Protéines fonctionnelles : l’IA au service du clean label

En 2023, une start-up israélienne, Meala FoodTech, levait 1,9 M$ en pré-amorçage pour un pari simple à énoncer et difficile à tenir : fabriquer des protéines fonctionnelles capables d’imiter la texture et la jutosité de la viande… avec une liste d’ingrédients qui ressemble à un placard de cuisine, pas à une annexe de laboratoire. Deux ans plus tard, l’idée est encore plus actuelle.

Fin 2025, le marché des alternatives végétales fait un constat lucide : le goût ne suffit pas. Les consommateurs veulent aussi des étiquettes plus courtes, des recettes plus lisibles, et un prix qui ne pénalise pas le panier du quotidien. Pour les industriels, le défi est technique : retirer certains additifs ou ingrédients ultra-transformés sans perdre la tenue, le liant, la mâche, la rétention d’eau. C’est exactement là que les protéines fonctionnelles entrent en scène.

Et dans notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », ce sujet a une place évidente : l’IA n’est pas seulement utile dans les champs. Elle devient un outil de conception, d’optimisation et de contrôle qualité au cœur des usines, là où se joue une partie de la sécurité alimentaire et de la soutenabilité.

Pourquoi les protéines fonctionnelles “clean label” sont devenues stratégiques

La réponse courte : parce que la texture et la stabilité d’un produit végétal sont rarement “naturelles” à grande échelle.

Produire un steak végétal acceptable, ce n’est pas juste mélanger des protéines et des arômes. Il faut reproduire une série de propriétés physiques : cohésion, élasticité, jutosité, brunissement, tenue à la cuisson, et sensation en bouche. Dans beaucoup de recettes, ces effets viennent d’une combinaison d’ingrédients fonctionnels (liants, gélifiants, émulsifiants) qui allongent la liste.

Meala annonce vouloir créer des protéines multi-fonctions qui servent notamment :

• d’agents liants (binding) pour tenir une galette ou une farce
• d’agents gélifiants (gelling) pour donner structure et “mâche”
• de composants à forte rétention d’eau, clé de la jutosité et du rendement
• de contributeurs à une saveur plus “pleine” (plus “corps”)

Le point intéressant : Meala se positionne en B2B. Autrement dit, l’entreprise ne cherche pas à vendre une marque au grand public, mais à fournir un ingrédient à des fabricants (CPG / marques de grande consommation) qui veulent améliorer leurs recettes. Dans l’agroalimentaire, c’est souvent là que se crée la valeur durable : être l’ingrédient qui simplifie la formulation.

Le “clean label” n’est pas qu’un sujet marketing

En France comme en Europe, l’étiquette est devenue un critère d’achat. Mais pour un industriel, le clean label touche aussi :

• la robustesse de la chaîne d’approvisionnement (moins d’ingrédients rares ou volatils)
• la réduction des coûts (moins de références, moins d’étapes)
• la conformité réglementaire et la gestion des allégations
• la capacité à industrialiser (stabilité lot à lot)

Ce qui est “propre” pour un consommateur doit aussi être prédictible pour une usine.

De la levée de fonds au passage pilote : ce que ça dit du marché en 2025

Les 1,9 M$ levés par Meala en 2023 visaient explicitement le passage du laboratoire à l’échelle pilote. Ce saut est le cimetière de nombreuses innovations alimentaires : en paillasse, tout marche. En pilote, les variabilités explosent.

Quelques réalités industrielles qui apparaissent dès qu’on sort du labo :

• la matière première varie (origine, saison, humidité, granulométrie)
• les procédés (chauffage, cisaillement, extrusion) ont des effets non linéaires
• la texture ressentie dépend autant de la recette que de la courbe de cuisson
• la conservation impose des compromis (synerèse, dessèchement, oxydation)

Meala affirme viser des applications larges (burgers, saucisses, nuggets, alternatives aux œufs et au poisson). Cette ambition est cohérente avec une logique “plateforme”, mais elle impose une chose : maîtriser des paramètres fonctionnels mesurables, pas seulement des promesses de goût.

Une protéine fonctionnelle utile n’est pas celle qui impressionne en démo ; c’est celle qui tient ses propriétés sur 10 000 kg, toutes les semaines.

Où l’IA devient un avantage réel (et pas un gadget) dans ces protéines

La réponse directe : l’IA sert à réduire le nombre d’essais, à prédire le comportement matière, et à stabiliser la qualité quand les intrants varient.

Dans les protéines fonctionnelles, l’espace de formulation est gigantesque : type de protéines, traitements thermiques, pH, sels, fibres, amidons, lipides, hydratation, temps de repos, vitesse de mélange… Sans outil, on fait beaucoup de “test & learn” coûteux.

1) Formulation assistée par modèles : moins d’essais, plus d’apprentissage

Des approches de type machine learning (régression, modèles bayésiens, optimisation multi-objectifs) peuvent relier :

• variables d’entrée : composition, process, conditions
• variables de sortie : dureté (TPA), élasticité, perte à la cuisson, rétention d’eau, viscosité, notes sensorielles

L’intérêt n’est pas de “remplacer” les technologues. C’est de leur donner un GPS : quelles 10 formulations tester au lieu de 200.

2) Jumeau numérique du procédé : prévoir texture et rendement en pilote

Quand on parle de passer à l’échelle, la question devient : “Que se passe-t-il si je change de ligne, de vitesse, ou de température ?”

Un jumeau numérique (même simple) peut aider à prédire :

• l’impact du cisaillement sur la structure des protéines
• la sensibilité à l’humidité et le risque de produit friable
• les conditions où l’on maximise la jutosité sans suintement

Résultat attendu : moins de rebuts, moins d’arrêts ligne, et un passage pilote plus rapide.

