IA et fermentation : des graisses durables du bois

Transformer de la sciure en matière grasse comestible semble être une provocation. Et pourtant, c’est exactement le pari d’ÄIO, une jeune pousse estonienne qui a levé 1 million d’euros pour produire des huiles et graisses alternatives via fermentation à partir de coproduits agricoles et forestiers.

Ce détail compte plus qu’on ne le croit. Dans l’agroalimentaire, le gras est souvent l’ingrédient qui “fait” le produit (texture, fondant, libération des arômes, satiété). Or, les filières dominantes comme l’huile de palme et l’huile de coco concentrent les critiques (déforestation, pression sur les sols, dépendance à des chaînes d’approvisionnement longues). La question n’est donc pas “faut-il remplacer ?”, mais comment remplacer sans dégrader goût, prix et stabilité industrielle.

Voici la partie que beaucoup d’acteurs sous-estiment : la fermentation seule ne suffit pas. Pour passer d’un pilote à des volumes industriels, il faut une maîtrise fine des procédés, des intrants, de la qualité et des coûts. Et c’est là que l’intelligence artificielle dans l’agriculture et l’agroalimentaire devient un accélérateur très concret : optimisation de recettes, contrôle en ligne, réduction des pertes, traçabilité, et pilotage d’une chaîne circulaire où les “déchets” deviennent une ressource.

Pourquoi le marché cherche des alternatives à la palme et à la coco

La réponse est simple : sécurité d’approvisionnement + pression environnementale + exigences nutritionnelles.

• Sécurité d’approvisionnement : les huiles tropicales dépendent de zones géographiques spécifiques, sensibles aux chocs climatiques et logistiques. Pour les industriels européens, diversifier les sources devient une stratégie de résilience.
• Pression environnementale : l’huile de palme reste associée (à tort ou à raison selon les pratiques) à la déforestation et à la perte de biodiversité. Les cahiers des charges se durcissent.
• Exigences nutritionnelles : certains usages recherchent des profils lipidiques précis (acides gras, point de fusion, stabilité oxydative). Les alternatives doivent être fonctionnelles, pas seulement “vertes”.

Dans les produits végétaux (simili-carnés, alternatives laitières, pâtisserie), le gras n’est pas un add-on : c’est le cœur de l’expérience sensorielle. D’où l’intérêt croissant pour les graisses issues de fermentation, de culture cellulaire ou de structuration d’huiles végétales.

Le cas ÄIO : convertir des coproduits (dont la sciure) en lipides

ÄIO annonce produire des huiles et graisses comestibles à partir de coproduits agricoles et de l’industrie du bois, via un procédé de fermentation “proche du brassage” (analogie bière/levain). L’entreprise s’appuie sur un micro-organisme propriétaire surnommé « red bug », développé et breveté par l’un des fondateurs, avec une promesse : obtenir des lipides riches en acides gras et antioxydants.

Leur feuille de route est typique d’un passage à l’échelle sérieux :

• augmenter la capacité de production,
• tester les ingrédients avec des industriels,
• déposer des demandes d’autorisation novel food pour l’Europe,
• viser une production à échelle industrielle d’ici 2026.

« Notre “red bug” ne peut pas transformer l’eau en vin, mais il peut transformer de la sciure en nourriture. »

Ce type de phrase est marquante, mais la vraie bataille est ailleurs : stabilité du process, variabilité des intrants, coût par kilo, et qualité constante. C’est précisément l’endroit où l’IA est utile, non pas en “magie”, mais en ingénierie.

Où l’IA change la donne : du bioréacteur à la chaîne circulaire

La réponse directe : l’IA permet de produire mieux (rendement), plus régulièrement (qualité), et avec moins de pertes (efficience).

Contrôle de procédé : la fermentation pilotée par les données

Une fermentation industrielle génère un flux continu de données : température, pH, oxygène dissous, agitation, densité, consommation de substrat, métabolites, etc. Les modèles d’IA (souvent des approches hybrides mêlant modèles mécanistes + apprentissage) servent à :

• détecter tôt les dérives (avant qu’un lot ne soit perdu),
• prédire la fin optimale de fermentation (qualité/énergie/temps),
• ajuster les consignes (aération, alimentation, vitesse) pour stabiliser le profil lipidique.

Dans un contexte “coproduits”, c’est crucial : la matière première n’est pas standardisée comme du glucose de qualité pharma. L’IA aide à absorber la variabilité.

Optimisation des recettes : maximiser rendement et fonctionnalité

Produire “des graisses” ne suffit pas : l’industrie achète une fonctionnalité.

L’IA intervient sur des problèmes très concrets :

• obtenir un point de fusion compatible avec une margarine, un fromage végétal ou un substitut de gras animal,
• optimiser la stabilité oxydative pour éviter le rancissement,
• ajuster le profil d’acides gras en jouant sur substrats, paramètres et durée.

Une approche efficace consiste à construire un plan d’expériences intelligent (DoE augmenté), où des algorithmes proposent les essais les plus informatifs, plutôt que d’itérer “au feeling”. Résultat : moins d’essais, plus d’apprentissage, un gain direct sur le time-to-market.

