IA en magasin : réduire le gaspillage des produits frais

À l’échelle d’un grand distributeur, quelques erreurs de commande par jour suffisent à remplir des bennes entières de fruits et légumes invendus. Le problème n’est pas un manque de bonne volonté : le frais est imprévisible, la demande varie avec la météo, les promotions, les vacances scolaires… et la durée de vie d’une barquette de fraises n’attend pas la prochaine réunion.

Ce qui change depuis quelques années, c’est la capacité de l’intelligence artificielle dans l’agroalimentaire à s’attaquer à ce sujet très concret : combien commander, quand, et pour quel rayon, sans assécher l’offre ni surstocker. Un exemple parlant vient des États-Unis : Afresh a déployé en 7 mois une plateforme d’approvisionnement prédictif et de gestion des stocks dans plus de 2 200 magasins d’un groupe de distribution majeur (Albertsons et plusieurs enseignes associées). Ce type de déploiement rapide dit quelque chose d’important : l’IA n’est plus cantonnée aux pilotes, elle se met à l’échelle.

Dans cette série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », je défends une idée simple : la précision ne s’arrête pas au champ. Elle continue sur la route, à l’entrepôt, puis au rayon. Et c’est souvent là que se joue la rentabilité… et une bonne partie de l’empreinte carbone.

Pourquoi l’IA de gestion du frais gagne du terrain

Réponse directe : parce que le frais cumule trois contraintes qui mettent les méthodes classiques à genoux : périssabilité, variabilité de la demande, et complexité opérationnelle en magasin.

Dans beaucoup de points de vente, la commande de fruits et légumes repose encore sur un mix de règles “maison”, d’historiques imparfaits et d’expérience terrain. Ça fonctionne… jusqu’au jour où :

• une promo nationale décale les volumes,
• une vague de froid change les achats,
• une rupture amont oblige à substituer,
• ou un événement local (marché de Noël, match, foire) déforme la demande.

En décembre (et on est le 21/12/2025), la pression monte encore : plus de passages, davantage de paniers “repas”, et une tolérance client plus faible sur la qualité. Le frais devient un test de crédibilité : une clémentine moyenne, ça passe ; une herbe aromatique flétrie pour le repas des fêtes, non.

Ce que l’IA fait mieux qu’un tableur

Réponse directe : elle apprend des signaux faibles et ajuste finement par magasin, par jour, par catégorie, au lieu d’appliquer une moyenne.

Concrètement, une IA de gestion du frais va combiner :

• l’historique de ventes (en tenant compte des ruptures passées),
• les calendriers promotionnels,
• la saisonnalité et les jours “spéciaux”,
• les livraisons, délais, contraintes de casse,
• parfois des données exogènes (météo, événements),
• et surtout les paramètres opérationnels : capacités de stockage, fréquences de réception, pratiques de rayon.

Le but n’est pas de “faire de la data” pour le plaisir. Le but est très terre-à-terre : commander juste.

Le cas Afresh : de la prédiction à l’exécution en rayon

Réponse directe : l’intérêt du modèle Afresh, tel qu’il est présenté, est de relier la prévision à une action simple : une recommandation de commande utilisable par un responsable de rayon.

Le déploiement évoqué (plus de 2 200 magasins) met en avant deux éléments clés :

1. L’adoption en magasin : des outils “faciles à utiliser” pour les managers de département.
2. La vitesse d’implémentation : 7 mois, là où les transformations supply chain prennent souvent des années.

Cette vitesse est un signal marché : quand une solution s’intègre sans exiger une refonte complète des systèmes, elle a une chance de passer du “POC” au “standard”.

Ce que “commande prédictive” veut dire, concrètement

Réponse directe : c’est une recommandation de quantité à commander qui tient compte de la demande attendue et des pertes probables.

Un bon système ne se contente pas d’estimer les ventes. Il doit aussi estimer :

• le risque de démarque (casse, péremption, flétrissement),
• le risque de rupture (perte de chiffre et frustration client),
• et l’équilibre entre fraîcheur perçue et disponibilité.

Le point délicat : le “zéro rupture” et le “zéro déchet” sont deux objectifs qui se contredisent si on les traite mal. L’IA sert précisément à arbitrer ce compromis de manière plus fine que les règles fixes.

Un indicateur stratégique : “zéro déchet en décharge”

Réponse directe : viser “zéro gaspillage en décharge” d’ici 2030 (objectif annoncé par l’enseigne) pousse à investir dans des outils qui réduisent les surplus à la source.

On parle souvent de dons, de démarques, de valorisation. C’est utile, mais ça vient après l’erreur. La logique la plus efficace est :

1. éviter le surplus (commande plus juste),
2. mieux gérer les rotations (FIFO réel, visibilité),
3. réallouer (transferts, cross-dock quand possible),
4. valoriser en dernier recours.

L’IA intervient surtout sur les deux premiers points, là où l’impact économique est le plus direct.

Du champ au rayon : l’IA “agro” ne s’arrête pas à l’exploitation

Réponse directe : la logistique et le retail sont une extension naturelle de l’agriculture de précision.

Dans notre série, on parle souvent de :

• détection de stress hydrique,
• modélisation des rendements,
• optimisation des apports,
• surveillance des parcelles.

