IA et conservation des fruits : réduire le gaspillage

400 millions de livres de fruits et légumes évitées au rebut. C’est le chiffre avancé par Hazel Technologies après avoir appliqué ses solutions sur environ 5 milliards de livres de produits frais. Derrière ces volumes, il y a un sujet très concret pour l’agroalimentaire : la durée de vie d’une barquette de framboises vaut parfois plus qu’une campagne marketing. Une journée de plus en rayon, c’est des retours en moins, des prix mieux tenus, et des tonnes de CO₂ évitées.

L’histoire récente d’Hazel — avec la nomination de Parker Booth comme CEO (après avoir été COO et CEO intérimaire) — intéresse bien au-delà de la « food tech ». Parce qu’elle illustre un point que je vois partout dans les projets d’intelligence artificielle dans l’agriculture et l’agroalimentaire : l’innovation utile n’est pas seulement un algorithme. C’est une combinaison de capteurs, de données, de procédés, et d’exécution opérationnelle dans la vraie vie (palettes, cartons, chambres froides, contrats logistiques).

Ce billet prend Hazel comme cas d’école pour répondre à une question simple : comment prolonger la durée de vie des produits frais, réduire le gaspillage alimentaire, et industrialiser le tout à l’échelle internationale — avec l’IA comme catalyseur ?

Prolonger la durée de vie : une bataille logistique avant d’être technologique

La réponse directe : la “shelf life” se joue surtout dans la chaîne, pas uniquement au champ ou à l’usine.

Dans les produits frais, l’économie est impitoyable : les pertes se concentrent sur quelques points critiques — mauvais réglage de température, rupture de la chaîne du froid, délais de transit variables, atmosphère inadaptée, ou simple décalage entre maturité réelle et date prévue de vente. Les framboises et les myrtilles, par exemple, sont réputées pour leur fragilité : une micro-dérive d’humidité ou un choc thermique suffit à accélérer les moisissures.

Hazel se positionne précisément sur ce maillon : la maîtrise de l’environnement immédiat du fruit, au niveau de la palette ou du carton. Et c’est là que l’IA trouve une place naturelle : elle permet de mesurer, prévoir et piloter ces paramètres dans des opérations où l’humain ne peut pas tout surveiller.

Pourquoi l’extension de durée de vie “par design” devient un sujet IA

Prolonger la durée de vie n’est pas un bonus. C’est un outil de pilotage.

• Pour un expéditeur, une journée gagnée peut réduire les réclamations et améliorer le taux de vente au prix prévu.
• Pour un distributeur, c’est moins de démarques et une meilleure disponibilité en rayon.
• Pour une filière, c’est une réduction mesurable des pertes, donc un indicateur ESG plus crédible.

L’IA intervient dès qu’on veut passer d’une logique “on espère que ça tient” à une logique “on sait pourquoi ça tient”. Et cette bascule passe par des données : capteurs, traçabilité, modèles prédictifs, alertes.

Le cas Hazel : sachets 1-MCP, membranes CO₂ et capteurs connectés

La réponse directe : Hazel ne vend pas un produit unique, mais une boîte à outils pour agir sur la maturation et la dégradation.

L’article source décrit trois briques clés qui, mises ensemble, racontent une stratégie classique d’entreprise tech mature : prouver, puis industrialiser, puis diversifier.

1) Les sachets à diffusion lente (1-MCP) : agir sur l’éthylène

Hazel a popularisé un format “sachet” qui libère progressivement du 1-MCP (1–Methylcyclopropene), une molécule utilisée pour bloquer l’action de l’éthylène, l’hormone naturelle de maturation des fruits.

Le point important pour un décideur agroalimentaire n’est pas la chimie en soi. C’est le fait que Hazel revendique une valeur mesurable : économies “par carton” ou “par expédition” grâce à une baisse de pertes.

Ce type d’argument est exactement ce que recherchent les responsables supply chain : un impact qui se mesure sur le P&L, pas seulement une promesse “qualité”.

2) La membrane CO₂ pour les baies : une “atmosphère contrôlée” au niveau palette

Hazel a aussi acquis des actifs technologiques permettant d’étendre la durée de vie des baies via une membrane (environ 25 cm x 25 cm) intégrée dans un grand sac posé sur la palette, ensuite scellé, puis avec injection de CO₂. L’idée : atteindre un niveau de CO₂ qui inhibe la dégradation, particulièrement utile pour des fruits comme la framboise.

Ce qui m’intéresse ici, c’est le changement d’échelle : on passe d’un petit consommable (sachet) à un dispositif “logistique” (sac palette / sac carton). Cela ouvre des cas d’usage : export long-courrier, marchés lointains, pics saisonniers.

3) Datica : capteurs et logiciel pour mesurer éthylène et 1-MCP

Hazel mentionne Datica, un dispositif connecté capable de mesurer l’éthylène et le 1-MCP pour le stockage longue durée (notamment pommes). C’est la pièce qui relie le monde des matériaux/ambiances au monde des données.

Et une fois qu’on mesure, on peut optimiser.

• Ajuster les protocoles de traitement.
• Détecter des dérives (trop/pas assez de 1-MCP).
• Comparer des sites de stockage.
• Construire des modèles prédictifs de tenue en rayon.

C’est typiquement le moment où l’IA devient “rentable” : elle apprend des historiques, isole les variables qui comptent, et réduit l’incertitude.

4) Hazel Trex : du “shelf life” au “field life” (pré-récolte)

Hazel Trex vise le pré-récolte, avec une promesse concrète : prédire à 1–2 jours près la date de floraison (exemple kiwi), afin de mieux caler l’apport de nutriments.

