Cuisson par courants électriques : l’IA change la donne

Quatre minutes pour des muffins aux myrtilles. Pas « réchauffés », pas « à moitié cuits » : réellement cuits, avec une texture et un goût comparables à une fournée classique. C’est la promesse mise en avant au CES avec un appareil de cuisson qui chauffe… en faisant passer des courants électriques à travers l’aliment.

Ce genre d’innovation peut sembler cantonné à la cuisine connectée. Pourtant, pour celles et ceux qui travaillent en agroalimentaire, en transformation, ou plus largement dans l’industrie manufacturière, le signal est clair : les procédés thermiques deviennent des procédés pilotables, mesurables, modélisables. Et dès qu’un procédé devient pilotable, l’intelligence artificielle n’est plus un gadget : c’est la couche qui permet d’industrialiser la performance (qualité, sécurité, énergie, rendement).

L’appareil présenté par Sevvy s’appuie sur une combinaison de chauffage ohmique et de champs électriques pulsés (PEF). Dans ce billet (série « Intelligence artificielle dans l’industrie manufacturière »), je vais au-delà de la démo CES pour répondre à une question très opérationnelle : que peut réellement apporter l’IA à une cuisson “par courant”, et comment ce raisonnement se transpose à l’agroalimentaire et, par extension, aux chaînes agri-food.

La cuisson « par courant » : plus proche d’un procédé industriel que d’un four

Réponse directe : la cuisson par courant transforme l’aliment en “résistance chauffante”, ce qui permet une montée en température homogène et très rapide, avec une maîtrise fine du profil thermique.

Dans un four traditionnel, la chaleur vient de l’extérieur (air chaud, convection, rayonnement) et progresse vers le cœur. Résultat : on gère en permanence un compromis — surface dorée vs intérieur cuit, dessèchement, gradients de température, temps long.

Avec le chauffage ohmique, on fait passer un courant dans l’aliment (ou dans un milieu conducteur associé). L’énergie se dissipe sous forme de chaleur dans la masse. Sur le papier, c’est simple : moins de gradients, donc moins de surcuisson périphérique et potentiellement moins de pertes.

Le PEF (Pulsed Electric Field), lui, est historiquement connu dans l’agroalimentaire pour d’autres bénéfices : il peut modifier la perméabilité des membranes cellulaires (électroporation). Selon les paramètres, ça peut faciliter certains transferts (eau, solutés), accélérer des phénomènes, ou contribuer à des stratégies de conservation/traitement. Dans une logique « cuisson », l’intérêt est souvent dans la préparation de la matière pour améliorer l’efficacité du chauffage et la texture.

Ce qui m’intéresse ici n’est pas seulement la vitesse (« 4 minutes »), mais le fait que ces technologies produisent énormément de variables exploitables : conductivité, courants, tensions, temps d’impulsion, réponse thermique, etc. Autrement dit : des données natives.

Là où l’IA devient indispensable : sécurité alimentaire, qualité et répétabilité

Réponse directe : l’IA sert à garantir que chaque lot atteint la létalité et la qualité cible, malgré la variabilité naturelle des aliments (eau, sel, taille, densité, température initiale).

Un procédé thermique ne se juge pas uniquement au goût. En industrie, la question centrale est : est-ce que chaque unité a reçu le bon traitement, de manière vérifiable  tendo.

Variabilité matière : l’ennemi n°1 des recettes “automatisées”

Deux pâtons « identiques » ne le sont jamais vraiment : humidité différente, farine plus ou moins absorbante, fruits plus froids, viscosité variable. Or, en chauffage ohmique, la conductivité électrique dépend fortement de la teneur en eau, en sels, en sucres et de la température. Donc, le même réglage peut produire des résultats différents.

L’IA (au sens large : modèles prédictifs + optimisation) permet de passer d’un mode « programme fixe » à un mode pilotage adaptatif :

• Prédire la montée en température en fonction de paramètres mesurés en temps réel.
• Ajuster automatiquement puissance, durée, fréquence et séquences d’impulsions.
• Détecter des dérives (matière hors spécification, capteur défaillant, mauvaise charge).

Du contrôle qualité à la preuve de conformité

Pour la sécurité, on pense souvent à un thermomètre. Le problème : on ne peut pas mettre une sonde partout, ni dans chaque unité. Avec un procédé électro-thermique, on peut créer un jumeau numérique du produit : un modèle qui estime l’état interne (température cœur, gradients, énergie reçue) à partir des signaux électriques et de quelques capteurs.

C’est exactement le type de schéma qui cartonne dans l’industrie manufacturière :

• capteurs + IA
• modèles d’état
• traçabilité par lot
• réduction du rebut

Une phrase à retenir : « On ne pilote bien que ce qu’on mesure, et on ne mesure pas tout sans modèle. »

Énergie, rendement, formulation : la performance ne se joue pas qu’au compteur

Réponse directe : l’IA peut minimiser l’énergie par produit conforme et maximiser le rendement en réduisant la surcuisson, les pertes d’eau et les rebuts.

Le discours « cuisson plus rapide = moins d’énergie » n’est pas toujours vrai en pratique. L’efficacité se juge plutôt ainsi : kWh par unité vendable, incluant les rebuts, les reprises, et les pertes matière.

