Pendant des décennies, la qualité des produits frais a été davantage déterminée par l'interprétation humaine que par des critères scientifiques. Les acheteurs fixent les exigences, les producteurs tentent de s'y conformer, et les litiges apparaissent précisément dans cet écart. De plus en plus, celui-ci est ciblé par des solutions d'intelligence artificielle visant à transformer un jugement subjectif en critères mesurables et partagés.
© GoMicro AI
Selon Sivam Krish, fondateur de GoMicro AI, cette évolution repose sur un principe simple : les acheteurs définissent déjà ce qu'est un produit « conforme ». En entraînant l'IA à partir d'images illustrant différents niveaux de qualité et des défauts spécifiques, il devient possible d'évaluer les produits de manière cohérente tout au long de la chaîne d'approvisionnement.
« Le véritable problème, c'est l'évaluation subjective, explique Sivam Krish. Le vendeur ou le producteur estime que sa marchandise est conforme, puis l'acheteur considère qu'elle ne l'est pas pour diverses raisons… et il n'existe aucun moyen objectif de trancher, puisque, des deux côtés, l'évaluation reste humaine et subjective. »
Cette subjectivité engendre une pénalité économique. En cas de refus, les producteurs supportent généralement les pertes, avec peu de recours possibles. À ce stade, les produits ont souvent peu d'alternatives de valorisation, ce qui entraîne des déclassements, des pertes financières, voire du gaspillage. Ainsi, le contrôle qualité subjectif agit comme une véritable « taxe » sur la chaîne d'approvisionnement, générant des coûts cachés à chaque étape.
À l'inverse, l'application d'un standard harmonisé dès l'amont permet de mieux orienter les produits vers les débouchés appropriés, plutôt que de les voir rejetés en bout de chaîne.
© GoMicro AI
Ce que l'IA change fondamentalement, ce n'est pas seulement l'automatisation, mais l'alignement des critères. Plutôt que de s'appuyer sur plusieurs contrôles humains, chacun appliquant sa propre grille d'évaluation, les systèmes peuvent être entraînés à reproduire un référentiel unique et constant.
« Nous reproduisons le jugement humain, précise Sivam Krish, et ce jugement peut ensuite être appliqué de manière uniforme sur toute la chaîne. Ce n'est pas au producteur de décider si le produit est conforme, c'est à l'acheteur — et nous intégrons précisément ce point de vue dans le modèle. »
Concrètement, cela réduit fortement les zones d'ambiguïté à l'origine des litiges. Si expéditeur et destinataire s'appuient sur le même modèle et la même définition de la qualité, les désaccords deviennent mesurables — voire disparaissent.
Pour les producteurs, les gains sont immédiats. Évaluer les produits selon les critères de l'acheteur avant expédition permet de limiter les refus et les coûts associés : transport, manutention, destruction. Cela facilite également une réorientation plus précoce des lots.
« L'expéditeur sait à l'avance que certains produits seront refusés, simplement parce qu'ils ne correspondent pas aux critères appliqués par l'acheteur », souligne Sivam Krish.
Cette capacité d'anticipation est particulièrement stratégique pour les produits périssables, comme les baies ou les légumes-feuilles, où chaque délai entraîne une perte de valeur. Plutôt que d'expédier des lots limites vers des circuits exigeants, ils peuvent être orientés vers la transformation ou des marchés secondaires, préservant ainsi une partie des marges.
Le principal défi technique a longtemps été la précision, notamment pour les défauts subtils ou peu visibles. « Les défauts évidents sont faciles à détecter, mais les plus discrets restent complexes », indique Sivam Krish, citant par exemple la présence de feuilles indésirables dans les épinards ou de légères meurtrissures sur les fraises.
© GoMicro AI
« Nous sommes désormais capables d'identifier des défauts très subtils, y compris ceux difficiles à percevoir à l'œil nu », affirme-t-il, en précisant que les systèmes peuvent également analyser des produits même lorsqu'ils se chevauchent — une limite historique des technologies de tri automatisé.
L'approche ne repose pas sur un standard universel unique. Au contraire, l'IA peut être rapidement entraînée aux exigences spécifiques de chaque acheteur à partir d'échantillons, permettant ainsi de numériser un jugement jusque-là subjectif.
« Le principe est simple : on alimente le modèle avec des images correspondant à différents niveaux de qualité — bonne, moyenne, mauvaise — et il apprend à les reproduire de manière fiable. Cela permet de structurer des catégories cohérentes », explique Sivam Krish.
Dans un secteur caractérisé par la variabilité du vivant et des exigences commerciales évolutives, cette approche permet de mettre en place un cadre commun, transparent et reproductible, réduisant les frictions, le gaspillage et les coûts liés aux désaccords, en remplaçant l'interprétation subjective par une évaluation standardisée.
Pour plus d'informations :
Kristie Dutt
GoMicro AI
https://gomicro.ai/
[email protected]
