IA et fermes verticales : réussir des variétés premium

Un barquette de fraises à 15 $, et parfois jusqu’à 50 $ pour 11 fruits : ce prix peut sembler absurde… sauf si l’on comprend la mécanique derrière. Les fermes verticales qui s’en sortent ne vendent pas “des fraises”. Elles vendent une expérience gustative constante, en plein hiver, avec une qualité calibrée — et elles y parviennent grâce à un niveau de contrôle que l’agriculture de plein champ ne peut pas offrir.

C’est exactement la stratégie d’Oishii, acteur de la culture verticale aux États‑Unis, qui a lancé une nouvelle variété japonaise, la Koyo Berry, après l’Omakase Berry introduite en 2018. Le fait marquant n’est pas seulement le lancement produit : c’est la logique derrière. Oishii s’appuie sur des fermes indoor, de la robotique, et une approche “recette climatique” (humidité, lumière, etc.) pour produire 365 jours par an.

Dans cette série “Intelligence artificielle dans l’agriculture et l’agroalimentaire”, ce type d’exemple est précieux : il montre pourquoi l’IA n’est pas un gadget. En environnement contrôlé, l’IA devient un outil de pilotage : elle aide à stabiliser la qualité, réduire les intrants, détecter les dérives, et rendre économiquement viable la culture de variétés exigeantes.

Pourquoi les variétés rares changent l’équation économique

La réponse directe : en ferme verticale, la rentabilité se joue autant sur la valeur du produit que sur les rendements. Produire une laitue “standard” sous LEDs expose à une concurrence féroce et à une pression prix permanente. À l’inverse, une variété rare, difficile à importer et très attendue par des prescripteurs (chefs, épiceries premium, consommateurs “foodies”), permet de financer l’infrastructure.

Oishii illustre bien ce choix : miser sur des cultivars japonais (Omakase, puis Koyo) dont la promesse est claire — goût, régularité, disponibilité — plutôt que de se battre sur le volume. Le résultat est un positionnement qui amortit mieux les coûts fixes (énergie, CAPEX, main-d’œuvre qualifiée).

Ce modèle répond aussi à une réalité 2025 : les consommateurs veulent à la fois du local, du traçable et du régulier, même hors saison. En France, on le voit dans la montée des circuits courts et dans la sensibilité aux ruptures d’approvisionnement. Les fermes verticales ne remplacent pas le plein champ, mais elles peuvent devenir une assurance qualité sur certains segments.

Ce que la Koyo raconte sur le marché

La Koyo est décrite comme une variété japonaise traditionnellement cultivée l’hiver près de Tokyo. L’intérêt, en indoor, est évident : la saisonnalité devient un paramètre, pas une contrainte. Et quand vous vendez un produit premium, vous ne pouvez pas vous permettre une qualité “variable”.

Une phrase que je garde en tête : en premium, l’irrégularité coûte plus cher que la baisse de rendement. Une seule série de barquettes décevantes peut casser une réputation.

Le vrai moteur des fermes verticales : les données (et donc l’IA)

La réponse directe : une ferme verticale performante est un système cyber-physique. Lumière, irrigation, nutriments, circulation d’air, CO₂, humidité, température, densité de plantation… tout est mesuré, actionnable, et optimisable.

Oishii indique que sa ferme Mugen (environ 74 000 ft²) combine robotique et méthodes agricoles japonaises, avec des gains revendiqués de 60 % d’énergie en moins et 40 % d’eau en moins par rapport à des fermes verticales de première génération. Même si ces chiffres dépendent fortement du périmètre de comparaison, la direction est nette : le pilotage fin et l’ingénierie système comptent autant que la biologie.

C’est là que l’IA s’insère naturellement, notamment via trois familles d’usages très concrets.

1) Vision par ordinateur : voir ce que l’œil humain rate

En environnement contrôlé, on peut instrumenter la culture de façon dense : caméras RGB, multispectrales, capteurs de profondeur, voire imagerie thermique. L’IA de vision sert à :

• détecter précocement stress hydrique, carences (symptômes foliaires), moisissures,
• suivre la croissance fruit par fruit (taille, couleur, uniformité),
• mesurer la densité de feuillage et le risque de microclimats favorables au botrytis,
• standardiser le tri et la récolte (surtout si robotisée).

Pour une fraise premium, la vision n’est pas seulement “qualité”. C’est aussi un outil pour réduire le gaspillage en agissant plus tôt.

2) Modèles prédictifs : passer du réglage manuel au pilotage

Dans beaucoup de fermes indoor, on ajuste encore “à la main” des consignes (photopériode, intensité LED, irrigation). L’IA permet de bâtir des modèles qui relient :

• conditions climatiques → vitesse de maturation,
• recettes lumière/nutriments → profil sucre/acidité,
• densité + circulation d’air → risque sanitaire,
• calendrier cultural → prévisions de volumes (utile pour la vente et la logistique).

L’objectif : ne plus subir les variations, mais les anticiper. Et pour un acteur qui veut déployer une variété comme la Koyo dans plusieurs villes (côte Est puis Los Angeles), la prédiction devient un avantage opérationnel.

3) Optimisation multi-objectif : qualité, coût, durabilité

Le pilotage d’une ferme verticale est un compromis permanent. Plus de lumière peut améliorer la qualité, mais augmente l’énergie. Plus de ventilation peut réduire les maladies, mais dessèche et consomme.

Les approches d’optimisation (dont certaines s’appuient sur l’apprentissage automatique) aident à viser simultanément :

• constance gustative,
• réduction de l’énergie (kWh/kg),
• réduction de l’eau (L/kg),
• productivité (kg/m²/an),
• taux de rebut.

