Les producteurs de boissons misent sur l’IA pour créer de nouvelles saveurs

L’intelligence artificielle quitte le laboratoire pour gagner la salle de dégustation, et les entreprises du secteur des boissons s’en servent pour analyser les données aromatiques, accélérer le développement de produits et cibler les jeunes consommateurs en quête de nouvelles saveurs. Distillateurs, brasseurs, domaines viticoles et distributeurs testent des systèmes de machine learning capables de lire des profils chimiques, des avis de consommateurs et des données de ventes, puis de suggérer des combinaisons d’ingrédients plus susceptibles de fonctionner sur le marché.

Cette évolution s’inscrit dans une dynamique plus large à l’œuvre dans l’ensemble de l’industrie des boissons alcoolisées, qui cherche à raccourcir les cycles de recherche et à réagir plus vite à l’évolution de la demande. Les grandes marques sont sous pression face à des consommateurs qui boivent moins souvent, se tournent vers des produits moins alcoolisés ou recherchent des saveurs plus distinctives. Dans le même temps, les entreprises veulent disposer d’outils capables de les aider à décider quelles recettes tester avant d’engager des dépenses dans des lots pilotes et des panels sensoriels.

Parmi les premiers exemples très médiatisés figurent ceux venus des spiritueux. En Suède, Mackmyra a travaillé avec la société finlandaise d’intelligence artificielle Fourkind pour créer Intelligens, un assemblage de whisky développé grâce au machine learning. Le système a été entraîné à partir des anciennes recettes de la distillerie, de ses historiques de ventes et des retours à la dégustation. Des assembleurs humains ont ensuite affiné le résultat avant la commercialisation du whisky en 2019. Le produit a ensuite remporté une médaille d’or lors d’un concours en 2020, ce qui a donné au projet une crédibilité allant au-delà de son simple caractère novateur.

Au Royaume-Uni, Circumstance Distillery a utilisé un réseau neuronal baptisé Ginette pour contribuer à la création de Monker’s Garkel, qu’elle présentait comme un gin conçu par l’IA. Le système a été alimenté en profils botaniques et en recettes de gin, ainsi qu’en idées de nom et concepts d’étiquette. La distillerie a malgré tout procédé à des ajustements manuels finaux, notamment sur le degré alcoolique et l’équilibre botanique. Le résultat a montré que l’intelligence artificielle peut servir non seulement à la formulation, mais aussi au branding.

Les grands groupes investissent eux aussi. Diageo a racheté Vivanda en 2022 afin d’internaliser sa technologie de cartographie aromatique. Le système FlavorPrint de Vivanda interroge les consommateurs sur leurs préférences en matière de notes fruitées, épicées et herbacées, puis établit un profil gustatif pouvant servir aux recommandations comme au développement produit. Diageo a indiqué vouloir utiliser ce type d’outils pour mieux comprendre les préférences régionales et adapter ses produits aux différents marchés.

Les maisons d’arômes suivent la même voie. Givaudan a présenté sa plateforme ATOM comme un moyen de réduire les essais-erreurs dans la formulation. Selon l’entreprise, le système aide à identifier quels ingrédients soutiennent ou affaiblissent un goût cible et peut suggérer des combinaisons répondant aux attentes des consommateurs tout en réduisant le temps de développement. Dans un cas cité par la société, ATOM a permis de créer un arôme pour snack avec 33 % de sel en moins tout en préservant la qualité gustative.

La technologie repose sur des données que les entreprises du secteur n’avaient pas toujours reliées entre elles auparavant. Les panels sensoriels fournissent des notes structurées de dégustation. L’analyse chimique révèle quels composés sont présents dans un vin, une bière ou un spiritueux. Les avis consommateurs ajoutent un langage sur l’arôme, la texture et la finale. Les données de ventes montrent ce que les gens achètent réellement. Les systèmes d’intelligence artificielle combinent ces entrées pour repérer des tendances que l’humain peut ne pas voir.