Mais si l’aval reste imprécis, une partie des gains est perdue. Produire mieux ne suffit pas si l’on jette encore trop.

Pourquoi la prévision aval influence l’amont

Réponse directe : des commandes plus stables et plus fiables améliorent la planification des producteurs et des stations.

Quand les commandes magasin deviennent plus “prévisibles” (moins de pics artificiels, moins de sur-réactions), on peut :

• lisser les volumes à préparer,
• réduire les expéditions d’urgence,
• améliorer la planification transport,
• et mieux calibrer la récolte/conditionnement.

C’est aussi une manière concrète de réduire des émissions : moins de transports en rattrapage et moins de produits jetés.

Des bénéfices qui ne sont pas que “durables”

Réponse directe : l’IA sur le frais est d’abord un sujet de marge et de qualité.

Dans le frais, la rentabilité se joue sur quelques leviers :

• démarque et casse,
• productivité du personnel (temps passé à recalculer, corriger, compter),
• disponibilité en rayon (taux de rupture),
• image prix/qualité.

Un système prédictif bien intégré peut réduire la charge mentale du responsable de rayon : moins de “coups de poker”, plus de pilotage.

Comment évaluer (vraiment) une solution IA de gestion des stocks

Réponse directe : il faut juger l’IA sur sa capacité à améliorer le trio gaspillage – disponibilité – charge opérationnelle, pas sur la beauté d’un dashboard.

Voici une grille simple que j’utilise quand j’audite ce type de projet.

1) Les métriques qui comptent

• Taux de casse/démarque sur catégories périssables (valeur et volume)
• Taux de rupture et ruptures en heures de pointe
• Précision de commande (écart entre recommandé, commandé et vendu)
• Rotation des stocks (jours de couverture)
• Satisfaction client (NPS/avis, plaintes sur fraîcheur)

Un piège courant : améliorer la casse en “serrant” les commandes… et dégrader les ruptures. La bonne solution améliore les deux, même modestement.

2) L’adoption terrain : le facteur décisif

Réponse directe : si le chef de rayon n’a pas confiance, l’algorithme ne sert à rien.

Cherchez des fonctionnalités concrètes :

• explication de la recommandation (les 2–3 raisons principales),
• gestion des exceptions (fêtes locales, fermeture exceptionnelle),
• apprentissage des corrections humaines (quand elles sont pertinentes),
• ergonomie “commande en 5 minutes”, pas “formation en 5 jours”.

3) Les données : mieux vaut “suffisant et propre” que “parfait et absent”

Réponse directe : la qualité des données de vente et de stock fait 80 % du résultat.

Avant de promettre un modèle sophistiqué, assurez-vous de :

• corriger les ventes masquées par ruptures (sinon, l’IA apprend qu’il ne faut pas stocker),
• fiabiliser les réceptions et les unités (colis, kg, pièces),
• homogénéiser les calendriers promo.

4) Intégration SI : l’IA doit s’insérer, pas tout remplacer

Réponse directe : les projets qui passent à l’échelle évitent les refontes “big bang”.

Un déploiement en quelques mois est souvent le signe que :

• l’outil se branche sur l’ERP/outil de commande existant,
• les flux sont automatisés,
• et les magasins gardent leurs routines, mais mieux outillées.

Questions fréquentes (et réponses nettes)

L’IA va-t-elle supprimer le rôle des responsables de rayon ?

Réponse directe : non, elle déplace le rôle vers le pilotage et la qualité.

Le terrain reste indispensable : contrôle visuel, ajustements locaux, gestion d’imprévus. L’IA fait gagner du temps sur les calculs répétitifs et aide à décider plus vite.

Est-ce réservé aux très grands réseaux ?

Réponse directe : non, mais les grands réseaux amortissent plus vite.

Les enseignes régionales et les coopératives peuvent y gagner aussi, à condition d’avoir un socle de données minimum et un process de commande stabilisé.

Par où démarrer côté agroalimentaire ?

Réponse directe : par une catégorie périssable à volume significatif (fruits et légumes, traiteur, boulangerie) et un objectif clair.

Un bon démarrage ressemble à :

1. 20–50 magasins pilotes,
2. 1–2 catégories,
3. métriques avant/après sur 8–12 semaines,
4. plan de déploiement si les gains sont réels et stables.

Ce que ce déploiement dit du futur de l’agroalimentaire

Les annonces comme celle d’Afresh montrent une direction : l’IA devient un outil opérationnel, pas un sujet de laboratoire. Et dans l’agroalimentaire, c’est une excellente nouvelle, parce que les gains sont mesurables : moins de pertes, plus de fraîcheur, des équipes plus sereines.

Si vous travaillez côté production, transport, distribution ou industrie, la question n’est plus “faut-il de l’IA ?”. La vraie question est : où placer la précision pour qu’elle serve le consommateur sans épuiser les équipes et sans remplir les bennes.

Si vous voulez que je vous aide à cadrer un projet (choix des catégories, métriques, plan pilote, exigences data), je peux partager une trame d’audit simple. Et vous, sur quel maillon du “farm-to-shelf” voyez-vous le plus gros gisement de précision en 2026 : la prévision, la logistique, ou l’exécution en magasin ?