3) Vision industrielle et contrôle qualité : sécuriser le “lot à lot”

Sur des produits végétaux, les variations visuelles (couleur, grain, homogénéité) peuvent signaler des dérives. La vision par ordinateur peut :

• détecter des anomalies de mélange
• estimer la régularité de taille et de forme
• corréler des signaux visuels avec des mesures texture

L’objectif final est opérationnel : réduire la variabilité perçue par le consommateur.

“Ingrédients de cuisine” : promesse séduisante, contraintes très concrètes

Meala parle d’ingrédients “home kitchen”. C’est attractif, mais la difficulté est connue : ce qui est familier n’est pas forcément fonctionnel.

Pour qu’un ingrédient soit utile à l’industrie, il doit :

• résister aux conditions de process (chauffage, congélation/décongélation)
• rester stable sur la durée (texture, séparation de phase)
• être disponible en volumes et avec une qualité constante

Le vrai sujet : fonctionnalité mesurable + liste courte

Les meilleurs projets “clean label” sont ceux qui acceptent une réalité : on ne supprime pas la fonctionnalité, on la déplace.

• soit on trouve un ingrédient naturellement fonctionnel (certaines fibres, protéines traitées, amidons)
• soit on optimise le procédé pour obtenir la fonctionnalité (hydratation, fermentation, traitement enzymatique)

Dans les deux cas, l’IA peut aider à cartographier rapidement les combinaisons “ingrédient x process” qui atteignent la cible.

Ce que ça change pour l’agriculture et la sécurité alimentaire

La réponse : des protéines fonctionnelles plus efficaces peuvent diversifier les débouchés agricoles, réduire la pression sur certaines filières animales, et améliorer l’efficience de transformation.

Concrètement, si des ingrédients végétaux (pois, fèverole, lupin, blé, colza, etc.) sont mieux valorisés grâce à des fonctionnalités supérieures (liant, texture, rétention d’eau), on obtient :

• une meilleure conversion matière en produit consommable
• des recettes potentiellement moins dépendantes d’importations spécifiques
• un espace pour des filières locales, si la techno s’adapte aux variétés disponibles

Dans la logique “IA + agroalimentaire”, c’est un point que je trouve sous-estimé : l’optimisation ne se fait pas uniquement à l’hectare, elle se fait aussi au kilo transformé.

Exemple d’usage (très réaliste) côté industriel

Une PME agroalimentaire veut lancer des nuggets végétaux en Europe.

• Objectif : réduire la liste d’ingrédients de 25 à 15 entrées
• Contrainte : garder une perte à la cuisson faible et une texture stable après surgélation

Une protéine fonctionnelle B2B type Meala peut remplacer plusieurs ingrédients (liant + gélifiant + stabilisation eau). L’IA intervient ensuite pour :

1. ajuster le taux d’hydratation et le profil de mélange
2. prévoir la tenue après congélation
3. calibrer une fenêtre process qui minimise la variabilité

Résultat attendu : formulation simplifiée, industrialisation plus rapide, moins de retours qualité.

Questions fréquentes (et réponses franches)

Est-ce que “clean label” veut dire moins transformé ?

Pas forcément. Une liste courte peut cacher un procédé sophistiqué. Ce qui compte, c’est la compréhensibilité et l’acceptabilité, mais aussi la qualité nutritionnelle et la stabilité.

Pourquoi le B2B est un choix malin dans l’alternative protéique ?

Parce que la majorité des marques n’ont pas intérêt à réinventer seules la fonctionnalité. Un fournisseur d’ingrédients peut amortir la R&D et diffuser une innovation sur plusieurs gammes.

L’IA peut-elle vraiment améliorer le goût ?

Oui, indirectement. Le goût perçu dépend énormément de la texture (libération d’arômes, jutosité, mâche). Optimiser la texture et la rétention d’eau améliore souvent la perception globale.

Ce que les acteurs agroalimentaires devraient faire dès maintenant

Si vous travaillez dans l’agroalimentaire, voici une feuille de route pragmatique (sans grand discours) :

1. Définir 4 à 6 métriques cibles avant de toucher à la recette (perte à la cuisson, dureté, jutosité, coût/kg, stabilité congélation)
2. Mesurer systématiquement (TPA, WHC, viscosité, photos standardisées) : pas de données, pas d’IA utile
3. Tester en mini-pilote le plus tôt possible : le labo ment souvent sur l’échelle
4. Travailler avec des fournisseurs B2B capables de documenter leurs ingrédients (spécifications, tolérances, répétabilité)

C’est rarement l’idée qui manque ; c’est la discipline expérimentale.

La suite logique : une chaîne “du champ à l’usine” pilotée par la donnée

Le mouvement que représente Meala est clair : l’innovation en protéines alternatives se déplace vers des solutions plus “industrielles”, plus sobres en ingrédients, et plus compatibles avec les attentes consommateurs. Pour notre thématique intelligence artificielle dans l’agriculture et l’agroalimentaire, le signal est fort : la performance alimentaire de demain dépend d’une continuité de données, du choix variétal et des conditions de culture jusqu’aux réglages de process.

Si vous cherchez à transformer une contrainte (coût, étiquette, texture) en avantage produit, la bonne question n’est pas “faut-il de l’IA ?”. C’est plutôt : où sont vos données, et quelle décision concrète elles doivent améliorer lundi matin ?

Et vous, dans votre organisation, le prochain goulot d’étranglement se situe où : formulation, passage pilote, qualité lot à lot… ou approvisionnement ?