IA et robotique en pêche : plus frais, moins de gaspillage

La fraîcheur ne se joue pas dans la vitrine du supermarché. Elle se joue dans les 60 premières secondes après la capture. C’est contre-intuitif, mais c’est exactement là que la qualité bascule — et c’est aussi là que l’IA et la robotique commencent à faire une vraie différence.

Une jeune entreprise, Shinkei, équipe des bateaux de pêche avec une machine robotisée guidée par vision par ordinateur pour traiter le poisson immédiatement après la remontée à bord. L’objectif affiché : moins de stress pour l’animal, meilleure qualité de chair, et une durée de conservation nettement plus longue. Vu de notre série « Intelligence artificielle dans l’industrie manufacturière », ce cas n’est pas une curiosité maritime : c’est un exemple très concret d’IA appliquée au contrôle qualité, à l’automatisation et à la réduction des pertes dans toute la chaîne agroalimentaire.

La vraie cause du “poisson pas si frais” : le stress post-capture

Réponse directe : la dégradation démarre dès que le poisson se débat et s’asphyxie, car le stress accélère des réactions biochimiques qui détériorent texture, goût et durée de vie.

Sur un bateau, le traitement “classique” laisse souvent le poisson se débattre. Cette phase déclenche des réactions physiologiques (dont l’accumulation d’acide lactique et la libération d’hormones de stress) qui modifient le pH de la chair, favorisent la prolifération bactérienne, et accélèrent l’arrivée de la rigidité cadavérique (rigor mortis). Résultat : une fenêtre de fraîcheur plus courte, donc plus de casse en rayon et plus de compromis en logistique.

Ce point est essentiel pour les industriels : la qualité n’est pas seulement une question de chaîne du froid, c’est aussi une question de process. Dans l’agroalimentaire, on le voit partout : un mauvais geste au départ (tri, coupe, lavage, refroidissement) se paye cher à l’arrivée.

Un principe qu’on retrouve en usine

Dans l’industrie manufacturière, on parle souvent de variabilité de process : plus elle est élevée, plus on produit de non-conformités. Ici, la variabilité, c’est l’humain + les conditions en mer. L’idée de Shinkei est simple : standardiser un geste critique, au moment où il a le plus d’impact.

Poseidon : quand la vision par ordinateur pilote un geste “ultra-rapide”

Réponse directe : le robot scanne le poisson, identifie ce qu’il doit faire, puis exécute une séquence de traitement en environ 6 secondes.

La machine (appelée Poseidon) traite le poisson pendant qu’il est encore vivant. Elle utilise une IA de computer vision pour :

• reconnaître l’espèce,
• repérer des points clés anatomiques,
• calculer un chemin de coupe adapté,
• exécuter une séquence rapide : euthanasie la plus immédiate possible, puis incision au niveau des ouïes pour drainer le sang.

L’intérêt n’est pas seulement la vitesse. C’est la répétabilité. En contrôle qualité, c’est souvent ce qui manque : deux opérateurs expérimentés peuvent obtenir des résultats différents, surtout sous contrainte (fatigue, mer agitée, volume de capture). Un robot, lui, fait la même chose… à condition d’avoir été entraîné sur des données solides.

Ce que l’IA apporte (au-delà de la robotique)

Shinkei explique avoir entraîné ses modèles en interne, avec une logique proche de la reconnaissance faciale — version “visage de poisson”. C’est un point clé : la donnée est l’actif. Sans jeu de données diversifié (espèces, tailles, éclairages, angles, humidité), un modèle de vision devient fragile.

Pour les fabricants canadiens qui travaillent sur l’IA en usine, le parallèle est immédiat :

• une caméra + un modèle peuvent remplacer une inspection aléatoire,
• une inférence en temps réel peut déclencher une action automatique,
• et la traçabilité devient “native” au process.

Durée de conservation : l’effet domino qui réduit le gaspillage

Réponse directe : en réduisant le stress et en retirant le sang rapidement, on ralentit la dégradation et on étend fortement la marge logistique.

L’argument “goût” est facile à comprendre, mais l’enjeu industriel est ailleurs : la planification. Shinkei avance un écart marquant sur le rigor mortis : un poisson asphyxié entrerait en rigidité en environ 7 heures, contre jusqu’à 60 heures avec leur traitement. Cette différence change tout :

• plus de temps pour acheminer le produit,
• plus de souplesse pour le stockage,
• moins de démarque en distribution,
• et une qualité plus prévisible.

Sur certaines espèces, la promesse est encore plus nette : du poisson traditionnellement “bon” 4 à 5 jours pourrait tenir jusqu’à deux semaines dans de bonnes conditions après traitement.

Pourquoi ça compte en décembre (et après)

En fin d’année (et particulièrement autour des fêtes), la demande en produits “premium” augmente, et la distribution travaille avec des pics. La réalité terrain : plus de tension sur les flux, donc plus de pertes.

Allonger la durée de conservation, ce n’est pas juste “plus de fraîcheur”. C’est :

• moins d’expéditions d’urgence,
• moins de ruptures,
• moins de remises en fin de vie,
• et une meilleure capacité à absorber les aléas (météo, retards, volumes irréguliers).

Autre effet industriel : si la fenêtre de qualité s’élargit, on peut parfois remplacer l’avion par le camion. Moins cher, souvent moins émetteur. La durabilité se joue aussi dans ces arbitrages.

Un modèle “manufacturier” : standardiser le geste, capter la valeur

Réponse directe : Shinkei ne vend pas la machine, elle la déploie sur les bateaux et garde la main sur l’achat du poisson traité.

