IA et protéines alternatives : le goût devient prédictible

Un chiffre dit presque tout : en 2025, NECTAR a fait goûter 122 alternatives végétales à la viande (14 catégories) à des consommateurs en tests à l’aveugle, avec au moins 100 dégustateurs par produit. Ce n’est pas un sondage “en ligne” vite fait. C’est une usine à données sensorielles, conçue pour répondre à la question que l’agroalimentaire évite parfois de regarder en face : si ça ne plaît pas au palais, ça ne décollera pas en rayon.

La nouveauté, c’est la direction prise par NECTAR avec un financement de 2 millions de dollars : entraîner, avec Stanford, un modèle d’IA capable de prédire le goût, la texture et la préférence consommateur à partir d’informations de formulation, et même d’estimer des signaux de succès marché. Pour notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », c’est un cas d’école : ici, l’IA ne sert pas à surveiller une parcelle de blé, mais à optimiser l’un des “rendements” les plus difficiles à contrôler… l’acceptabilité sensorielle.

Ce sujet tombe bien en décembre 2025 : entre budgets climat, pression sur les coûts, et consommateurs plus sélectifs qu’avant, l’innovation alimentaire n’a plus le droit à l’à-peu-près. La promesse est simple : réduire les cycles d’essais, augmenter la probabilité de lancement réussi, et accélérer la transition vers des protéines plus durables.

NECTAR : une idée simple, une exécution rare

Réponse directe : NECTAR construit la plus grande base de données publique sur le goût des protéines durables évaluées par des omnivores. Et c’est précisément ce “détail” qui change la valeur de l’IA.

La plupart des projets d’IA en formulation échouent pour une raison banale : manque de données fiables. On a des recettes, des fiches ingrédients, des tests internes… mais peu de données comparables, à grande échelle, avec un protocole stable et des panels consommateurs variés.

Des tests sensoriels “comme au restaurant”, mais instrumentés

NECTAR mise sur un dispositif contraignant, donc précieux :

• Dégustation en personne, en aveugle, dans un cadre type restaurant (plus proche de la vraie vie que le labo).
• Les participants testent environ 6 produits par session, un par un.
• Les répondants ne savent pas s’ils consomment du végétal ou de l’animal.
• Mesure structurée de dimensions sensorielles : goût, texture, appréciation globale, etc.

Ce choix est coûteux, mais il donne un signal rare : la réponse sensorielle d’omnivores, ceux qu’il faut convaincre pour réduire la consommation de viande.

Des volumes qui commencent à “nourrir” un modèle

Le projet s’appuie notamment sur :

• « Taste of the Industry » 2024 : environ 45 produits de viande végétale.
• Édition 2025 : 122 produits.
• Une catégorie émergente de produits hybrides (balanced protein) : près de 50 produits testés (mélanges viande + végétal, viande + champignons, viande + mycoprotéine, etc.).
• Et déjà un plan 2026 : 100 alternatives laitières sur 10 catégories, publication annoncée en mars.

Autrement dit : la base s’élargit, et surtout elle se diversifie. C’est essentiel pour éviter une IA “douée” uniquement sur un type de nuggets.

Le pari IA : prédire le sensoriel (et la vente) avant la mise au point

Réponse directe : l’objectif est de réduire le recours aux panels coûteux en utilisant un modèle de fondation capable de prédire des scores sensoriels et des signaux de performance marché.

NECTAR décrit un modèle type LLM (grand modèle de langage) affiné (fine-tuning) sur ses données, avec une approche multimodale. L’idée est de relier :

1. La formulation (liste d’ingrédients, contraintes nutritionnelles, coûts)
2. Des informations moléculaires (composés, structures associées à des ingrédients)
3. Des indices visuels (images produit, packaging, apparence)
4. Le résultat sensoriel (goût/texture/préférence)
5. Et, si possible, une partie du succès commercial

Ce “chaînage” est ambitieux. Mais c’est exactement ce que l’IA fait bien quand on la nourrit correctement : apprendre des relations non linéaires entre des entrées hétérogènes.

Pourquoi l’IA est crédible sur le goût (même si ça paraît subjectif)

Le goût semble personnel, mais une part importante est statistiquement stable : certaines textures déclenchent du rejet, certains arômes “plastique” ou “pois” reviennent, certaines notes fumées fonctionnent… et ces régularités apparaissent quand on a de gros volumes de données comparables.

NECTAR cite un projet proche côté olfaction : des travaux de modélisation des odeurs existent déjà. Le pas suivant, plus difficile, est de passer à une perception plus globale : goût + texture + sensation en bouche + appréciation.

“Meilleure note = meilleures ventes” : vrai, mais pas si simple

NECTAR a réalisé un premier recoupement (à partir de données publiques) montrant que :

• Les catégories mieux notées captent une part de marché plus élevée.
• Les produits mieux notés captent aussi plus de part de marché.
• Dans certaines catégories, cet effet serait assez indépendant du prix : plus cher, mais meilleur, peut quand même gagner.

La nuance est importante : les ventes dépendent aussi du marketing, du placement, de la distribution, du message nutrition/santé, etc. L’équipe veut aller plus loin grâce à des données de transactions plus détaillées (type panel ménages), pour isoler ce qui relève vraiment du sensoriel.

Phrase à garder en tête : un produit “durable” qui ne tient pas sa promesse gustative coûte cher… et ralentit l’adoption de toute la catégorie.

