Un producteur de produits de la mer, 500 tonnes par an, une machine de tri bloquée à 50-60 % de détection depuis des années. Comment la computer vision a débloqué la situation, et pourquoi la méthode compte autant que la technologie.
Donatien Lefranc
Fondateur & Président, Leando
Notre client dirige son entreprise depuis plus de 10 ans. Une dizaine de personnes, 500 tonnes de produits agroalimentaires par an. Le coeur du métier : le tri et la classification des produits sur la chaîne de production.
Il y a 5-6 ans, il investit dans une machine de tri avec détection automatique. L'objectif est clair : accélérer la cadence, réduire la dépendance aux saisonniers, et surtout fiabiliser la classification.
Le résultat est décevant. La machine plafonne à 50-60 % de détection positive. Pour compenser, il faut ralentir la cadence. Et recruter des opérateurs supplémentaires pour le tri manuel : 8 à 14 personnes en haute saison, sur des postes de 6 à 7 heures par jour, dans des conditions de travail pénibles.
Problème : ces saisonniers sont de plus en plus difficiles à trouver. La pénibilité du poste et la concurrence des autres employeurs de la filière rendent le recrutement imprévisible. En haute saison, l'entreprise n'atteint jamais sa pleine capacité de production.
500 t
de produits de la mer par an
50-60 %
de détection positive (machine existante)
6-7 h
de tri manuel par jour
8-14
personnes en haute saison
Le système installé par un prestataire spécialisé en machines de tri fonctionnait, mais pas assez bien. 50-60 % de détection positive, cela signifie qu'un produit sur deux est mal classé ou non détecté. Sur 500 tonnes par an, l'impact opérationnel est massif.
Ce n'est pas un problème de mécanique. La machine elle-même fonctionne. C'est la couche logicielle de détection et de classification qui atteint ses limites. Les algorithmes classiques ne gèrent pas la variabilité naturelle des produits de la mer : formes irrégulières, textures variables, reflets sur les surfaces mouillées.
David le sait. Il a essayé de faire évoluer le système avec le prestataire d'origine. Sans résultat significatif. La technologie sous-jacente ne permet tout simplement pas d'aller plus loin.
« L'IA à aucun moment n'a poussé les développeurs à se poser les bonnes questions. N'importe quel prompt obtient une réponse en code. »
— Donatien Lefranc, fondateur de Leando
Terrain : Ce que l'on observe dans l'agroalimentaire breton, c'est que 4 prospects sur 5 viennent avec un problème qui n'est pas formulé comme un problème d'IA. Ils parlent de ressaisie de données, de manque de bras en saison, de machines qui ne font pas le travail. Le diagnostic IA vient après, quand on a compris le processus.
Ce qui rend ce cas remarquable, ce n'est pas seulement le résultat technique. C'est le profil du dirigeant.
David n'est pas un profil tech. Il dirige une entreprise de produits de la mer. Mais il observe. Il s'inspire de ce que font l'automobile et la filière viticole en matière d'automatisation. Il comprend que la computer vision qui fonctionne dans d'autres secteurs peut s'appliquer à son métier.
C'est lui qui formule la demande. Pas un DSI. Pas un consultant. Un dirigeant de PME qui connaît son processus de production par coeur et qui identifie exactement où le goulot d'étranglement se situe.
Terrain Leando
Dans l'agroalimentaire, le sponsor du projet n'est presque jamais un profil IT. C'est un dirigeant, un responsable de production, parfois un profil hybride business-terrain. Le seul argument qui fonctionne : le ROI concret, chiffré, rapporté à la réalité de la saison et du recrutement. Tout le reste est du bruit.
L'erreur classique dans l'automatisation industrielle : investir lourd d'entrée sur une solution packagée, espérer que ça marche, et constater 12 mois plus tard que le taux de détection ne suffit pas. C'est exactement ce qui était arrivé avec le premier système.
L'approche Leando fonctionne en trois temps, chacun conditionné par le précédent.
« On voulait absolument présenter un investissement léger avant d'aller plus loin. Cette approche "on réduit les déchets" — ça a tout de suite parlé. »
Analyse ROI avant tout engagement
Deux scénarios chiffrés : pessimiste et optimiste. Le dirigeant voit ce qu'il gagne dans le pire cas et dans le meilleur. Pas de promesse floue : des chiffres, un tableur, une décision éclairée.