Côté business, Shinkei suit un schéma qu’on voit dans l’industrie : Hardware-as-a-Service et intégration verticale. La machine est placée sur des bateaux partenaires en location à coût nul, mais avec une condition : Shinkei conserve la propriété de l’équipement et obtient un droit exclusif d’achat sur la capture traitée.

Pourquoi c’est malin (et exigeant) :

• l’entreprise contrôle le standard de qualité,
• elle protège son savoir-faire (données + modèles + process),
• et elle transforme l’innovation technique en marque, avec une “grade” dédiée.

Dans l’industrie manufacturière, c’est l’équivalent d’un équipement de contrôle qualité installé chez un sous-traitant, où la valeur est captée via :

• la certification,
• la traçabilité,
• et l’accès aux données.

Un point de vigilance : la dépendance et l’adoption

Ce modèle a aussi un revers : il limite l’adoption “universelle” par des pêcheurs qui voudraient acheter la machine sans entrer dans la filière. Autrement dit : la technologie peut être excellente, mais le modèle de distribution décide de l’échelle.

Pour les décideurs agroalimentaires, c’est une leçon : avant d’investir dans l’IA, il faut clarifier où la valeur est créée (qualité, pertes, sécurité, marque) et comment elle est capturée (licence, service, exclusivité, prime prix, volumes).

Deux fonctionnalités qui parlent aux usines : données temps réel et “qualité prédictive”

Réponse directe : Shinkei ajoute des briques d’IA pour estimer le poids en temps réel et prédire la durée de vie du produit.

Deux projets cités sont particulièrement intéressants pour notre série :

Kronos : vendre avant le débarquement

Le modèle de détection/estimation de poids embarqué permet de remonter les données de capture en temps réel. L’équipe commerciale peut commencer à vendre le poisson avant l’arrivée au quai.

Dans une usine, c’est la même logique que la planification avancée : si vous savez plus tôt ce que vous allez produire (quantités, qualités, lots), vous :

• sécurisez les commandes,
• réduisez les stocks tampons,
• et diminuez les pertes liées aux invendus.

Nira : prédire la durée de conservation

L’idée la plus “industrie 4.0” est Nira : combiner des capteurs et un modèle pour estimer la qualité et la durée de vie restante à n’importe quel point de la chaîne.

C’est, ni plus ni moins, une forme de jumeau numérique de la fraîcheur. Pour l’agroalimentaire (poisson, viande, produits frais, prêts-à-manger), la perspective est énorme :

• orienter les lots vers les bons canaux (restauration vs retail),
• appliquer une stratégie FEFO (First Expired, First Out) plus précise,
• adapter les prix et promotions selon une mesure objective,
• et réduire le gaspillage sans “jouer à l’aveugle”.

Ce que l’agriculture et l’agroalimentaire peuvent copier dès maintenant

Réponse directe : le succès tient moins à l’IA “spectaculaire” qu’à la maîtrise d’un point de contrôle critique, mesurable et répétable.

Si je devais extraire des principes réutilisables côté agriculture et transformation :

1. Automatiser le moment où tout se décide. Dans les fruits et légumes, c’est souvent la récolte, le pré-tri, ou le refroidissement initial. Dans le poisson, c’est l’instant post-capture.
2. Mesurer pour piloter. Sans métriques (pH, température, temps, capteurs), pas de modèle fiable. Sans modèle fiable, pas de décision automatique.
3. Réduire la variabilité avant d’optimiser. Standardiser le geste, puis optimiser la logistique. Beaucoup font l’inverse.
4. Connecter qualité et commerce. Les données qualité ne doivent pas rester au service production : elles doivent alimenter planification, ventes et distribution.

Mini-checklist pour un projet IA “qualité & pertes”

• Quel est le KPI principal : taux de rebut, démarque, jours de conservation, retours clients ?
• Où est le goulot d’étranglement : au début du process, au conditionnement, au transport ?
• Quelles données terrain sont disponibles (caméras, capteurs, MES/ERP) et à quel niveau de fiabilité ?
• Quel est le plan d’adoption : qui l’utilise, quand, avec quel feedback ?
• Quel est le modèle de valeur : économies, prime prix, volumes, certification ?

Ce que ce cas dit de l’IA dans l’industrie manufacturière (et au Canada)

Réponse directe : l’IA gagne quand elle sert un process industriel précis, avec une promesse chiffrée et une boucle de données.

Dans notre série sur l’« intelligence artificielle dans l’industrie manufacturière », on parle souvent de maintenance prédictive, de robotique et d’inspection visuelle. Le cas Shinkei combine les trois, mais avec une particularité : la qualité du produit est biologiquement instable. Cette contrainte rend l’automatisation encore plus rentable, car chaque minute compte.

Pour les acteurs canadiens de l’agroalimentaire (transformation, logistique du froid, distribution), la piste est claire : investir dans l’IA n’a de sens que si elle est branchée sur un geste opérationnel, sur des données de qualité, et sur un plan de déploiement réaliste.

Le futur proche ressemble à ça : des lignes et des chaînes où la “qualité” n’est plus une étiquette vague, mais une variable calculée, suivie et exploitée — pour livrer mieux et jeter moins.

Si vous deviez choisir un seul point de contrôle à automatiser dans votre chaîne (réception, tri, refroidissement, emballage, expédition), lequel aurait l’impact le plus immédiat sur la qualité… et sur le gaspillage ?