C’est exactement le terrain où l’IA a de la valeur : quand il faut arbitrer, vite, avec beaucoup de variables.

“Recettes de culture” : le futur des variétés exigeantes

La réponse directe : les variétés premium en ferme verticale se gèrent comme des recettes reproductibles, et l’IA aide à les formaliser, les stabiliser et les transférer d’un site à l’autre.

Oishii explique avoir voulu reproduire “une journée parfaite au Japon” dans une ferme américaine. Dit autrement : la variété n’est pas seulement génétique, elle est génétique + environnement. Une Koyo cultivée sous un autre régime lumineux ou une autre humidité ne donnera pas le même fruit.

L’idée forte pour 2025 : une ferme verticale qui gagne construit une bibliothèque de recettes (par variété, par stade, par objectif). Et l’IA agit comme :

• un chef de culture numérique qui alerte quand on s’écarte,
• un contrôleur qualité qui relie symptômes et causes,
• un outil de transfert industriel (du pilote au multi-site).

Exemple concret : stabiliser le goût (pas seulement la taille)

La plupart des métriques agricoles classiques (rendement, calibre) ne suffisent plus en premium. Pour des fraises haut de gamme, on vise des indicateurs comme :

• brix (sucre),
• acidité titrable,
• fermeté (transport),
• arômes (corrélats mesurables via conditions de culture).

L’IA peut relier ces résultats à l’historique de microclimat et proposer des ajustements. Ce n’est pas magique : il faut des données propres, une instrumentation fiable, et des cycles d’apprentissage. Mais c’est faisable — et c’est ce qui rend la promesse “même goût toute l’année” crédible.

Ce que les acteurs agro (en France) peuvent en tirer dès maintenant

La réponse directe : vous n’avez pas besoin d’une ferme verticale géante pour profiter de cette approche data-driven. Les principes s’appliquent aussi aux serres, tunnels, champignons, jeunes pousses, et même à certaines filières en bâtiments.

Voici une grille d’action que j’utilise souvent pour évaluer si un projet “IA + environnement contrôlé” peut produire un ROI.

1) Commencer par un problème métier, pas par un modèle

Les meilleurs points d’entrée sont mesurables et coûteux :

• maladies et pertes (botrytis, oïdium, pourritures),
• irrégularité de calibre/qualité,
• surconsommation énergétique,
• manque de prévisibilité des volumes.

2) Instrumenter léger, puis densifier

Un stack minimal utile :

• capteurs température/humidité/CO₂,
• suivi irrigation (débit, EC, pH),
• quelques caméras fixes pour le monitoring,
• traçabilité des lots (dates, actions culturales).

Ensuite seulement : capteurs plus fins, imagerie avancée, automatisation.

3) Mettre l’humain au centre (sinon, ça casse)

Une règle simple : si l’IA n’explique pas “quoi faire demain matin”, elle finit ignorée. Il faut :

• des alertes actionnables,
• des seuils co-définis avec l’équipe terrain,
• un historique compréhensible (pour apprendre des erreurs).

4) Préparer le passage multi-site

Oishii cherche l’expansion géographique. En France, beaucoup de projets échouent au moment du déploiement (site 2, site 3). Pour éviter ça :

• standardiser les capteurs,
• définir des KPI identiques,
• versionner les “recettes” (comme du logiciel),
• documenter les écarts et leurs causes.

Une ferme verticale rentable n’est pas seulement une serre empilée : c’est une organisation qui sait apprendre vite.

FAQ : les questions qu’on me pose le plus sur l’IA en ferme verticale

L’IA est-elle indispensable pour une ferme verticale ?

Non. On peut démarrer sans IA avancée. Mais dès qu’on vise qualité premium constante et réduction des coûts énergétiques, l’IA (ou, au minimum, l’analytique et l’automatisation) devient un accélérateur.

L’énergie reste le point faible : l’IA peut-elle vraiment aider ?

Oui, surtout via l’optimisation de l’éclairage (planning, intensité, spectre) et la détection de dérives (ventilation, déshumidification). L’IA ne crée pas d’électricité moins chère, mais elle réduit le kWh gaspillé.

Peut-on appliquer ces approches à l’agriculture de plein champ ?

Absolument, mais différemment. En plein champ, l’IA sert davantage à gérer l’incertitude météo, la variabilité des sols, et l’imagerie satellite/drone. En indoor, elle sert à maîtriser et standardiser.

Ce que l’exemple Oishii dit sur la prochaine étape

Les fermes verticales qui survivront ne gagneront pas au “plus grand”. Elles gagneront au “plus maîtrisé”. Le lancement d’une variété comme la Koyo montre qu’un acteur peut créer de la valeur en combinant : variétal distinctif, environnement contrôlé, robotique, et demain encore plus d’IA pour fiabiliser et industrialiser.

Si vous travaillez dans l’agroalimentaire, c’est un signal clair : la bataille se déplace vers la qualité reproductible et la prédictibilité. Et l’IA est l’outil qui transforme une intuition agronomique en système pilotable.

Dans les prochains articles de cette série “Intelligence artificielle dans l’agriculture et l’agroalimentaire”, j’irai plus loin sur un sujet très concret : comment construire une “recette de culture” data-driven (KPI, capteurs, gouvernance des données) sans tomber dans le piège du projet techno sans usage. D’ici là, une question simple peut guider vos choix : quelle partie de votre qualité dépend encore de la chance ?