Phase 1 : R&D et faisabilité (investissement léger)
On teste en conditions réelles, sur les vrais produits, avec les vraies contraintes de la chaîne. L'objectif : valider que l'IA atteint le niveau de détection requis avant de s'engager sur l'industrialisation.
Phase 2 : Industrialisation (si Phase 1 concluante)
On passe à l'échelle uniquement quand la preuve est faite. Intégration sur la chaîne de production, calibrage cadence, formation des opérateurs. Pas de surprise : le dirigeant a vu le système fonctionner avant d'investir lourd.
Pourquoi cette séquence ? Parce que dans l'agroalimentaire, le calendrier saisonnier dicte tout. Impossible de se permettre un projet qui dérape de 6 mois. L'analyse ROI en amont cadre l'investissement. La Phase 1 valide la tech. La Phase 2 livre avant la haute saison. Chaque étape a un go/no-go explicite.
L'un des leviers clés du projet : un transfert de compétences depuis un domaine inattendu. Les algorithmes de computer vision utilisés pour l'authentification et la classification dans le monde de l'art partagent des fondamentaux communs avec le tri de produits alimentaires : reconnaissance de formes, classification multi-critères, gestion de la variabilité visuelle.
Ce n'est pas de la théorie. C'est ce transfert technologique concret qui a permis d'atteindre un niveau de détection que le prestataire spécialisé en machines de tri n'avait pas réussi à obtenir en 5-6 ans.
La computer vision moderne, entraînée sur les bonnes données, calibrée dans les bonnes conditions d'acquisition, gère ce que les algorithmes classiques ne peuvent pas : la variabilité naturelle. Chaque produit est différent. Chaque lot arrive avec des conditions d'humidité, de lumière et de présentation variables. C'est précisément là que le deep learning excelle.
Avant (système classique)
Après (computer vision IA)
L'agroalimentaire n'est pas la tech. Les contraintes sont différentes, et toute approche qui les ignore échoue. Sur le terrain, trois réalités dictent le succès ou l'échec d'un projet d'automatisation dans ce secteur.
En haute saison, les équipes sont sous pression, les volumes doublent ou triplent, et tout recrutement raté se paie en tonnes non traitées. Un projet d'IA qui livre en septembre pour une haute saison qui commence en octobre est un projet qui a raté sa fenêtre. Le déploiement doit être calé en amont, testé avant la montée en charge.
Le tri manuel de produits de la mer, 6-7 heures par jour, est un poste pénible. Les saisonniers se font rares. Les candidats arbitrent entre les employeurs de la filière. Automatiser le tri n'est pas un luxe : c'est une condition de survie opérationnelle pour les entreprises qui ne peuvent plus compter sur le vivier de main d'oeuvre saisonnière.
Les dirigeants de l'agroalimentaire ne veulent pas entendre parler de transformation digitale ou d'IA pour l'IA. Ils veulent savoir combien de personnes en moins en haute saison, quel gain de cadence, et en combien de temps l'investissement est amorti. L'analyse ROI n'est pas une formalité : c'est la condition pour que le projet existe.
Ce cas n'est pas un exemple de transformation digitale spectaculaire. C'est un cas de pragmatisme industriel. Un dirigeant qui connaît son processus, identifie le goulot d'étranglement, et cherche une solution qui fonctionne, pas une solution qui impressionne.
Ce qu'on en retient vaut bien au-delà des produits de la mer.
L'IA industrielle n'a pas besoin d'un DSI pour démarrer. Elle a besoin d'un dirigeant qui connaît son processus.
Le transfert technologique entre secteurs est sous-exploité. Une compétence développée dans l'art a résolu un problème agroalimentaire.
L'approche lean (ROI, faisabilité, industrialisation) protège l'investissement. Pas de surprise à 12 mois.
Le recrutement saisonnier est un risque opérationnel. L'automatisation est une assurance capacitaire.
Un prestataire spécialisé en machine n'est pas forcément le bon prestataire pour la couche IA.
Oui, mais cela demande un travail spécifique sur les conditions d'acquisition d'images. Les reflets, l'humidité et la variabilité naturelle des produits sont des défis réels. C'est pourquoi une phase de R&D (Phase 1) est indispensable : on teste en conditions réelles avant d'industrialiser.
On commence par un diagnostic : votre processus, vos contraintes, votre calendrier. Et un calcul de ROI avec deux scénarios chiffrés, avant tout engagement.
Demander un diagnostic gratuit30 minutes chrono · Sans engagement · Analyse ROI incluse