IA culinaire: leçons de Chef Watson pour l’agroalimentaire

Les recettes générées par IA ont fini par devenir un sport mondial: on écrit un prompt, on obtient un “risotto au miso et fraises”, on teste… et on découvre parfois un plat bancal. Pourtant, cette idée n’a rien de nouveau. Dès le début des années 2010, IBM expérimentait déjà une IA “cuisinière” avec Chef Watson, et un chef habitué aux contraintes de la télévision culinaire, James Briscione, a joué un rôle central dans l’entraînement du système.

Cette histoire intéresse bien au-delà de la cuisine. Elle montre un principe que je trouve encore sous-estimé en 2025: les meilleurs usages de l’IA en agroalimentaire (et en agriculture) ne consistent pas à remplacer l’expertise humaine, mais à l’augmenter avec de meilleurs “blocs de décision”. Et c’est exactement ce que Chef Watson faisait: pas des recettes “clé en main” au départ, mais des combinaisons d’ingrédients que les chefs traduisaient ensuite en techniques, textures, temps de cuisson et dressage.

Dans notre série « Intelligence artificielle dans les médias et les industries créatives », on parle souvent de création assistée (scripts, images, montage, recommandations). La cuisine est un terrain cousin: même logique d’assemblage, de goût, de contraintes… et de narration. Sauf qu’ici, l’impact file tout droit vers l’innovation produit, la R&D agroalimentaire, et même l’agriculture de précision.

Chef Watson: une IA qui proposait des idées, pas des plats

Chef Watson a été pensé comme un moteur de créativité. L’idée d’IBM, après la victoire médiatique de Watson à un jeu télévisé de questions-réponses, était de démontrer une IA capable d’aider à créer—pas seulement à répondre. La cuisine s’y prêtait bien: elle est artistique, mais aussi structurée par des règles (accords, traditions, chimie des arômes, techniques).

Le cœur de l’approche: décomposer le goût en données exploitables

Le point clé raconté par James Briscione est simple et puissant: l’équipe ne lui demandait pas de “donner son intuition”. Elle venait avec des jeux de données à parser, c’est-à-dire à trier, structurer et rendre cohérents.

Concrètement, le système jouait avec plusieurs axes:

• Style de cuisine (ex. italien)
• Type de plat (ex. grillé)
• Ingrédient pivot (ex. homard)
• Profils aromatiques (composés odorants, “briques” de saveur)

Résultat: l’IA produisait des propositions de combinaisons (parfois inattendues), et le chef faisait le travail que la machine ne savait pas faire correctement: transformer une liste en recette réaliste.

« Pendant la majeure partie du projet, ça ne nous donnait pas des recettes, ça nous donnait des combinaisons d’ingrédients. Et moi, je faisais la traduction en recette. »

C’est un modèle de collaboration qui reste très actuel: dans beaucoup de projets IA, le vrai gain vient d’une étape intermédiaire—mieux explorer l’espace des possibles—avant l’exécution.

Ce que Chef Watson nous apprend sur l’IA en agroalimentaire (et dans les champs)

La leçon la plus utile pour l’agroalimentaire est la suivante: un modèle est performant quand il comprend les “briques” du domaine, pas quand il sait écrire de belles phrases.

Parallèle 1: ingrédients vs. données agronomiques

Chef Watson utilisait des ingrédients et des composés aromatiques comme variables. En agriculture de précision, l’IA travaille avec d’autres briques:

• analyses de sol (pH, matière organique, azote, etc.)
• données météo (température, humidité, risque gel)
• imagerie drone/satellite (indice NDVI, stress hydrique)
• historiques de rendements et pratiques culturales

Dans les deux cas, l’IA ne “décide” pas seule. Elle propose des corrélations, des scénarios, des recommandations. Et l’expert (agronome, chef de culture, technologue alimentaire) traduit ces signaux en actions: irrigation, fertilisation, choix variétal… ou reformulation d’un produit.

Parallèle 2: créativité contrôlée = innovation produit plus rapide

En R&D agroalimentaire, on veut souvent:

• réduire sucre/sel sans détruire le goût
• améliorer une texture (sans additifs controversés)
• adapter un produit à une contrainte (végétal, allergènes, coût)
• valoriser des coproduits (drêches, pulpes, lactosérum)

L’approche “Chef Watson” est pertinente: générer des combinaisons candidates, puis laisser les équipes R&D faire le tri, les essais, et la mise à l’échelle.

Mon avis: beaucoup d’organisations cherchent encore une IA “magique” qui sort le produit final. Elles perdent du temps. Le bon usage, c’est d’obtenir une liste courte d’hypothèses testables qui économise des semaines de brainstorming.

Pourquoi les recettes IA sont souvent mauvaises (et comment éviter le piège côté industrie)

James Briscione pointe un problème toujours visible fin 2025: une seule recette ratée et l’utilisateur “baille” sur l’outil. En entreprise, c’est pareil: une recommandation absurde et le projet perd sa crédibilité.