Ce glissement est stratégique : si vous maîtrisez mieux le moment de floraison, vous maîtrisez une partie de la qualité finale, donc la tenue après récolte. C’est la continuité naturelle de l’IA agricole : prévoir (phénologie), puis agir (intrants), puis contrôler (post-récolte et stockage).

Ce que l’IA ajoute (vraiment) à ces technologies de conservation

La réponse directe : l’IA transforme une solution “statique” en système de décision capable de s’adapter aux lots, aux saisons et aux itinéraires.

Si on veut relier Hazel à une stratégie IA plus large, il faut éviter un piège : croire que l’IA remplace les procédés. En réalité, elle les orches tre. Voici les apports les plus crédibles, avec des exemples concrets.

Prévision de durée de vie par lot (au lieu d’une moyenne)

Même variété, même station de conditionnement… et pourtant, deux lots peuvent vieillir très différemment.

Un modèle IA peut combiner :

• données de récolte (date, maturité, météo des jours précédents),
• données de conditionnement (température, durée, hygrométrie),
• données de transport (temps réel, ruptures),
• mesures de gaz (éthylène/CO₂) et qualité.

Résultat attendu : une durée de vie estimée par lot, pas un “on verra”. Et ça permet de décider : expédier plus loin, vendre plus vite, ou réorienter vers transformation.

Optimisation des itinéraires et de la promesse commerciale

Dans la pratique, une meilleure conservation n’a de valeur que si elle s’intègre à la planification.

• Si un lot est plus fragile, l’IA peut recommander un circuit plus court.
• Si un lot est robuste, on peut ouvrir des marchés plus lointains.
• Côté distributeur, on ajuste la rotation et les promotions.

La phrase qui résume bien : “La meilleure réduction du gaspillage, c’est de vendre le bon lot au bon endroit, au bon moment.”

Détection d’anomalies et qualité prédictive

Les capteurs (comme Datica) permettent de détecter des écarts. L’IA permet de dire si l’écart est grave ou tolérable, et quelle action prendre.

Exemples d’actions :

1. abaisser la température d’un site de stockage,
2. isoler un lot,
3. accélérer l’expédition,
4. déclencher un contrôle qualité ciblé.

C’est là que l’automatisation devient utile : pas pour “faire moderne”, mais pour limiter les décisions au hasard.

Passer à l’échelle : ce que la stratégie d’Hazel dit aux acteurs agro

La réponse directe : l’industrialisation passe par la standardisation, l’outsourcing intelligent, et une expansion pensée “hémisphère Nord/Sud”.

Hazel explique avoir externalisé la fabrication de ses sachets vers un sous-traitant spécialisé afin de suivre la montée en volume, tout en gardant recette et exigences qualité. Dans l’agroalimentaire, c’est un move classique et souvent sain : une start-up n’est pas une usine.

L’autre point, très “métier”, est la logique géographique : être présent dans les deux hémisphères pour servir des cycles de production complémentaires (raisins de table du Pérou, puis Californie, etc.). Hazel annonce une ambition d’être dans 23+ pays à horizon cinq ans.

Pour une entreprise qui déploie de l’IA agricole, la leçon est claire :

• Les modèles doivent être robustes à des contextes très différents (variétés, pratiques, infrastructures froid).
• La donnée doit être comparable d’un pays à l’autre (mêmes définitions, mêmes unités, mêmes protocoles).
• L’adoption dépend autant du support terrain que du logiciel.

Un modèle prédictif excellent sans déploiement opérationnel, c’est un rapport PDF. Utile une fois. Pas une transformation.

Checklist : comment évaluer une solution “anti-gaspillage” pilotée par la donnée

La réponse directe : cherchez des preuves mesurables, une intégration supply chain, et une gouvernance des données.

Si vous êtes producteur, expéditeur, coopérative, ou industriel, voici une grille simple (et franchement plus efficace que 30 slides de jargon).

1. Indicateur business clair : économies par carton, réduction de démarque, baisse de retours.
2. Mesure avant/après : protocole d’essai, lots témoins, saisonnalité prise en compte.
3. Compatibilité opérationnelle : palette, carton, chambre froide, flux existants.
4. Capteurs + actions : une mesure sans action recommandée ne sert pas longtemps.
5. Traçabilité lot : identifiants fiables, données transport accessibles.
6. Déploiement multi-sites : capacité à standardiser la méthode.
7. Sécurité et propriété des données : qui possède quoi, et pendant combien de temps.

En décembre 2025, avec des budgets plus surveillés et une pression accrue sur les marges, je conseille une règle : pas de projet IA sans KPI opérationnel dès le départ (gaspillage, durée de vie, coût logistique, taux de service).

Ce que je retiens pour notre série “IA dans l’agriculture et l’agroalimentaire”

La réponse directe : la réduction du gaspillage alimentaire se gagne quand l’IA relie prévision, contrôle, et décision sur toute la chaîne.

Le cas Hazel rappelle une évidence qu’on oublie vite : prolonger la durée de vie n’est pas un gadget. C’est une stratégie industrielle. Et quand une entreprise combine des solutions physiques (membranes, sachets) avec des solutions numériques (capteurs, logiciels), elle crée une base idéale pour l’IA : des données répétables, des environnements contrôlables, et des décisions à optimiser.

Si vous travaillez sur l’agriculture de précision, la supply chain, ou l’optimisation des rendements, la question à se poser n’est pas “faut-il de l’IA ?”. C’est : où l’incertitude coûte le plus cher, et quelles données permettent de la réduire rapidement ?

Pour la suite, j’aimerais creuser un angle très concret : comment bâtir un modèle de prédiction de “tenue en rayon” qui reste fiable quand on change de pays, de variété et de transport. Votre organisation a-t-elle déjà les données nécessaires… ou faut-il d’abord instrumenter la chaîne ?