Leadership: 5 questions pour innover en agri-food IA

Un nouveau CEO peut passer ses 90 premiers jours à empiler des slides… ou à écouter. Chez Big Green Egg, Dan Gertsacov a choisi la deuxième option : 86 entretiens, les mêmes 5 questions, sur 4 mois. Pas pour “faire participatif” sur la photo de famille, mais pour comprendre vite ce qui bloque, ce qui marche, et ce que l’entreprise doit protéger.

Ce réflexe est particulièrement utile en agriculture et agroalimentaire, où l’innovation (et encore plus l’intelligence artificielle) échoue rarement par manque de techno. Elle échoue parce que le travail réel — celui des exploitants, des chefs de culture, des responsables qualité, des opérateurs d’usine, des commerciaux — n’a pas été assez entendu. Dans notre série Jobs, Remote Work & the Labour Market, on revient souvent à la même idée : les pénuries de talents, la transformation des métiers et le travail hybride obligent les organisations à mieux capter l’intelligence du terrain. Cette méthode simple donne un cadre concret.

Pourquoi ces 5 questions sont un modèle pour l’innovation agri-food

Réponse directe : ces 5 questions transforment des opinions dispersées en une feuille de route actionnable. Elles forcent à hiérarchiser les problèmes, à expliciter les causes, puis à relier opportunités et exécution.

Dans l’article source, Gertsacov insiste sur un principe : préserver le cœur et stimuler le progrès. Big Green Egg vend un produit “low tech” (un kamado en céramique) et refuse d’ajouter du numérique “juste pour en mettre”. Le parallèle avec l’IA en agriculture est évident : un modèle prédictif sans usage clair est un coût, pas une stratégie.

Ce qui m’intéresse, c’est le mécanisme : poser les mêmes questions à beaucoup de personnes réduit le bruit, met en lumière les consensus et, surtout, révèle les divergences qui comptent. En agri-food, ces divergences sont souvent celles entre :

• siège et sites de production,
• agronomes et data teams,
• qualité/réglementaire et innovation,
• équipes terrain et fournisseurs.

Ce type d’écoute structurée améliore aussi la marque employeur : les gens restent quand ils sentent que leur expertise est prise au sérieux. Or fin 2025, entre tensions de recrutement sur les profils data/IA, exigences de traçabilité, et pression sur les marges, retenir les bons profils est déjà une partie de la “stratégie IA”.

Les 5 questions, traduites pour l’IA en agriculture et agroalimentaire

Réponse directe : gardez la structure, adaptez le vocabulaire aux réalités terrain. Voilà une version “agri-food” des questions de Michael D. Watkins (popularisées dans The First 90 Days) utilisées par le CEO.

1) « Quel est le plus gros défi de l’organisation ? »

En agriculture et agroalimentaire, les réponses tournent souvent autour de :

• variabilité (météo, qualité matière première, rendements),
• coûts (énergie, intrants, maintenance),
• conformité (qualité, audits, réglementation),
• disponibilité de main-d’œuvre (saisonnalité, turn-over),
• données fragmentées (capteurs, ERP, cahiers de cultures, labo).

La valeur de la question est dans la contrainte : une seule “plus grosse”. Ça oblige à choisir, donc à arbitrer.

2) « Pourquoi est-ce le plus gros défi ? »

Réponse directe : c’est ici que l’IA cesse d’être un sujet “outil” et devient un sujet “système”.

La cause est rarement “on n’a pas l’IA”. C’est plutôt :

• des décisions prises trop tard (données disponibles mais inutilisables),
• des processus non standardisés entre sites,
• des objectifs contradictoires (rendement vs qualité vs délais),
• une dépendance à quelques experts clés proches de la retraite,
• une faible confiance dans les données.

Cette question fait gagner du temps : si la cause est organisationnelle, un POC IA ne résout rien.

3) « Quelles opportunités inexploitées avons-nous ? »

En 2025, les opportunités IA les plus rentables en agri-food sont souvent “sobres” :

• prévision de la demande et réduction des invendus,
• maintenance prédictive sur lignes critiques,
• vision par ordinateur pour contrôle qualité (défauts, calibrage),
• aide à la décision agronomique (risques maladies, irrigation),
• optimisation énergie (froid industriel, cuisson, séchage).

Le point clé : l’opportunité n’est pas “installer un modèle”, mais supprimer une friction (comme Big Green Egg qui veut atteindre la température plus vite sans “connecter pour connecter”).

4) « Comment aborderiez-vous ces opportunités ? »

Réponse directe : vous obtenez une “liste de méthodes” terrain qui vaut plus que n’importe quel benchmark.

C’est là que les équipes décrivent des séquences réalistes :

1. choisir un site pilote et un process stable,
2. définir un indicateur simple (rebuts, kWh/tonne, taux de conformité),
3. sécuriser la donnée (qualité, fréquence, droits),
4. tester en conditions réelles (saisonnalité, pannes, variations),
5. industrialiser seulement si l’adoption est prouvée.

Dans un marché du travail tendu, cette question révèle aussi un point souvent caché : qui a la bande passante pour piloter le changement. L’IA échoue quand on la confie à “quelqu’un en plus de son job”.