Qualité en continu : du laboratoire au “quality-by-design”

Les industriels veulent une répétabilité quasi parfaite. L’IA facilite le passage à un quality-by-design : on n’inspecte pas seulement le produit fini, on garantit la qualité via le process.

Exemples d’outils :

• vision industrielle et spectroscopie (NIR/Raman) avec modèles de classification,
• détection d’anomalies sur séries temporelles,
• jumeaux numériques (digital twins) pour simuler l’impact d’un changement d’intrant.

C’est exactement le type de compétences déjà utilisées en agriculture de précision (capteurs + modèles + action), transposées au bioréacteur.

Circularité : optimiser l’approvisionnement en coproduits

La promesse “sciure → nourriture” est aussi une promesse logistique. Pour la tenir, il faut sécuriser des flux de coproduits (industrie du bois, résidus agricoles) : qualité, humidité, contaminants, saisonnalité.

L’IA sert à :

• prévoir la disponibilité des coproduits (données météo, volumes industriels, calendriers),
• classer et router les lots selon leurs caractéristiques (humidité, composition),
• optimiser le transport et le stockage pour réduire coûts et pertes.

C’est un pont direct avec l’IA agricole : valoriser mieux la biomasse locale et réduire le gaspillage.

De la “food tech” à l’agroalimentaire : ce qui bloque (et comment l’IA aide)

La réponse courte : réglementation, coût, acceptabilité, industrialisation.

Autorisations et sécurité : l’étape novel food

En Europe, l’autorisation novel food demande un dossier solide : sécurité, procédé, composition, stabilité, allergénicité potentielle, etc. L’IA ne remplace pas la science réglementaire, mais elle peut accélérer :

• la structuration des données (traçabilité des lots, paramètres de process),
• l’analyse statistique de la variabilité,
• la constitution d’un historique qualité robuste.

Coût au kilo : la vraie compétition

Les huiles conventionnelles restent très compétitives. Pour rivaliser, une graisse fermentée doit gagner sur :

• rendement (plus de lipides par unité d’intrant),
• productivité (temps de cycle),
• énergie (aération/chauffage),
• pertes (lots non conformes).

Ce sont exactement des variables d’optimisation où l’IA excelle, car chaque point de rendement se transforme en marge.

Acceptabilité : “c’est fait à partir de sciure”

Je suis convaincu que la communication devra être précise. Dire “sciure” attire l’attention, mais l’acheteur veut comprendre : purification, contrôle contaminants, standardisation. L’IA peut soutenir la transparence via des tableaux de bord qualité et une traçabilité exploitable.

Applications concrètes pour l’agroalimentaire (et opportunités pour les décideurs)

La réponse la plus utile : commencez par des usages où la fonctionnalité justifie la prime, puis élargissez.

Où ces graisses alternatives peuvent créer de la valeur

• Alternatives à la viande : obtenir le fondant et le “juteux” avec un point de fusion proche du gras animal.
• Alternatives laitières : améliorer onctuosité et stabilité des émulsions.
• Boulangerie-pâtisserie : travailler la plasticité (feuilletage, viennoiseries).
• Sauces et plats préparés : stabilité thermique et oxydative.

Check-list “pilotage IA” pour une équipe R&D / industrie

1. Instrumenter le pilote : capteurs fiables + historique propre (sinon, pas d’IA utile).
2. Définir 3 KPI : rendement lipidique, variabilité du profil, coût énergétique.
3. Mettre en place un modèle simple de détection d’anomalies sur lots.
4. Passer à un DoE augmenté pour réduire le nombre d’itérations.
5. Construire un mini digital twin pour simuler intrants et consignes.

Ces étapes s’inscrivent parfaitement dans une stratégie plus large d’IA dans l’agriculture et l’agroalimentaire : mieux mesurer, mieux prévoir, mieux agir.

Ce que cette histoire dit de 2025 : la food tech devient “industrie”

Les annonces de levées dans les graisses alternatives se multiplient depuis quelques années (fermentation de précision, graisses cultivées, structuration d’huiles). Le signal, fin 2025, est clair : la différenciation se fait moins sur l’idée que sur l’industrialisation.

ÄIO illustre une tendance que je trouve saine : partir de coproduits, viser la circularité, et planifier tôt le passage par le réglementaire. Mais pour tenir une promesse comme “des graisses à partir de flux secondaires”, il faut une discipline opérationnelle forte. L’IA est l’un des moyens les plus pragmatiques d’y arriver.

Le prochain cap sera intéressant : qui saura produire à grande échelle, à coût maîtrisé, avec une qualité constante, tout en prouvant l’impact environnemental ? Les acteurs qui combineront biotech + ingénierie data + partenariats agricoles/forestiers auront une longueur d’avance.

Si vous travaillez dans l’agroalimentaire (R&D, qualité, achats, innovation), une bonne question à se poser dès maintenant est simple : quels coproduits locaux pourriez-vous valoriser… si vous aviez une boucle de pilotage par la donnée suffisamment robuste ?