IA et fermes verticales : 100 millions de salades, et après ?

100 millions de portions de laitue produites par une seule entreprise, dans un pays où la culture en intérieur existe depuis des décennies : ce chiffre, atteint par le japonais Spread, a une valeur très concrète. Il prouve qu’une ferme verticale peut sortir du statut de “démo technologique” pour devenir une machine industrielle fiable, capable d’approvisionner la distribution à grande échelle.

Et c’est précisément là que l’intelligence artificielle dans l’agriculture et l’agroalimentaire devient intéressante : pas comme un gadget, mais comme un système d’optimisation continue. Une ferme verticale réussie ne “pousse” pas seulement des plantes sous LED. Elle orchestre un ensemble de décisions (lumière, climat, eau, nutrition, récolte, logistique) où les données et l’automatisation font la différence entre un modèle rentable… et une belle idée qui brûle du cash.

Ce que le cap des 100 millions dit vraiment (au-delà du marketing)

Le message clé derrière ce jalon est simple : la répétabilité. Produire 100 millions de portions de laitue implique d’avoir stabilisé un process, réduit la variabilité, et sécurisé la qualité sur la durée.

Spread, fondée en 2007 par Shinji Inada, s’est attaquée à un problème que beaucoup sous-estiment : dans les “plant factories” historiques, le prix et la qualité ne rivalisaient pas toujours avec le champ. L’entreprise a donc développé un système orienté performance, puis a industrialisé sa démarche avec le concept Techno Farm (lancé en 2018), combinant automatisation, contrôle précis de l’environnement et pilotage par une plateforme IoT.

Ce jalon est aussi un signal pour l’Europe : la ferme verticale n’est pas réservée aux mégapoles futuristes. Elle répond à des sujets très actuels en 12/2025 : pression climatique, volatilité des prix de l’énergie, attentes de régularité des enseignes, et réduction des intrants (eau, pesticides, pertes).

Une leçon rarement dite : l’échelle ne pardonne pas

La réalité ? En ferme verticale, quand vous passez à l’échelle, chaque “petite” dérive devient un gouffre :

• 2% de rendement en moins sur un cycle, multiplié par des centaines de milliers de plants
• quelques heures de dérive hygrométrique qui favorisent une maladie
• une recette nutritive mal ajustée qui dégrade texture et durée de vie

L’IA n’est pas un bonus : c’est un outil de maîtrise statistique du vivant.

Où l’IA crée de la valeur en ferme verticale (et pourquoi Spread tient la route)

Une ferme verticale performante repose sur un principe : transformer l’agronomie en système pilotable. Cela ne veut pas dire “remplacer” l’agronome. Cela veut dire lui donner une capacité d’arbitrage plus rapide, plus fine, et plus constante.

Spread s’appuie sur un pilotage IoT (son “Cloud” de gestion de culture). Si on projette ce modèle avec les meilleures pratiques IA actuelles, on retrouve 4 leviers très concrets.

1) Optimiser l’éclairage : le poste de dépense qui fait (souvent) mal

Dans beaucoup de fermes verticales, l’électricité est le nerf de la guerre. L’IA intervient ici de deux manières :

• Optimisation dynamique des “recettes lumineuses” (intensité, spectre, photopériode) selon le stade de la plante
• Prédiction de croissance pour éviter de “sur-éclairer” par sécurité

Une phrase que j’aime bien utiliser en audit : “Si votre stratégie lumière, c’est ‘on met un peu plus au cas où’, vous financez la variabilité au prix fort.”

À l’échelle de Spread (distribution dans environ 5 000 points de vente), la moindre optimisation stable de la conso énergétique a un impact direct sur la marge.

2) Contrôle climat + détection d’anomalies : prévenir au lieu de corriger

Température, CO₂, humidité, circulation d’air : la culture indoor transforme ces paramètres en “boutons de contrôle”. L’IA devient utile quand elle passe du réglage statique à la surveillance intelligente :

• détection d’anomalies (capteur défaillant, dérive progressive)
• alertes contextualisées (pas juste “humidité haute”, mais “risque botrytis en hausse, zone B, 6h”)
• recommandations d’action (ventilation, déshumidification, ajustement de consigne)

Le gain réel, c’est la réduction des incidents et la stabilisation de la qualité (croquant, couleur, densité, taux d’eau), des critères essentiels pour les rayons salade.

3) Automatisation et planification : la rentabilité se joue sur la main-d’œuvre

Spread a misé sur l’automatisation de culture. Dans le secteur, c’est souvent le passage le plus difficile : la robotique et les flux (plateaux, semis, repiquage, récolte) doivent être conçus comme une usine.

L’IA intervient surtout pour :

• planifier les cycles (semis/récolte) selon la demande
• lisser la charge de travail et éviter les goulots
• réduire les rebuts (mauvais calibrage, casse, sur-maturité)

Dans l’agroalimentaire, ce qui détruit la marge n’est pas seulement le coût. C’est l’irrégularité. Et l’irrégularité vient souvent d’une planification insuffisamment outillée.

4) Qualité produit et durée de vie : l’enjeu “aval” trop oublié

Produire une belle laitue, c’est bien. La livrer avec une durée de vie fiable, c’est ce que le retail exige.