5) « Si vous étiez à ma place, sur quoi vous concentreriez-vous ? »

C’est la question qui fait remonter les “vérités difficiles” :

• arrêter certains projets,
• simplifier une gamme,
• consolider les outils,
• investir sur la formation des chefs d’équipe,
• clarifier la gouvernance data.

Et, surtout, elle donne des indices sur la culture : les gens proposent-ils des paris raisonnables, ou des listes au Père Noël ?

Culture, emplois et travail hybride : le vrai socle d’une stratégie IA

Réponse directe : l’IA en agriculture dépend d’abord d’une organisation qui sait apprendre.

La démarche de Gertsacov montre une chose : avant d’ajouter des fonctionnalités, il faut réduire l’intimidation et baisser les barrières d’entrée. En agri-food, l’équivalent est clair :

• rendre les outils data compréhensibles pour des non-data,
• documenter les décisions (et pas seulement les dashboards),
• créer des boucles de feedback rapides entre terrain et siège.

Dans notre série sur le marché du travail, on voit monter trois tendances qui touchent directement l’agri-food :

• Reskilling : former des profils métier (qualité, maintenance, agronomie) aux bases data.
• Guerre des talents : attirer et garder data engineers/ML engineers face à d’autres secteurs.
• Travail hybride : faire collaborer des équipes terrain (présentiel) et data (souvent hybride/remote).

Le pont entre ces tendances et l’innovation IA, c’est la culture d’exécution : si les sites ne se sentent pas co-auteurs, ils deviennent “clients” du siège — et l’adoption chute.

Une phrase à retenir : “Une IA non adoptée est un coût fixe déguisé.”

Cas d’usage concret : appliquer la méthode sur une coopérative ou une usine

Réponse directe : en 2 semaines, vous pouvez obtenir une cartographie claire des priorités IA et RH.

Voici un scénario réaliste que j’ai vu fonctionner (avec des variantes) dans des organisations agroalimentaires :

Étape 1 — 20 à 30 entretiens courts (45 min)

Interviewer un échantillon volontairement “déséquilibré” :

• 6 opérateurs et chefs d’équipe,
• 4 maintenance/fiabilité,
• 4 qualité/labo,
• 4 supply chain/planification,
• 4 commerce/ADV,
• 2 IT/data,
• 2 direction de site.

Toujours les 5 questions. Toujours le même format. Et un détail : on demande des exemples précis (“Quand ça a cassé ? Combien ? Qui a dû réparer ?”).

Étape 2 — Un one-pager (oui, une page)

Comme le CEO de Big Green Egg, vous synthétisez en une page :

• le défi n°1,
• ses causes racines,
• 3 opportunités priorisées,
• 3 décisions à prendre (stop/continue/invest).

Le one-pager est un outil RH autant qu’un outil stratégique : il clarifie ce qui va changer, donc ce qu’il faut recruter et former.

Étape 3 — Un pilote qui “soulage” un métier

Choisir un cas d’usage dont le bénéfice est immédiatement ressenti par une équipe terrain. Par exemple :

• réduire les faux rejets qualité via vision par ordinateur,
• anticiper les pannes récurrentes sur une machine goulot,
• automatiser la collecte de données de lots pour la traçabilité.

Le critère : moins de saisie, moins de stress, moins de rework. C’est ce qui crée le bouche-à-oreille interne — exactement comme Big Green Egg mise sur le bouche-à-oreille externe.

Checklist “LEADS” : ce que votre organisation peut lancer dès janvier

Réponse directe : si vous voulez générer de la valeur (et pas des démos), partez d’un diagnostic humain, puis verrouillez l’exécution.

• Planifiez 15 à 25 entretiens sur 10 jours ouvrés avec des profils variés.
• Standardisez les 5 questions et ajoutez une seule relance : “Donnez-moi un exemple chiffré.”
• Cartographiez les frictions (temps perdu, rebuts, arrêts, litiges, non-conformités).
• Identifiez 1 sponsor terrain et 1 sponsor siège par cas d’usage.
• Définissez un KPI unique par pilote (ex. % rebuts, kWh/tonne, taux de service).
• Prévoyez un plan de formation (2 h/mois) pour les équipes exposées.

Si vous cherchez des leads qualifiés (clients, partenaires, candidats), cette approche a un effet secondaire très utile : elle produit un discours concret sur vos priorités IA, ce qui attire des profils qui aiment livrer, pas juste expérimenter.

Ce que Big Green Egg nous apprend sur l’IA “utile”

Réponse directe : l’innovation la plus rentable est souvent celle qui enlève un obstacle, pas celle qui ajoute une couche.

Le CEO ne parle pas d’objets connectés pour impressionner. Il parle d’un problème simple : arriver plus vite à la bonne température pour que le barbecue devienne un usage plus quotidien. Traduction agri-food : réduire le temps entre signal et décision (un défaut détecté, un risque météo, une dérive énergétique) pour que les équipes puissent agir sans s’épuiser.

Dans les prochains mois, la question la plus intéressante n’est pas “quelle IA adopter ?”. C’est : quels métiers voulons-nous vraiment soulager, et comment allons-nous mesurer l’effet ?