Optimiser l’énergie avec des objectifs multiples

Dans une usine, le “bon” réglage n’est jamais un seul chiffre. Il faut optimiser simultanément :

• Qualité (texture, couleur, humidité finale)
• Sécurité (profil temps-température et/ou effet PEF validé)
• Coûts (énergie, temps machine, maintenance)
• Cadence (débit, temps de cycle)

C’est typiquement un problème d’optimisation multi-objectif. Les approches qui marchent bien en production :

1. Régression/ML pour prédire qualité et température finale
2. Optimisation (recherche bayésienne, heuristiques, contraintes) pour proposer des paramètres
3. Boucle de contrôle pour corriger en temps réel

Reformulation assistée : moins de gras, de sel, de sucre… mais vérifiable

Sevvy avance une réduction possible de matières grasses et de sel/sucre. Techniquement, c’est plausible : si la cuisson est plus homogène, on peut parfois compenser certaines fonctions (moelleux, tenue, perception aromatique) autrement.

Mais en contexte industriel, une reformulation ne se valide pas à l’œil. L’IA peut aider à :

• relier formulation → conductivité → cinétique de chauffage
• anticiper les écarts (ex. lot de farine différent)
• stabiliser la texture malgré une réduction d’ingrédients “structurants”

Le bénéfice business est concret : moins d’ingrédients coûteux, moins de variabilité, moins de non-conformités.

Du plan de travail à l’agroalimentaire (et même à la ferme) : le même schéma IA

Réponse directe : la valeur ne vient pas de l’appareil, mais de la chaîne de données : capter, prédire, optimiser, tracer.

La démonstration CES parle “muffins”. En agroalimentaire, les cas d’usage les plus proches sont ceux où la maîtrise thermique et la texture sont critiques, et où les volumes justifient l’automatisation.

Cas d’usage agroalimentaires qui s’y prêtent bien

• Produits pâteux ou semi-liquides (pâtes, crèmes, préparations) où la conductivité est plus stable.
• Cuisson/traitement rapide pour limiter l’impact organoleptique (goût “cuit”, dessèchement).
• Prétraitement (PEF) avant extraction, infusion, marinades, ou texturation.

Dans ces cas, l’IA sert de colonne vertébrale :

• Prévision du résultat (qualité finale) à partir de signaux process
• Détection d’anomalies (dérive matière, erreur de recette)
• Maintenance prédictive (électrodes, alimentation, isolation)

Et côté agriculture ?

Le pont avec l’agriculture se fait par un mot : variabilité.

À la ferme, on vit avec des matières premières hétérogènes (teneur en eau, maturité, taille). À l’usine, on subit cette variabilité… ou on l’absorbe intelligemment.

Un scénario très concret : si la transformation utilise un procédé sensible à la conductivité/teneur en eau, alors mesurer plus tôt (au silo, à la réception, voire au champ via capteurs) permet de :

• mieux trier/affecter les lots
• ajuster automatiquement les paramètres process
• réduire les pertes et le gaspillage

C’est la logique “de la cuisine à la ferme” : le pilotage intelligent du procédé crée une demande de données amont, et donc une meilleure coordination de la chaîne agri-food.

Ce que les fabricants canadiens devraient regarder dès maintenant

Réponse directe : la question n’est pas « est-ce que ça cuit vite », mais « est-ce industrialisable, contrôlable et maintenable ». Et l’IA est la clé d’industrialisation.

Dans la série « Intelligence artificielle dans l’industrie manufacturière », on parle souvent de robotique, de vision qualité, de maintenance prédictive. Ici, on retrouve exactement ces leviers.

Checklist terrain (simple, mais redoutablement efficace)

1. Mesurabilité : quels signaux sont disponibles (courant, tension, impédance, température, humidité, masse) ?
2. Traçabilité : peut-on associer un “passeport process” à chaque lot/unité (paramètres + courbe estimée) ?
3. Modélisation : a-t-on un modèle qui relie paramètres → résultat (cuisson, texture, sécurité) ?
4. Boucle de contrôle : le système sait-il corriger en cours de cycle, ou seulement exécuter une recette ?
5. Nettoyage & hygiène : intégration CIP/NEP, gestion des dépôts, contrôle de l’encrassement des électrodes.
6. Maintenance prédictive : surveillance de l’usure des électrodes, dérives d’alimentation, échauffements anormaux.

Une position claire

Je suis favorable à ces procédés si on les traite comme des lignes de production, pas comme des gadgets de cuisine. Sans IA (et sans ingénierie data), on obtient au mieux un appareil impressionnant en démonstration. Avec IA + instrumentation + validation process, on obtient un procédé industrialisable.

« La performance, ce n’est pas la vitesse. C’est la répétabilité sous contrainte. »

Prochaine étape : comment passer d’un prototype à un système “piloté IA”

Réponse directe : commencez par un pilote qui collecte les bons signaux, construisez un modèle qualité, puis automatisez l’optimisation sous contraintes sécurité.

Si vous travaillez en transformation agroalimentaire, équipement industriel, ou RD procédé, voici une approche pragmatique en 90 jours :

• Semaine 1–3 : définir 3 métriques cibles (ex. température cœur estimée, humidité finale, texture/volume) + critères sécurité.
• Semaine 4–6 : instrumenter et collecter des données sur 50–200 cycles avec variations contrôlées (matière, charge, température initiale).
• Semaine 7–10 : entraîner un modèle prédictif « paramètres + signaux → qualité ». Priorité à la robustesse, pas à la sophistication.
• Semaine 11–13 : ajouter une couche d’optimisation (propositions de réglages) + détection d’anomalies en production.

Ce plan ne dépend pas d’un appareil particulier. C’est la même recette que pour l’IA en usine : capteurs → modèle → contrôle → traçabilité.

La vraie question pour 2026 n’est pas « quel appareil est le plus rapide ». C’est : quels industriels sauront transformer ces nouveaux procédés en avantage opérationnel mesurable — sécurité, énergie, rendement et qualité — grâce à l’IA ?