Saumon végétal et IA : l’approche “à froid” qui change tout

En 2025, l’alimentation alternative n’a plus le droit à l’approximation. Après l’euphorie des burgers végétaux, beaucoup de consommateurs ont levé le pied : texture trop uniforme, goûts parfois “masqués”, listes d’ingrédients longues, et surtout une impression de compromis. Dans les rayons comme dans la restauration, une idée s’impose : les “petites formes” (nuggets, steaks hachés) ne suffisent plus.

C’est précisément là que l’histoire de New School Foods devient intéressante pour notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire ». Cette start-up de Toronto a pris un pari technique à contre-courant : remplacer la logique de texture par la chaleur (extrusion) par une logique de texture par le froid (congélation structurante), afin de produire des “whole cuts” — des pièces entières, comme un filet de saumon.

Derrière ce choix industriel, il y a une leçon très actuelle pour l’agroalimentaire : quand on vise la précision (texture, gras, cuisson, fibres), on finit tôt ou tard par raisonner en données — et l’IA devient un outil naturel pour piloter cette complexité.

Les “whole cuts” : la vraie bataille des protéines alternatives

Réponse directe : les pièces entières sont l’étape qui manque pour convertir les flexitariens exigeants. Un burger végétal peut tolérer une certaine homogénéité. Un filet de saumon, non. La valeur perçue vient de la fibre, de la tenue à la cuisson, du gras, de la jutosité et du “mouthfeel”.

Pourquoi le saumon est un test impitoyable

Le saumon concentre plusieurs difficultés technologiques :

• Fibres musculaires visibles : la structure doit “se défaire” en lamelles, pas en bouillie.
• Gras “noble” : le produit doit porter des lipides pour la jutosité et le goût.
• Cuisson courte : le saumon pardonne peu. Trop cuit, il sèche ; pas assez, il reste cru.

Ce n’est pas un hasard si beaucoup de produits végétaux ont commencé par des formats hachés : c’est plus simple à texturer, à aromatiser, et à standardiser. Mais si l’objectif est de réduire la pression sur les ressources marines et d’offrir des alternatives crédibles, la pièce entière devient un passage obligé.

Ce que ça change côté marché (et pourquoi décembre est un bon moment pour en parler)

Fin décembre, on voit monter la demande en produits “festifs” et en alternatives premium : buffets, apéritifs, repas de famille, menus de restaurants. Une alternative poisson convaincante a un terrain naturel : entrées, sushis végétaux, plats légers, ou assiettes “terre-mer” revisitées.

La réalité est simple : si l’alternative ne tient pas la route en restauration, elle aura du mal à s’installer chez le consommateur. Les chefs deviennent des prescripteurs, et la “preuve par l’assiette” accélère l’adoption.

Extrusion vs congélation : deux philosophies industrielles

Réponse directe : l’extrusion chauffe pour créer la texture, New School Foods “structure” par le froid pour imiter la fibre. Dans l’univers des protéines végétales, l’extrusion (souvent “haute humidité”) est une méthode dominante : on applique chaleur, pression et cisaillement pour former des structures fibreuses.

Les limites pratiques de l’extrusion pour les pièces entières

L’extrusion a des avantages (débit, coûts, standardisation), mais elle crée aussi des contraintes :

• Produit souvent précuit : ce qui influence le comportement à la cuisson finale.
• Texture parfois trop régulière : difficile de reproduire la variabilité “organique” d’un muscle.
• Ajustements sensoriels fréquents : couleur, arômes, “trucs” pour simuler le saignant, etc.

Ce n’est pas “mal” en soi. C’est juste que la logique industrielle (produire beaucoup, vite, et pareil) n’est pas toujours compatible avec la logique culinaire d’une pièce entière.

L’option “à froid” : structurer autrement

New School Foods met en avant un procédé breveté où la congélation sert à créer la texture, plutôt que la chaleur. L’idée est puissante : si on contrôle la formation de la structure au froid, on peut viser des fibres plus proches du muscle, et potentiellement mieux préserver certains profils de lipides.

Ce qui m’intéresse ici, c’est la direction : quand on bascule vers des procédés fins (morphologie des fibres, résistance, longueur), on entre dans un monde où l’optimisation manuelle devient vite insuffisante.

Le “moule à canaux” : une idée très IA-compatible

Réponse directe : le “scaffolding” (structure-matrice) transforme la recette en problème d’ingénierie, donc en problème de données. New School Foods décrit un système de moule avec des milliers de canaux verticaux, remplis pour former des fibres protéiques. En clair : une matrice qui guide la micro-structure.

Pourquoi cette approche ouvre la porte à l’IA

Dès qu’on parle de canaux, de fibres, de résistance mécanique, de transition à la cuisson, on parle de variables mesurables. Et quand les variables se multiplient, l’IA devient utile pour :

1. Explorer plus vite l’espace des formulations (protéines, liants, huiles, fibres alimentaires).
2. Prédire le comportement à la cuisson (température de transition, tenue, exsudation d’eau).
3. Optimiser la texture via des mesures instrumentales (compression, cisaillement, élasticité).
4. Réduire les itérations en laboratoire (moins d’essais “au hasard”, plus d’essais ciblés).

On retrouve ici un parallèle clair avec l’agriculture de précision : capteurs + modèles + boucle d’amélioration. Sauf qu’au lieu d’optimiser une parcelle, on optimise un procédé et une matrice alimentaire.