Ce que ça change pour l’agroalimentaire (et pourquoi l’agriculture est concernée)

Réponse directe : une IA de formulation sensorielle accélère la mise sur le marché, réduit les déchets d’essais, et oriente la demande vers des matières premières agricoles plus durables.

On parle souvent d’IA agricole comme d’outils de rendement au champ. Mais la chaîne agroalimentaire est un système : si l’innovation produit échoue, les matières premières “durables” ne trouvent pas de débouchés.

Concrètement, si des alternatives plaisantes gagnent des parts de marché, cela peut :

• Stabiliser la demande en protéines végétales (pois, fève, soja européen, etc.).
• Encourager des filières de fermentation (mycoprotéine) et leurs intrants.
• Réduire une partie de la pression sur l’élevage intensif (donc sur les surfaces et les émissions).

C’est une passerelle directe vers notre thème : sécurité alimentaire et optimisation des ressources, pas seulement par la production, mais par l’acceptation consommateur.

L’analogie “agriculture de précision” côté R&D

J’aime bien voir ce projet comme de la formulation de précision :

• L’agriculture de précision mesure, prédit, et ajuste (irrigation, fertilisation).
• La R&D de précision ferait pareil sur le produit : mesurer le sensoriel, prédire l’effet d’un ingrédient, ajuster avant d’investir dans des essais lourds.

Si l’IA permet d’éliminer tôt des formulations vouées à l’échec, on réduit :

• Les lots pilotes jetés
• Les itérations laboratoire inutiles
• Les lancements ratés (qui coûtent très cher aux marques)

Comment les industriels peuvent s’en servir (sans donner leurs secrets)

Réponse directe : un outil open source téléchargeable sur serveur interne permet de tester des scénarios de formulation sans partager de données propriétaires.

NECTAR insiste sur un point clé : la confidentialité. Peu d’industriels accepteront d’envoyer leurs formulations à un tiers. Une approche “open source + exécution locale” est réaliste : vous téléchargez, vous faites tourner en interne, vous injectez vos données sensibles chez vous.

Cas d’usage concrets (CPG, ingrédients, retail)

Voici des usages très concrets que je vois émerger si le modèle tient ses promesses :

1. Pré-sélection de recettes : filtrer 50 pistes pour n’en prototyper que 10.
2. Optimisation texture : identifier les couples protéines/fibres/huiles qui limitent l’effet “sec” ou “pâteux”.
3. Substitution d’ingrédients : simuler l’impact sensoriel d’un changement fournisseur ou d’une hausse de prix.
4. Ciblage par segment : préférences attendues selon profil (omnivores curieux vs flexitariens réguliers).
5. Rationalisation des panels : réserver les dégustations humaines aux cas difficiles, pas à tout.

Les limites à anticiper (et à contractualiser)

Un modèle qui “prédit le goût” peut devenir dangereux si on le prend pour un oracle. Trois garde-fous à poser dès le départ :

• Biais de données : panels trop urbains, trop jeunes, trop habitués aux alternatives, etc.
• Dérive produit : un modèle entraîné sur viande végétale 2024–2025 doit rester pertinent quand les ingrédients évoluent.
• Confusions marketing : packaging, marque, claims santé influencent l’achat — le modèle doit séparer ce qu’il peut expliquer de ce qu’il subit.

Autrement dit : IA oui, mais intégrée à un processus qualité et R&D solide.

Mini FAQ (ce que les équipes demandent toujours)

Est-ce que l’IA peut remplacer les tests consommateurs ?

Non, pas totalement. Elle peut réduire drastiquement leur fréquence et orienter les tests vers les prototypes les plus prometteurs. La dégustation humaine reste le juge final.

Pourquoi un LLM plutôt qu’un modèle “classique” ?

Parce que beaucoup d’entrées sont textuelles (listes d’ingrédients, descriptions, attributs) et que les LLM gèrent bien les relations complexes entre variables hétérogènes, surtout en multimodal.

Est-ce utile hors protéines alternatives ?

Oui. La même logique s’applique aux alternatives laitières, aux produits réduits en sucre/sel, et même aux aliments pour collectivités où l’acceptation est critique.

Ce que je retiens (et ce que vous pouvez faire dès maintenant)

L’IA en agroalimentaire n’a pas besoin d’être “spectaculaire” pour créer de la valeur. Ici, elle vise une cible très terre-à-terre : faire des produits durables que les gens ont envie de racheter. Et cette répétition d’achat, à grande échelle, est un levier climat plus concret que beaucoup de promesses marketing.

Si vous travaillez en R&D, qualité, innovation ou achats ingrédients, trois actions simples peuvent démarrer dès janvier :

1. Structurer vos données sensorielles (mêmes échelles, mêmes attributs, même protocole).
2. Tracer vos formulations (y compris changements de fournisseurs et de lots) pour relier cause/effet.
3. Définir vos contraintes (coût, nutrition, empreinte, allergènes) : une IA n’optimise bien que ce qui est clairement formulé.

La suite est passionnante : quand la prédiction sensorielle devient assez fiable, elle peut guider non seulement la formulation, mais aussi les choix amont de filières agricoles (variétés, procédés, fermentation). La question qui reste ouverte pour 2026 est simple : à quel moment la “formulation de précision” deviendra aussi standard que l’agriculture de précision ?