IA sans caisse : l’échec Grabango, leçon pour l’agro

Grabango avait levé plus de 93 M$ pour promettre la sortie du supermarché sans passer en caisse. Et pourtant, le 09/10/2024, l’entreprise a fermé, faute de financement. Ce genre de trajectoire n’est pas un détail de la « food tech » américaine : c’est un signal clair sur ce que l’IA coûte réellement, et sur la différence entre une démo qui impressionne et un déploiement qui tient sur 5 à 10 ans.

Dans notre série « Intelligence artificielle dans l’industrie manufacturière », on parle souvent de maintenance prédictive, de robotique, de contrôle qualité et d’usines intelligentes. Le cas Grabango ajoute une pièce essentielle au puzzle : l’IA échoue rarement à cause des algorithmes. Elle échoue parce que le modèle économique, l’intégration opérationnelle, l’acceptabilité et la trajectoire de rentabilité ne suivent pas.

Ce qui m’intéresse ici, c’est le pont avec l’agriculture et l’agroalimentaire : dans un contexte 2025 où les budgets se resserrent, où les projets doivent prouver leur valeur rapidement, et où la pression sur la sécurité alimentaire et les coûts de production augmente, les projets d’IA “précision” (rendements, intrants, qualité, énergie) ont souvent un terrain plus solide… à condition d’éviter les pièges qui ont fragilisé l’IA en retail.

Ce que l’arrêt de Grabango dit vraiment sur l’IA

Réponse directe : la fermeture de Grabango montre que l’IA, lorsqu’elle dépend d’un déploiement lourd en magasin et d’une adoption client variable, peut devenir une machine à brûler du cash si la rentabilité n’est pas verrouillée tôt.

Grabango s’est positionnée sur le cashierless checkout (paiement sans caisse) à base de vision par ordinateur et d’IA. Le marché s’est vite densifié (solutions concurrentes, offres “hybrides”, acquisitions), et même des géants ont revu leurs ambitions. Un point clé ressort : la technologie n’est qu’une brique. Le reste, c’est :

• CAPEX et complexité d’installation : caméras, infrastructure, recalibrages, maintenance.
• OPEX : support, mises à jour, supervision, gestion des incidents (erreurs de détection, litiges).
• Variabilité du terrain : éclairage, densité de clients, comportements imprévus, paniers, produits.
• Acceptabilité : une partie des clients n’aime pas l’idée de “remplacer la caissière sympa” par une plateforme.

Autrement dit : quand l’IA touche au parcours client et à l’emploi visible, la tolérance à l’erreur est faible et la valeur perçue devient politique. Et quand l’infrastructure est lourde, chaque nouveau site déployé est une nouvelle prise de risque.

Mythe à casser : “Si ça marche en pilote, ça marchera partout”

Un pilote en environnement contrôlé n’est pas une preuve de rentabilité. Dans l’industrie manufacturière, on le sait : un POC de vision artificielle peut détecter des défauts sur une ligne… puis s’effondrer dès que la poussière, les variations de lots ou les changements d’éclairage arrivent.

Le retail “sans caisse” amplifie le problème : le “produit” est l’expérience complète, pas un module isolé.

Pourquoi l’IA en agriculture et agroalimentaire a souvent un meilleur profil

Réponse directe : en agriculture et en agroalimentaire, l’IA peut créer de la valeur en réduisant des coûts mesurables (intrants, énergie, arrêts) et en augmentant des volumes/qualité — avec une acceptation généralement plus pragmatique.

On entend parfois : « Si l’IA n’a pas réussi à généraliser la caisse sans caissier, pourquoi elle réussirait ailleurs ? » Je prends la position inverse : l’IA en production alimentaire est souvent plus “ancrée” dans le réel économique.

Dans une exploitation ou une usine agroalimentaire, les gains se lisent sur :

• le rendement (tonnes/ha, kg/animal, taux de conversion),
• les intrants (eau, engrais, phytos, alimentation),
• la qualité (classement, calibrage, conformité),
• le temps machine (arrêts, pannes, cadence),
• l’énergie (kWh/tonne, froid, vapeur, air comprimé),
• la perte (gaspillage, rebuts, DLC).

Et surtout : l’IA s’intègre souvent dans des processus qui existent déjà (capteurs, automates, MES/ERP, SCADA), plutôt que de reconstruire une expérience client de A à Z.

Exemple concret (manufacturing agro) : maintenance prédictive sur une ligne de conditionnement

Sur une ligne de conditionnement (agroalimentaire), un arrêt non planifié coûte vite cher : heures perdues, produits détruits, replanification, pénalités logistiques.

Un projet d’IA typique : analyser vibrations/températures/intensités moteur + historiques de pannes pour prédire une défaillance et planifier une intervention pendant un créneau de faible charge. Là, le ROI est “lisible” : moins d’arrêts, moins de rebuts, meilleure disponibilité.

Ce n’est pas glamour comme un magasin futuriste. Mais c’est généralement plus finançable, parce que la valeur est plus directe.

