Gummies 3D et IA : la nutrition sur mesure devient réelle

En 2025, la nutrition personnalisée ne se contente plus d’être un concept marketing. Elle se “fabrique”. Et quand on voit une startup capable de remplacer jusqu’à 7 gélules par un seul gummy imprimé en 3D, on comprend que le sujet dépasse largement la forme ludique du bonbon.

L’annonce du partenariat entre Elo Health (nutrition personnalisée pilotée par IA) et Nourished (gummies multicroyances imprimés en 3D) est un signal fort : l’IA quitte le tableau de bord et entre dans le produit lui-même. Pour notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », c’est exactement le type d’exemple à suivre, parce qu’il illustre une idée simple : la précision, du champ jusqu’à l’assiette, devient une logique industrielle.

Ce que change vraiment un gummy imprimé en 3D (au-delà du gadget)

Un gummy imprimé en 3D, ce n’est pas “juste” une vitamine en forme de bonbon. Le point clé, c’est la capacité à déposer des nutriments en couches, avec des dosages distincts. Dans le cas évoqué, 7 couches peuvent correspondre à l’équivalent de 7 pilules. Autrement dit, la fabrication devient modulaire : on assemble une “recette nutritionnelle” comme on assemblerait une formulation.

Cette approche a trois effets très concrets :

1. Observance améliorée : réduire le nombre d’unités à prendre au quotidien (1 gummy au lieu de plusieurs comprimés) limite l’abandon de routine. Sur un marché des compléments où l’oubli est une cause majeure d’inefficacité, c’est loin d’être anecdotique.
2. Personnalisation plus fine : on n’est plus bloqué par un comprimé “standard” et ses contraintes de formulation. La dose devient paramétrable, nutriment par nutriment.
3. Potentiel de traçabilité : lorsque la fabrication est pilotée par logiciel, on peut relier un lot à une configuration précise (formule, version, réglages), ce qui ouvre des perspectives intéressantes pour la qualité.

Mon avis : la vraie valeur n’est pas la 3D en elle-même, mais le fait que la production devient “pilotable”, donc compatible avec des systèmes d’optimisation (IA, contrôle qualité automatisé, itérations rapides).

Le parallèle avec l’agroalimentaire est direct

L’agriculture de précision a déjà installé l’idée qu’on ne traite plus un champ comme un bloc homogène : on ajuste par zone, par besoin, par risque. Ce gummy 3D applique la même logique au consommateur : on ne traite plus une population comme un profil moyen.

Et c’est là que la boucle “farm to fork” se referme : si la demande devient plus personnalisée, l’agroalimentaire devra répondre avec des chaînes de valeur plus flexibles (ingrédients, formulation, production, logistique).

L’IA au cœur du modèle : du biomarqueur au questionnaire

Elo Health a fait évoluer un point souvent sous-estimé : l’entrée dans le programme de personnalisation. Au départ, l’entreprise demandait un test sanguin par micro-prélèvement, avec un coût pouvant aller jusqu’à 150 dollars par test (selon les informations partagées). Résultat attendu : des recommandations basées sur un panel de biomarqueurs (cholestérol, lipides, vitamine D, etc.).

Le changement annoncé est stratégique : permettre à un utilisateur de démarrer via questionnaire plutôt que via prise de sang.

Ce n’est pas une “simplification” au rabais. C’est une approche produit :

• Moins de friction (coût, inconfort, délai)
• Plus de volume (plus d’utilisateurs passent le cap)
• Plus de données (questionnaires structurés, retours, adhérence)

Et surtout, c’est typiquement une décision qui n’est possible que si l’IA derrière est suffisamment entraînée pour approximer des résultats utiles sans exiger en permanence des mesures biologiques.

Ce que ça implique pour la filière : la personnalisation doit être scalable

Dans l’agroalimentaire, beaucoup de projets d’IA échouent pour une raison simple : ils fonctionnent en pilote, pas à grande échelle. Ici, le raisonnement est similaire : si la personnalisation dépend d’un test coûteux et difficile, la croissance est mécaniquement limitée.

Le questionnaire, quand il est bien conçu, devient une rampe d’accès. Et il peut ensuite être enrichi par des niveaux de preuve optionnels :

• Niveau 1 : questionnaire + objectifs
• Niveau 2 : historique alimentaire + données de sommeil/activité (si disponibles)
• Niveau 3 : biomarqueurs (ponctuels ou réguliers)

Cette logique “par paliers” est une bonne inspiration pour des acteurs agroalimentaires qui veulent introduire l’IA sans imposer un changement brutal aux clients.

Du « sur mesure »… mais sous contraintes : sécurité, qualité, réglementation

La nutrition personnalisée attire, mais elle vient avec un lot de questions très concrètes.

Qualité de formulation : la précision doit être industrielle

Si un gummy est multicouche, le contrôle qualité doit vérifier au minimum :

• la dose de chaque nutriment (et sa variabilité)
• la stabilité des actifs dans le temps (température, humidité, oxydation)
• la compatibilité entre ingrédients (certains couples peuvent interagir)

C’est exactement le même défi que dans l’agroalimentaire fonctionnel : ajouter des ingrédients “actifs” n’est pas neutre. La promesse marketing ne suffit pas ; la chaîne doit prouver la reproductibilité.