Le piège des modèles génériques: du texte plausible, pas du vrai savoir-faire

Beaucoup d’outils actuels sont des surcouches de grands modèles de langage. Ils sont forts pour:

• écrire une recette “qui ressemble” à une recette
• proposer une liste d’ingrédients cohérente sur le papier

Mais ils sont faibles pour:

• respecter des contraintes physiques (temps, températures, émulsions)
• optimiser nutrition, coût matière, disponibilité saisonnière
• garantir la reproductibilité

La conséquence est claire: l’industrie a besoin de modèles spécialisés (ou d’architectures hybrides) avec des données de formulation, de process, de qualité, et des règles métier.

La vraie “sauce secrète”: la sélection et la validation

Briscione parle d’un point crucial: générer est facile, sélectionner ce qui est juste est difficile.

C’est exactement ce qu’on observe dans les projets IA en agroalimentaire:

1. Le modèle propose 100 pistes.
2. L’organisation a besoin d’un mécanisme pour en retenir 5.
3. Puis d’un protocole pour valider en pilote.

Sans ce “filtre”, l’IA devient une machine à produire des idées… et du bruit.

De la cuisine aux industries créatives: même mécanique, autres contraintes

Dans notre série sur l’IA et les industries créatives, on voit le même schéma en contenu média:

• l’IA propose des variantes de scripts, titres, angles éditoriaux
• l’humain fait le montage final et assure la cohérence

La cuisine ressemble à une salle de rédaction, avec une différence: le réel sanctionne immédiatement. Une recette ratée se goûte. Une formulation instable se voit (décantation, oxydation, texture). C’est pour ça que les projets IA en agroalimentaire doivent être pensés comme des systèmes “créatifs + ingénierie”.

Exemple concret: planification anti-gaspillage (utile en décembre)

En décembre, entre repas de fêtes, horaires serrés et achats “au cas où”, le gaspillage alimentaire grimpe vite. Briscione décrit un usage très pratique de l’IA: construire un plan de repas qui consomme réellement les ingrédients.

Transposé en agroalimentaire/retail:

• optimisation des assortiments selon la saison
• recommandations de recettes basées sur stocks réels
• gestion dynamique des dates courtes (promotions intelligentes)

Ce n’est pas glamour, mais c’est là que l’IA rapporte vite: moins de pertes, plus de marge, moins de frustration client.

Comment appliquer l’approche “Chef Watson” à vos projets IA (checklist terrain)

Voici une méthode simple, inspirée de cette histoire, que j’utilise pour cadrer des cas d’usage IA dans l’agroalimentaire et l’agriculture.

1) Commencer par les “briques” (pas par le modèle)

Définissez les unités manipulées par votre système:

• ingrédients, contraintes nutritionnelles, allergènes
• paramètres process (températures, temps, viscosité)
• indicateurs agronomiques (stress hydrique, pression maladies)

Si vos briques sont floues, le modèle produira du flou.

2) Concevoir un workflow humain-IA explicite

Décidez qui fait quoi:

• l’IA propose des combinaisons, des scénarios, des alertes
• l’expert valide, ajuste, contextualise
• le pilote terrain tranche

Un projet IA sans rôle humain clair finit soit en “mode gadget”, soit en conflit de responsabilités.

3) Mesurer la qualité comme un chef, pas comme un marketeur

Définissez 3 à 5 critères non négociables (exemples):

• taux de réussite des essais (reproductibilité)
• respect des contraintes réglementaires
• coût matière par unité
• satisfaction sensorielle (panel interne)
• réduction mesurée du gaspillage

Si vous ne mesurez pas, vous n’améliorez pas.

4) Protéger vos données (et anticiper les restrictions)

Le sujet des données (droits, licences, confidentialité) devient plus dur, pas plus simple. Dans l’agroalimentaire, vos recettes, formulations et paramètres process sont souvent des actifs stratégiques. Prévoyez:

• gouvernance des datasets
• traçabilité des sources
• politiques d’accès par rôle

Prochaine étape: et si l’IA “comprend” enfin la nourriture?

Ce que Chef Watson illustre, c’est une bascule: faire passer la connaissance culinaire d’un savoir tacite vers un savoir structuré. C’est exactement le chemin que prennent l’agriculture de précision et l’agroalimentaire industriel: rendre les signaux lisibles, comparables, actionnables.

Si vous travaillez dans l’innovation alimentaire, la transformation, la distribution, ou côté agriculture, la question à se poser n’est pas “Quelle IA choisir ?”. C’est plutôt: quelles briques de décision manquent à vos équipes pour aller plus vite, gaspiller moins, et formuler mieux?

Vous cherchez des cas d’usage concrets (R&D, qualité, prévision, planification, personnalisation nutritionnelle) pour générer des leads et alimenter votre pipeline 2026? Parlons-en: une bonne stratégie IA commence rarement par un prompt, mais presque toujours par un vrai diagnostic métier.