimisée ;
• sponsoring/co-marketing autour de filières (labels, origine, nutrition).

Autrement dit : la monétisation de la data alimentaire n’est pas un concept abstrait, c’est déjà une réalité dans les modèles adjacents.

Ce que Samsung change : distribution, capteurs… et santé

La re-marque Whisk → Samsung Food a pu frustrer certains utilisateurs, mais stratégiquement, c’est logique : une plateforme food prend de la valeur quand elle a de la distribution et des capteurs.

Samsung apporte :

• une présence sur des millions d’appareils (mobiles, TV, électroménager) ;
• des objets de santé (montres, bagues) qui mesurent activité, sommeil, parfois glycémie indirecte via proxy ;
• des appareils de cuisine connectés (four, frigo) qui peuvent contextualiser la préparation.

Nick insiste sur le lien alimentation ↔ santé (obésité, diabète). Je suis d’accord avec une nuance : la santé ne se “résout” pas avec une app. Mais elle se pilote mieux avec un écosystème qui relie intention, achat, préparation et habitudes.

Pourquoi c’est crucial pour l’agroalimentaire en 2025

Fin 2025, la pression est forte sur :

• le pouvoir d’achat (arbitrages prix vs qualité) ;
• la réglementation (étiquetage, allégations, réduction du sel/sucre, emballages) ;
• la durabilité (réduction du gaspillage, empreinte carbone).

Une plateforme IA côté cuisine peut contribuer à trois objectifs très concrets :

1. Réduire le gaspillage via menus basés sur ce qu’on a déjà.
2. Améliorer la qualité nutritionnelle via recommandations réalistes (pas moralisatrices).
3. Rendre la demande plus prévisible via planification et listes de courses.

Et quand la demande devient prévisible, l’amont (agriculture) peut enfin contractualiser et produire avec moins d’aléas.

“Ce qui était impossible il y a 3 ans marche maintenant” : la vraie rupture IA

Nick raconte un échec parlant : tenter la reconnaissance visuelle des aliments il y a quelques années, et constater que ce n’était “pas assez bon”. Puis voir qu’avec des bibliothèques modernes, une grande partie fonctionne.

Le message derrière cette anecdote est capital pour les projets IA en agriculture et agroalimentaire : le coût d’entrée a chuté, mais la différenciation se déplace.

La commoditisation de l’IA, et où se cache l’avantage

Si “tout le monde peut appeler une API”, alors l’avantage durable vient de :

• la qualité des données (référentiels produits, variétés, origines) ;
• les intégrations (ERP, WMS, e-commerce, machines, capteurs) ;
• la gouvernance (droits, consentements, sécurité) ;
• la capacité à déployer sur le terrain (usines, coopératives, exploitations).

C’est aussi vrai pour une plateforme cuisine que pour la surveillance des cultures ou la détection de maladies par vision : le modèle n’est plus le goulot. L’opérationnel, si.

Questions fréquentes (et réponses utiles)

Une plateforme type Samsung Food peut-elle aider l’agriculture ?

Oui, si elle sert à agréger des signaux de consommation (intentions, substitutions, fréquence) utilisables pour la prévision de la demande et la planification amont.

Est-ce que “smart kitchen” est encore un gadget ?

Souvent, oui. La bascule se fait quand l’IA réduit le nombre d’étapes pour l’utilisateur (moins de friction) et apporte un bénéfice mesurable (temps, budget, santé, gaspillage).

Quels projets IA “farm-to-fork” sont les plus rapides à rentabiliser ?

Dans mon expérience, les plus rentables à court terme sont :

• prévision de la demande (et baisse des invendus) ;
• optimisation des stocks et des substitutions ;
• aide à la formulation/renutritionnalisation produit ;
• automatisation qualité (vision, contrôle de conformité).

Passer de l’inspiration à l’optimisation : quoi faire dès maintenant ?

Si vous êtes un acteur agricole, une coopérative, un industriel ou une marque agroalimentaire, voici un plan simple (et réaliste) pour s’inspirer du modèle Whisk/Samsung Food.

1) Structurer un langage commun des ingrédients

Sans référentiel propre (ingrédients, allergènes, équivalences, formats), l’IA reste un bricolage. Objectif : un dictionnaire exploitable par API.

2) Connecter la donnée « usage » à la donnée « produit »

La demande n’est pas qu’un ticket de caisse. Elle commence plus tôt : recherche, intention, recette, liste. Votre SI doit être capable de relier ces signaux.

3) Choisir un cas d’usage “anti-gaspillage” pour démarrer

Fin décembre est une période où les ménages arbitrent beaucoup (budget, temps, fêtes), et où le gaspillage peut grimper. Un POC utile :

• recommandations de menus selon stocks,
• substitutions selon prix,
• alertes de DLC,
• ajustement de portions.

4) Mesurer 3 KPI, pas 30

Je recommande un trio clair :

• taux de conversion liste de courses → achat,
• réduction du gaspillage (kg ou €),
• amélioration nutritionnelle (score interne simple).

La suite logique : un système alimentaire “apprenant”

L’histoire de Nick Holzherr n’est pas seulement un récit d’entrepreneur (même si la trajectoire Whisk → acquisition → Samsung Food est impressionnante). C’est une démonstration : quand l’IA structure le quotidien culinaire, elle crée une boucle de rétroaction.

Dans notre série “Intelligence artificielle dans l’agriculture et l’agroalimentaire”, c’est un jalon important : l’IA ne doit pas être pensée uniquement au champ ou à l’usine, mais aussi au plus près de l’usage — là où la demande se forme.

Si vous voulez générer des leads qualifiés sur ces sujets, la question à se poser n’est pas “quelle IA acheter ?” mais plutôt : “quelle donnée de décision pouvons-nous capter, et à quel endroit de la chaîne ?”

Et si, en 2026, la meilleure prévision de récolte venait aussi… des menus planifiés la veille au soir ?