De 50 % à 95 % de tri automatique, débloquer un plafond de verre industriel par la computer vision.
Notre client produit ~500 tonnes de produits agroalimentaires fragiles par an, avec ~10 personnes. Le tri mobilisait 6 à 7 heures par jour, jusqu'à 14 personnes en haute saison, et une machine installée 5 ans plus tôt plafonnant à 50-60% de détection positive. Phase R&D légère d'abord, industrialisation ensuite, on dépasse les performances de la solution en place depuis 5 ans.
Secteur
Agroalimentaire · produits fragiles
Taille
PME · ~10 personnes · 500 t/an
Technologie
Computer vision · modèles sur mesure
Résultat
50 → 95 % de tri automatique
Un geste pénible.
6 à 7 heures par jour.
Notre client dirige son entreprise depuis 10 ans. Un dirigeant qu'on aurait pu imaginer loin du digital, et qu'on a découvert au contraire visionnaire, qui s'inspire de l'automobile, du vignoble, d'autres filières agroalimentaires pour faire avancer son propre métier.
Le problème opérationnel était clair : après production, le tri des produits de la mer mobilisait 6 à 7 heures par jour, jusqu'à 8 à 14 personnes en haute saison. La machine de tri installée 5 ans plus tôt plafonnait à 50-60% de détection positive, ce qui signifiait que 40 à 50% des produits étaient mal classifiés, obligeant les équipes à tout rattraper à la main. En haute saison : plafond de capacité et incapacité à aller au bout de la production. En basse saison : obligation de garder des ressources coûteuses ou d'imposer des tâches pénibles aux équipes.
« Une situation à la fois pénible, à la fois bloquante économiquement, à la fois compliquée à gérer par rapport à la saisonnalité et au recrutement. »
Tentatives précédentes non abouties. Recrutement d'intérimaires saisonniers difficile sur la côte, pour des emplois à haute pénibilité. Le dirigeant avait l'envie d'investir, il cherchait un partenaire qui comprenne son métier.
Modèle computer vision entraîné sur les produits réels, pas sur des données moyennées.
Prouver avant d'engager.
Industrialiser quand ça tient.
On ne propose pas de solution avant d'avoir modélisé le ROI. Et on ne lance pas l'industrialisation avant d'avoir prouvé la faisabilité sur vos données réelles. Approche en trois temps, légère au départ, pour réduire les déchets — formule qui a immédiatement parlé à un industriel.
Analyse ROI préalable, avant toute contractualisation
Modélisation de deux scénarios (pessimiste / optimiste) sur les volumes traités, le taux d'erreur actuel, le temps humain mobilisé. Livrable chiffré présenté à David avant tout engagement. Dès ce stade : même dans le scénario le plus pessimiste, le ROI était évident.
Phase R&D faisabilité, phase courte et légère
On a d'abord identifié les scénarios terrain qui bloquaient le système actuel, types de produits, configurations spécifiques. Puis entraîné des modèles computer vision sur les données réelles du client. Tests itératifs, mesures de performance. Investissement volontairement limité, c'était une première collaboration, pas question de faire un pari aveugle.
Phase industrialisation, pilotage multi-prestataires
On a coordonné les prestataires hardware et software en portant l'ensemble du projet pour que David reste concentré sur son métier. Reporting régulier, feuille de route calée sur la haute saison, chaque blocage anticipé avant d'arriver.
« Cette approche "on réduit les déchets", c'est assez drôle dans un contexte industriel. Ça lui a tout de suite parlé. »
La technologie en action
La détection, en temps réel.
Classification de produits agroalimentaires de la taille d'une pièce sur tapis roulant industriel , 24fps, bounding boxes et scores de confiance en direct.
Conception du système , Atelier technique #3
50 % → 95 % de détection positive.
Et des équipes qui remercient.
50 → 95 %
de tri automatique
Phase R&D sur données réelles client
Battu
le prestataire spécialisé
Installé depuis 5 ans, dépassé par l'état de l'art computer vision
En cours
industrialisation haute saison
Feuille de route calée sur la saisonnalité, leviers identifiés pour continuer
Passer de 50-60% à 95% de détection, c'est éliminer 40 à 50% d'erreurs qui obligeaient les équipes à tout rattraper manuellement. Le vrai résultat n'est pas un pourcentage, c'est une équipe libérée de 6-7 heures de tâches pénibles par jour en haute saison, une capacité de production déplafonnée, un recrutement d'intérimaires qui devient moins critique.
Quand Leando est allé sur site, les collaborateurs ont spontanément remercié l'équipe pour la fluidification de leur quotidien. Le tri était vraiment pénible , il y a un vrai sens à aller dans cette direction.
« Moi je veux vraiment déléguer toute cette partie d'innovation technologique digitale, je veux que ce soit vous qui la portiez. »
L'IA étagère ne tient pas
sur des métiers précis.
Le système installé depuis 5 ans par un prestataire spécialisé plafonnait à 50-60%. Ce n'est pas une défaillance du prestataire, c'est la limite de tout modèle entraîné sur des données génériques. Les produits — fragiles, de la taille d'une pièce de 1 € — ont leurs propres configurations, leurs propres cas limites, leurs propres variations saisonnières. Un modèle entraîné sur vos images et vos données réelles fait une chose différente.
Ce cas illustre aussi la posture qu'on revendique : un dirigeant peut déléguer la partie innovation technologique et se concentrer sur ce qu'il fait bien. Pas de pari aveugle, pas de promesse non chiffrée, un ROI modélisé, une phase R&D légère pour sécuriser, puis une industrialisation pilotée bout en bout.
Le transfert technologique entre secteurs, ici, des expériences computer vision issues du milieu de l'art (Docent) appliquées à l'agroalimentaire, est une des caractéristiques de Leando. L'expertise ne se construit pas dans un seul secteur.
Un geste répétitif qui coûte cher ?
On modélise le ROI
avant de vous proposer quoi que ce soit.
Phase R&D légère d'abord, industrialisation quand ça tient. 30 min pour cerner votre cas et voir si l'IA crée vraiment du levier.
Cadrer votre cas en 30 minOffert · sans pitch · sans engagement