À quoi ressemble un “jumeau numérique” d’un filet de saumon végétal

Dans les projets agroalimentaires avancés, on voit émerger des digital twins (jumeaux numériques) : une représentation logicielle d’un produit ou d’un procédé, nourrie par des données.

Pour un filet végétal, un jumeau numérique peut intégrer :

• paramètres de procédé (temps, température, gradients de refroidissement)
• géométrie du moule et densité de canaux
• type de protéines et leur comportement (gélification, hydratation)
• profil lipidique (point de fusion, stabilité)
• résultats qualité (texture mesurée, pertes à la cuisson, acceptabilité sensorielle)

Le bénéfice business est concret : stabilité qualité, réduction des rebuts, mise à l’échelle plus rapide.

Une phrase à retenir : “Quand la texture devient une spécification, l’IA devient une méthode.”

De la R&D à l’usine pilote : les décisions qui font (vraiment) la différence

Réponse directe : l’enjeu n’est pas seulement d’inventer un produit, c’est de le rendre reproductible à grande échelle. New School Foods a annoncé une ambition de mise sur le marché d’abord en restauration, puis auprès des consommateurs, avec une levée de fonds annoncée de 13 millions de dollars pour construire une installation pilote dans la région de Toronto.

Le piège classique des protéines alternatives

Beaucoup d’équipes réussissent une démo. Puis elles échouent sur l’industrialisation.

Les causes les plus fréquentes :

• procédé trop sensible (petites variations → gros écarts de texture)
• matières premières variables (protéines végétales selon lots, origines, saisons)
• contrôle qualité insuffisant (on “goûte” au lieu de mesurer)
• coûts énergétiques sous-estimés (chauffage, refroidissement, nettoyage)

Dans un contexte 2025 marqué par la pression sur les marges et l’énergie, la robustesse du procédé est aussi importante que la recette.

Comment l’IA aide à passer l’étape “usine pilote”

Voici des usages très pragmatiques (et déjà adoptés dans d’autres segments food) :

• Contrôle en ligne via vision industrielle : détecter défauts de structure, fissures, hétérogénéités.
• Maintenance prédictive : anticiper les dérives des équipements de froid, compresseurs, échangeurs.
• Optimisation énergétique : ajuster profils de refroidissement pour réduire kWh/kg.
• Traçabilité intelligente : relier un défaut qualité à un lot, un réglage, un opérateur, un créneau.

Là encore, c’est la même logique que dans l’agriculture connectée : mesurer, comprendre, corriger.

Questions fréquentes (et réponses utiles) sur le saumon végétal “whole cut”

Est-ce forcément meilleur nutritionnellement ?

Réponse directe : non, mais c’est pilotable. La nutrition dépend des ingrédients (protéines, huiles, sel, additifs) et des objectifs (oméga-3, graisses saturées, etc.). Le vrai progrès, c’est la possibilité d’atteindre une texture premium sans surcharger l’aromatisation, ce qui peut aider à simplifier.

Le froid n’est-il pas plus coûteux que la chaleur ?

Réponse directe : ça dépend du rendement et du rebut. Un procédé froid peut coûter cher en énergie, mais si l’approche diminue les pertes, accélère la montée en qualité, et réduit les retours clients, le calcul change. En 2025, l’efficacité énergétique par kilogramme de produit vendable est la métrique qui compte.

Pourquoi commencer par les restaurants ?

Réponse directe : pour valider l’usage réel et construire la désirabilité. Les chefs testent la tenue en cuisson, la découpe, le dressage, et donnent un feedback brutal mais utile. Si un filet tient en service, il tiendra mieux à la maison.

Ce que l’agriculture et l’agroalimentaire peuvent apprendre de ce cas

Réponse directe : les innovations qui gagnent ne sont pas seulement “tech”, elles sont pilotées comme des systèmes. New School Foods illustre une tendance de fond : on passe d’une innovation “recette” à une innovation “procédé + données”.

Pour les acteurs agricoles et agroalimentaires, ça se traduit par trois axes concrets :

1. Standardiser la donnée (matières premières, paramètres, qualité) pour comparer et progresser.
2. Instrumenter le réel (capteurs, mesures texture, vision) plutôt que décider au ressenti.
3. Boucler rapidement (modèles prédictifs, tests ciblés) pour réduire le temps R&D.

C’est exactement l’esprit de l’IA appliquée à l’agriculture de précision : moins d’intuition isolée, plus de pilotage mesuré.

Et maintenant : quelle prochaine étape pour les protéines marines alternatives ?

Les consommateurs ne demandent pas une leçon de technologie. Ils demandent une assiette crédible. Mon avis : les gagnants seront ceux qui traitent la texture et la cuisson comme des spécifications industrielles, puis utilisent l’IA pour tenir ces spécifications lot après lot.

Si vous travaillez dans l’agroalimentaire, la question n’est pas “faut-il faire de l’IA ?”. La bonne question est : où est votre variabilité, et combien vous coûte-t-elle — en énergie, en rebut, en retours, en réputation ?

Dans notre série « Intelligence artificielle dans l’agriculture et l’agroalimentaire », ce cas montre une direction nette : la durabilité et la performance passent par la précision. Et la précision, en 2025, se construit rarement sans données.

Qu’est-ce que vous mesureriez en premier dans votre process : la texture, l’énergie, ou la variabilité matière ?