IA et « food as medicine » : le modèle Foodsmart

7,4 millions de patients. C’est l’échelle annoncée par Foodsmart après l’extension de son programme « Foodscripts » et une nouvelle tranche de financement de 10 M$ (Series C portée à 40 M$). Derrière la performance, il y a une idée simple qui mérite qu’on s’y attarde : la nutrition ne devient réellement “médicale” que lorsqu’elle est prescrite, suivie et mesurée comme un soin.

Je trouve ce chiffre intéressant pour une raison très concrète : atteindre des millions de personnes ne dépend pas seulement d’une appli bien conçue. Ça dépend d’une mécanique complète — données, parcours de soins, assurance, logistique alimentaire — qui ressemble beaucoup à ce que l’on cherche à construire dans l’agroalimentaire augmenté par l’IA : des systèmes capables de passer du prototype à l’impact.

Dans cette publication de la série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », on va utiliser Foodsmart comme cas d’école : ce que leur expansion dit de l’IA appliquée à la santé, et surtout ce que ça implique pour les acteurs de la chaîne alimentaire (agriculteurs, coopératives, transformateurs, distribution, food service).

Ce que Foodsmart prouve : l’IA ne sert à rien sans le “système”

La leçon principale est directe : la personnalisation nutritionnelle ne scale pas avec des conseils génériques, elle scale avec de l’intégration opérationnelle.

Foodsmart n’annonce pas seulement une audience plus large. L’entreprise met en avant plusieurs briques qui, ensemble, transforment un “conseil nutrition” en parcours remboursable et pilotable :

• Extension du programme à 7,4 millions de patients via trois grands systèmes de santé.
• Financement additionnel de 10 M$ (Series C à 40 M$).
• Partenariats avec des institutions médicales.
• Intégration au dossier médical (EHR) pour prescrire et tracer.
• Montée en compétences des soignants (formation à la science nutritionnelle et aux bonnes pratiques).

Pourquoi c’est crucial ? Parce que l’IA, seule, n’est qu’un moteur. Le véhicule, c’est le système de santé (ou demain, le système alimentaire) : standards de données, preuves d’efficacité, modes de paiement, et capacité à livrer une recommandation sous une forme utilisable par l’utilisateur.

Phrase à garder : « La nutrition devient un soin quand elle devient traçable, prescriptible et finançable. »

De la prescription nutritionnelle à l’agroalimentaire : le pont est déjà là

L’angle “food as medicine” semble très santé. En réalité, il touche au cœur de l’agroalimentaire : produire, transformer et distribuer des aliments adaptés à des besoins physiologiques réels, à grande échelle.

Quand la demande devient clinique, l’offre doit devenir précise

Si des millions de personnes reçoivent des recommandations ciblées (pré-diabète, hypertension, NAFLD, obésité, hypercholestérolémie…), alors la demande se déplace :

• des calories “indifférenciées” vers des profils nutritionnels (fibres, protéines, sodium, index glycémique, densité micro-nutritionnelle) ;
• des achats impulsifs vers des paniers guidés (listes, substitutions, portions) ;
• des produits “marketing” vers des produits mesurables (composition stable, traçabilité, données nutritionnelles fiables).

C’est exactement l’endroit où l’IA peut connecter agriculture et santé : prévision de la demande, reformulation, optimisation de gamme, planification de production, réduction du gaspillage.

Le vrai actif : les données de consommation reliées aux résultats

Un programme comme Foodscripts, surtout s’il est branché à un dossier médical, permet (avec les garde-fous nécessaires) d’approcher une question que l’agroalimentaire se pose depuis longtemps : qu’est-ce qui marche, pour qui, et dans quelles conditions ?

À l’échelle, cela crée un cercle vertueux :

1. recommandations personnalisées →
2. achats et consommations observées →
3. évolution d’indicateurs (poids, glycémie, lipides…) →
4. amélioration des modèles →
5. meilleure allocation de l’offre alimentaire.

Dans la logique “IA dans l’agriculture”, on retrouve la même dynamique : capteurs + météo + sols → décision → rendement → apprentissage.

GLP-1, nutrition et coût : la bataille se joue sur la durée

Le papier source rapproche la montée des solutions “food as medicine” de l’essor des traitements GLP-1 (perte de poids, métabolisme). Le point à retenir n’est pas “médicament vs alimentation”. C’est plutôt : le médicament peut accélérer, mais l’alimentation stabilise.

Un raisonnement économique simple

Pour les systèmes de santé, la question est pragmatique : comment réduire le coût total d’une maladie chronique sur 5–10 ans ? Les GLP-1 sont perçus comme efficaces, mais ils posent trois sujets structurels :

• coût (surtout à grande échelle),
• adhérence (arrêt = reprise possible),
• effets secondaires et suivi.

Les programmes nutritionnels “prescrits” se positionnent comme un socle : moins spectaculaire à 4 semaines, souvent plus robuste à 2 ans.

Pour l’agroalimentaire : une opportunité, mais pas sans contraintes

Si l’alimentation devient un “traitement”, elle devra répondre à des exigences plus strictes :

• cohérence nutritionnelle (variabilité réduite),
• traçabilité (ingrédients, allergènes, origines),
• qualité des données (étiquetage, composition),
• logistique (accès, prix, disponibilité).