Les 5 pièges qui ont plombé le retail… et comment les éviter côté agro

Réponse directe : pour sécuriser un projet d’IA en agriculture/agroalimentaire, il faut traiter l’intégration, le coût total, la gouvernance des données, l’humain et la trajectoire de rentabilité dès le départ.

1) Le coût total de possession (TCO) sous-estimé

Le “prix de la techno” n’est qu’un début. En agro et en usine, le TCO inclut : capteurs, connectivité sur site, cybersécurité, maintenance, formation, et temps des équipes.

Ce qui marche : construire un TCO sur 3 ans avec une ligne “maintenance & recalibrage” et une ligne “temps opérateur”. Si vous ne pouvez pas l’estimer, vous ne pouvez pas le financer.

2) L’intégration opérationnelle traitée trop tard

Grabango devait s’insérer dans l’exploitation magasin (flux clients, inventaire, litiges). C’est la même histoire en usine : si l’IA ne s’imbrique pas dans les routines, elle meurt.

Ce qui marche : définir dès le départ qui fait quoi quand l’IA détecte un problème :

• Qui reçoit l’alerte ?
• Quel délai d’action ?
• Quelle procédure si l’IA se trompe ?
• Quel KPI “terrain” suit-on chaque semaine ?

3) Le “dernier mètre” humain ignoré

Remplacer un poste visible (caissier) peut créer du rejet. En agriculture/agro, le sujet est différent mais réel : l’IA peut être perçue comme une couche de contrôle ou comme une boîte noire.

Ce qui marche : positionner l’IA comme un copilote :

• explications simples (les 3 facteurs qui ont déclenché l’alerte),
• droit de désaccord documenté,
• boucle d’amélioration (feedback terrain → modèle).

4) Des données “OK” en démo, fragiles en production

En vision artificielle, les performances chutent quand la matière première change (variétés, calibres, saisonnalité). En agriculture, c’est encore plus vrai : météo, sols, maladies, pratiques.

Ce qui marche : prévoir une stratégie anti-dérive :

• recalibrages planifiés,
• jeux de données par saison/lot/variété,
• surveillance des performances (drift) avec seuils d’alerte.

5) Un ROI “marketing” au lieu d’un ROI “marge”

La caisse sans caisse vend une promesse d’expérience. En agro, on doit viser la marge : coût/unité, pertes, énergie, productivité.

Ce qui marche : choisir un cas d’usage où le ROI est calculable en euros dès le mois 1 (même s’il est modeste), puis élargir.

Une méthode pragmatique pour financer et réussir un projet IA (agri + industrie)

Réponse directe : découpez le projet en étapes finançables et auditables : baseline → pilote limité → industrialisation → déploiement multi-sites.

J’ai vu trop d’organisations essayer de “tout faire d’un coup” : capteurs partout, data lake complet, modèles sophistiqués. En 2025, ce n’est plus aligné avec la réalité budgétaire. Les financeurs (internes comme externes) veulent des preuves courtes.

Étape 1 — Baseline (2 à 4 semaines)

Objectif : mesurer la situation actuelle avec des chiffres simples.

• Temps d’arrêt mensuel (heures)
• Taux de rebuts (%)
• Consommation énergie par tonne
• Variabilité qualité (écarts de calibration, non-conformités)

Étape 2 — Pilote ciblé (6 à 10 semaines)

Objectif : un seul périmètre, un seul KPI principal.

Exemples agroalimentaires :

• détection de défauts sur un produit (vision),
• prédiction de pannes sur un compresseur froid,
• optimisation d’un four/séchoir (énergie + qualité).

Étape 3 — Industrialisation (3 à 6 mois)

Objectif : fiabiliser (cyber, monitoring, procédures, formation).

C’est là que beaucoup de projets échouent par manque de budget “non sexy” : supervision, documentation, support.

Étape 4 — Déploiement multi-sites (6 à 18 mois)

Objectif : standardiser sans rigidifier.

Le multi-sites est la zone où le projet devient une capacité industrielle, pas un prototype.

Phrase à retenir : “Un modèle d’IA sans plan d’exploitation, c’est un prototype qui attend sa date d’expiration.”

Ce que les décideurs devraient retenir en 2025

Réponse directe : la question n’est pas “Est-ce que l’IA marche ?”, mais “Est-ce que l’IA s’exploite et se finance durablement ?”.

Grabango a été rattrapée par une combinaison classique : marché encombré, déploiement coûteux, valeur perçue discutée, financement plus rare. Pour l’agriculture et l’agroalimentaire, la leçon est utile : les projets qui survivent sont ceux qui se branchent sur des problèmes vitaux — coûts, disponibilité, qualité, conformité, sécurité alimentaire.

Si vous êtes dans une entreprise agroalimentaire (ou un fabricant d’équipements, un intégrateur, une coopérative), je recommande de commencer par un audit simple : où perd-on de l’argent chaque semaine ? Là se trouve souvent votre premier cas d’usage IA rentable.

La suite logique : définir 1 ou 2 cas d’usage à fort impact, construire un TCO réaliste, et mettre en place une trajectoire de déploiement qui ne dépend pas de “la prochaine levée”.

Et vous, dans vos opérations, quel est le point de friction le plus coûteux : arrêts, énergie, qualité, ou pertes matière ?