L’IA peut connecter culture et aval via :

• corrélations entre paramètres de culture et tenue en rayon
• scoring qualité lot par lot
• ajustement des recettes selon l’usage (salade prête à l’emploi, restauration, barquette)

Spread a lancé des variantes comme une laitue “pré-déchirée” en cours de production. Ce type d’innovation a du sens : la valeur se déplace vers la préparation, le gain de temps, et la constance.

Pourquoi le Japon réussit là où d’autres marchés ont souffert

Certaines fermes verticales, notamment aux États-Unis, ont connu des difficultés de rentabilité ces dernières années. Ce n’est pas un mystère : coûts énergétiques, CAPEX élevés, sur-promesses, et parfois un décalage entre produit cultivé et modèle de distribution.

Le cas Spread montre trois facteurs de réussite que je considère non négociables.

1) Une trajectoire longue : 15+ ans d’amélioration continue

Les cycles d’apprentissage en agriculture contrôlée sont lents : une modification de recette se valide sur plusieurs cultures, saisons (même indoor, la réalité opérationnelle varie), et contraintes industrielles.

Une entreprise créée en 2007 a eu le temps de construire :

• des SOP robustes (procédures)
• une base de données historique
• une culture d’exécution

L’IA a besoin de données. Les bons modèles naissent rarement “au premier dataset”.

2) Une logique “retail-ready” : distribution massive, pas seulement vitrine

Vendre via des milliers de magasins impose :

• standardisation des calibres
• régularité des volumes
• gestion de la chaîne du froid
• qualité visuelle constante

C’est moins glamour que des démonstrations high-tech, mais c’est ce qui fait une entreprise viable.

3) Un choix produit cohérent : la laitue comme porte d’entrée

La laitue est un produit très adapté au vertical farming : cycle court, valeur liée à la fraîcheur, forte sensibilité aux aléas météo en plein champ. Une fois ce socle stabilisé, l’extension vers d’autres cultures (Spread explore la fraise) devient plus rationnelle.

Ce que les acteurs français et européens peuvent copier (sans copier-coller)

Le contexte français est différent (énergie, foncier, distribution, normes), mais les principes restent transposables. Si vous travaillez dans l’agriculture, l’agroalimentaire, une coopérative, une startup AgTech ou une enseigne, voici une grille simple.

Check-list opérationnelle : “AI-ready” en ferme verticale

1. Instrumenter correctement : capteurs fiables, étalonnage, traçabilité lot par lot.
2. Standardiser les données : mêmes unités, même fréquence, gestion des valeurs manquantes.
3. Définir 3 KPI non négociables : rendement (kg/m²), coût énergie/kg, taux de rebut.
4. Relier culture et commerce : prévisions de demande, contrats, specs qualité.
5. Automatiser ce qui est répétitif : l’humain doit gérer l’exception et l’amélioration.

Une ferme verticale rentable, c’est une ferme qui sait expliquer, chiffres à l’appui, pourquoi un lot A sera prêt à J+18 avec tel calibre, et pourquoi un lot B doit être ajusté à J+12.

Cas d’usage “lead” côté agroalimentaire

Si vous êtes côté transformation ou distribution, vous pouvez démarrer sans posséder de ferme verticale :

• co-développer des cahiers des charges “prêt à l’emploi” (salades, sandwiches, kits repas)
• tester des contrats d’approvisionnement basés sur la constance (volume + qualité)
• intégrer des critères de durabilité mesurables (eau, pesticides, pertes) dans l’achat

La valeur, c’est la prévisibilité : moins de rupture, moins de démarque, moins d’impro.

Et après la laitue : fraises, protéines végétales… et nouvelles exigences IA

Spread explore la fraise et la production de viande végétale. Ces deux axes sont logiques, mais plus exigeants.

• Fraise : pollinisation, gestion fine de la qualité organoleptique, sensibilité aux microclimats. L’IA devra aller plus loin en vision, micro-zonage et pilotage par variété.
• Protéines végétales : ici, on parle autant d’agronomie que d’industrialisation alimentaire. L’IA peut aider à optimiser formulations, textures et rendements de transformation, mais les chaînes de valeur et la réglementation changent de nature.

La tendance 2025 que je vois s’installer : on ne demande plus seulement “une ferme verticale”. On demande un système agroalimentaire : production + préparation + qualité + traçabilité + empreinte environnementale.

Ce que vous pouvez faire dès maintenant (si vous visez des résultats, pas des slides)

Si vous envisagez l’IA en agriculture de précision ou en environnement contrôlé, commencez par une ambition modeste mais mesurable : réduire une source de variabilité.

• Sur l’énergie : mettre en place une optimisation horaire des consignes lumière/climat.
• Sur la qualité : relier 5 variables de culture à un score de tenue en rayon.
• Sur l’opérationnel : détecter automatiquement les dérives capteurs et déclencher une procédure.

Je prends position : le succès ne viendra pas d’un modèle IA “généraliste”, mais d’une série d’améliorations ciblées, empilées, et maintenues dans le temps. C’est exactement ce que suggère le parcours de Spread : une progression méthodique, orientée production.

La série “Intelligence artificielle dans l’agriculture et l’agroalimentaire” parle souvent de rendement, de surveillance des cultures et de sécurité alimentaire. La ferme verticale est l’endroit où ces sujets deviennent visibles, quantifiables, industrialisables.

La question à se poser pour 2026 n’est pas “Peut-on cultiver en ville ?”. C’est plutôt : qui saura opérer des fermes comme des systèmes de données, sans perdre le sens agronomique du vivant ?