Les acteurs qui gagneront ne seront pas ceux qui ajoutent un badge “santé” sur un pack. Ce seront ceux qui construisent des filières capables de servir des recommandations personnalisées sans casser les marges.

Ce que l’intégration EHR change (et ce que ça inspire côté food)

L’intégration au dossier médical (EHR) est probablement la partie la plus “peu sexy” — et la plus déterminante. Elle rend possible trois choses.

1) Prescrire sans friction

Si le professionnel de santé doit ouvrir trois outils, recopier des infos, puis “espérer” que le patient suive… ça ne tient pas. Quand c’est intégré :

• la prescription nutritionnelle devient un geste clinique,
• le suivi devient routinier,
• la coordination (médecin, diététicien, patient) devient réaliste.

2) Mesurer et justifier (y compris pour l’assurance)

Les payeurs veulent des preuves : participation, évolution d’indicateurs, réduction d’événements (hospitalisations, complications). Une intégration EHR facilite la traçabilité.

3) Standardiser la “qualité” des recommandations

C’est là que l’IA peut aider : générer des plans alimentaires cohérents avec les guidelines, adaptés à la culture alimentaire, aux contraintes budgétaires et à la disponibilité locale.

Transposition agroalimentaire : on voit se dessiner l’équivalent d’un “EHR de la chaîne alimentaire”, où les données de production, qualité, stocks, nutrition et demande seraient enfin interopérables. C’est ambitieux, oui. Mais l’intérêt est clair : réduire le coût de coordination, qui est l’ennemi n°1 du passage à l’échelle.

Ce que les acteurs agri-food peuvent copier dès 2026

La plupart des entreprises agroalimentaires veulent “faire de l’IA”. Beaucoup commencent par un chatbot. Mauvais départ.

Voici une approche plus utile, inspirée de ce que Foodsmart semble faire : partir des opérations, pas du gadget.

Un mini-plan d’action en 5 étapes

1. Choisir un usage à impact mesurable

   • Exemples : réduction du gaspillage sur une catégorie, optimisation de prévision de la demande, reformulation pour réduire sodium/sucre, segmentation nutritionnelle.

2. Rendre les données exploitables (avant de parler modèle)

   • Unifier référentiels produits, nutrition, lots, fournisseurs, saisonnalité.

3. Intégrer dans les outils du quotidien

   • L’équivalent “EHR” côté food : ERP, WMS, outils d’approvisionnement, planification, qualité.

4. Mettre des garde-fous

   • Contrôles sur les recommandations, validation nutritionnelle, surveillance des dérives, conformité (allergènes, réglementation, allégations).

5. Former les équipes terrain

   • Comme l’“upskilling” des soignants, il faut former acheteurs, chefs de produit, QA, supply. Sans ça, l’IA reste un projet PowerPoint.

Mon parti pris : la valeur de l’IA en agroalimentaire se voit quand elle réduit une friction opérationnelle récurrente (planification, qualité, substitution, disponibilité), pas quand elle produit de beaux textes.

Questions fréquentes (et réponses franches)

« La nutrition personnalisée, c’est réservé aux applis de santé ? »

Non. Dès qu’un acteur (mutuelle, employeur, hôpital, distributeur) a un intérêt à améliorer des indicateurs de santé, il peut financer ou cofinancer un parcours. La différence, c’est la capacité à mesurer l’impact.

« Où l’IA est-elle vraiment utile, concrètement ? »

Dans trois endroits :

• prédire (risques, réponses glycémiques, adhérence probable),
• recommander (substitutions réalistes, menus, listes de courses),
• orchestrer (disponibilité produit, contraintes budgétaires, préférences, logistique).

« Quel lien avec l’agriculture de précision ? »

Le même principe : données + modèles → décision → résultat mesuré → amélioration. Sauf qu’ici, le “rendement” n’est pas seulement à l’hectare : il est aussi métabolique (glycémie, poids, lipides) et économique (coût total de santé).

La suite logique : des filières “métaboliques” pilotées par la donnée

Foodsmart illustre un mouvement plus large : le soin se déplace vers l’alimentation, et l’alimentation se rapproche des standards du soin (prescription, suivi, preuves). Pour notre série sur l’IA dans l’agriculture et l’agroalimentaire, c’est un signal fort : l’innovation ne se limite plus au champ ou à l’usine. Elle s’étend jusqu’à l’assiette — et jusqu’aux biomarqueurs.

Si vous êtes un acteur agri-food, la question utile n’est pas « Faut-il faire de l’IA ? ». C’est : quel maillon de votre chaîne peut devenir prescriptible, mesurable et interopérable — comme Foodscripts le devient dans un environnement médical ?

Vous voulez transformer cette logique en projet concret (pilotage de la demande “nutrition”, traçabilité, planification, réduction du gaspillage, produits adaptés à des publics à risque) ? Parlons-en : c’est exactement le type d’initiatives qui crée des résultats mesurables… et des leads qualifiés.