Personnalisation et responsabilité : qui décide ?

Quand une IA propose une formule, il faut cadrer :

• Quelle est la base de recommandation ? objectifs déclaratifs, données biologiques, historiques…
• Quel est le niveau d’explicabilité ? l’utilisateur doit comprendre les choix (au moins en langage simple).
• Quelles limites de sécurité ? plafonds, contre-indications, interactions.

Dans l’Union européenne, l’encadrement des allégations et des compléments impose une discipline forte. Le point à retenir : plus la personnalisation est fine, plus l’industrialisation doit être robuste.

Phrase à retenir : La personnalisation n’est crédible que si la qualité est répétable.

Pourquoi l’agriculture et l’agroalimentaire doivent s’y intéresser maintenant

Ce partenariat n’est pas un “fait divers” de food tech. Il met en évidence une trajectoire qui concerne directement les filières agricoles et agroalimentaires.

1) La demande bascule vers des produits “configurables”

On voit déjà cette tendance dans :

• les boissons enrichies (protéines, fibres, vitamines)
• les substituts de repas
• les aliments “fonctionnels” ciblant énergie, immunité, microbiote

Le pas d’après, c’est la configuration individuelle, voire hebdomadaire. Si le produit final devient variable, l’amont (ingrédients, extraction, standardisation) doit suivre.

2) La donnée devient une matière première

Dans l’agriculture de précision, la donnée (capteurs, météo, imagerie) guide les apports. Dans la nutrition personnalisée, la donnée (questionnaire, comportements, biomarqueurs) guide la formulation.

Les deux mondes partagent un besoin commun :

• gouvernance de la donnée
• qualité des datasets
• modèles prédictifs et contrôle des biais
• boucle de retour (mesurer l’effet, ajuster)

3) La fabrication “pilotée par logiciel” change l’économie des petites séries

L’impression 3D appliquée au alimentaire et au complément ouvre la voie à un modèle où produire des micro-séries n’est plus un cauchemar logistique.

Dans l’agroalimentaire, ça peut inspirer des modèles hybrides :

• base produit standard + modules personnalisés (arômes, micronutriments, textures)
• production locale de la dernière étape (personnalisation en fin de chaîne)
• adaptation aux profils (sport, senior, grossesse, végétal, etc.)

Questions fréquentes (et réponses utiles)

Est-ce que le questionnaire peut remplacer une prise de sang ?

Il peut réduire la friction et fournir une personnalisation initiale pertinente, mais il ne “remplace” pas la biologie. La meilleure approche est souvent progressive, avec biomarqueurs en option selon les objectifs et le budget.

Un gummy vaut-il vraiment plusieurs pilules ?

Oui, si la formulation et les dosages sont correctement réalisés. L’idée des couches permet d’intégrer plusieurs ingrédients, mais la preuve se joue sur la stabilité des actifs et la reproductibilité.

Quel lien avec l’IA dans l’agriculture ?

Le lien est la précision : même logique d’optimisation, même besoin de données fiables, même nécessité d’un système capable d’apprendre et d’ajuster, que ce soit pour fertiliser une parcelle ou formuler un apport nutritionnel.

Ce que les décideurs agroalimentaires peuvent faire dès maintenant

Si vous travaillez dans l’agroalimentaire, les “prochaines étapes” ne sont pas forcément de lancer des gummies 3D demain matin. En revanche, voici un plan réaliste :

1. Cartographier vos actifs : quels ingrédients (protéines, fibres, micronutriments, extraits) avez-vous qui se prêtent à des formulations variables ?
2. Structurer la donnée client : objectifs, préférences, contraintes (allergènes, végétarien, sans sucres, etc.). Sans données propres, pas de personnalisation durable.
3. Tester un modèle modulaire : un produit socle + 2 ou 3 variantes paramétrables.
4. Prévoir le contrôle qualité dès le design : la personnalisation multiplie les combinaisons, donc elle exige des garde-fous.
5. Penser “boucle d’apprentissage” : comment mesurer l’effet (satisfaction, tolérance, réachat, indicateurs simples) et améliorer la recommandation ?

La suite logique : du complément au coaching nutritionnel piloté par IA

L’autre idée forte portée par Elo Health, c’est l’extension vers un coaching nutritionnel qui répond vite, de manière conversationnelle. Je suis plutôt d’accord avec cette direction : la nutrition est une discipline du quotidien, et le bon conseil arrive rarement au bon moment (quand on fait les courses, quand on cuisine, quand on hésite).

Dans notre série sur l’IA en agriculture et agroalimentaire, c’est un rappel utile : l’innovation ne s’arrête pas au produit. Elle se joue aussi dans le service, dans l’accompagnement, et dans la capacité à transformer des données en décisions simples.

La question qui va compter en 2026 n’est pas “peut-on personnaliser ?”. C’est : qui saura personnaliser tout en restant fiable, industriel et transparent ?