En pratique, cela signifie que les modèles peuvent être entraînés sur des milliers de notes de dégustation ou sur des centaines de marqueurs chimiques issus d’analyses par chromatographie en phase gazeuse. Ils peuvent aussi traiter des textes provenant d’avis en ligne ou de publications sur les réseaux sociaux afin de détecter ce que les consommateurs disent apprécier. Certains systèmes utilisent le gradient boosting ou des réseaux neuronaux pour prédire si une recette obtiendra une bonne note lors de dégustations à l’aveugle. D’autres recourent à des modèles génératifs pour proposer de nouveaux assemblages en échantillonnant à partir de schémas aromatiques appris.

La recherche universitaire a contribué à faire avancer le domaine. À l’Université de Genève, des chercheurs ont utilisé l’intelligence artificielle sur des données chimiques issues de vins bordelais et ont indiqué que leur modèle pouvait identifier le domaine derrière chaque échantillon avec une précision de 100 % lors d’un test contrôlé. Dans une autre étude consacrée à la bière, des chercheurs ont combiné mesures chimiques, données sensorielles et avis consommateurs portant sur environ 250 bières. Leur modèle a surpassé les méthodes statistiques classiques et aidé à identifier les composés qui amélioraient les notes obtenues en dégustation à l’aveugle lorsqu’ils étaient ajoutés à une recette de bière.

Les brasseurs se sont montrés particulièrement actifs parce qu’ils travaillent déjà avec d’importants volumes de données industrielles. AB InBev a utilisé le machine learning pour améliorer la régularité et la rapidité de la filtration à grande échelle. L’entreprise a indiqué qu’un pilote avait réduit le temps de filtration de 40 % à 50 % tout en améliorant l’homogénéité entre les lots. Ce type de gain opérationnel compte beaucoup, car même une amélioration minime peut générer des économies importantes dans un réseau mondial de brasseries.

Les distributeurs et plateformes de recommandation participent eux aussi à cette tendance. Des applications dédiées au vin comme Vivino utilisent le machine learning pour associer les utilisateurs aux bouteilles qu’ils sont susceptibles d’apprécier, en fonction des notes attribuées et du comportement passé. D’autres start-up, dont Preferabli et Tastry, construisent des profils gustatifs à partir d’attributs décrits par des experts, de données chimiques et du retour consommateur afin de recommander des vins ou d’orienter le placement produit.

Tastry indique utiliser d’importants ensembles de données sur les palais des consommateurs pour prédire la réaction de différents buveurs face à un vin ou une bière. Aromyx adopte une approche différente en cherchant à numériser le goût et l’odorat grâce à des biocapteurs, puis à rapprocher ces profils des préférences des acheteurs. L’objectif est similaire : transformer des choix gustatifs subjectifs en données exploitables pour la conception produit et les ventes.

L’intérêt est évident pour les entreprises qui cherchent à toucher la génération Z, généralement attirée par la nouveauté, l’intensité aromatique et les formats pratiques comme les cocktails en canette et les boissons prêtes à boire. Des études sectorielles ont montré que les jeunes adultes ayant l’âge légal pour consommer recherchent souvent des saveurs dominées par le fruit, des influences internationales et des options moins alcoolisées qui restent complètes en bouche. Cela pousse les producteurs vers des notes tropicales, des assemblages épicés et d’autres combinaisons qui paraissent fraîches sans être trop déroutantes.

Mais l’intelligence artificielle a ses limites dans les boissons. Le goût est subjectif et façonné par la culture, l’âge et la région. Un modèle entraîné principalement sur des données issues du marché occidental peut ne pas fonctionner correctement en Asie ou en Amérique latine sans ajustement. Les entreprises s’inquiètent aussi du respect de la vie privée lorsqu’elles utilisent des enquêtes clients ou des données d’avis pour construire ces profils gustatifs.

Des questions réglementaires se posent également. Si un algorithme suggère un nouveau mélange botanique ou une combinaison d’ingrédients, les producteurs doivent malgré tout respecter les règles sanitaires et les obligations d’étiquetage dans chacun des marchés où ils commercialisent le produit. Il n’existe pas encore dans la plupart des juridictions de catégorie juridique spécifique pour les recettes créées par IA ; les entreprises doivent donc les traiter comme n’importe quelle nouvelle formulation.

La propriété intellectuelle constitue un autre enjeu. Les recettes sont souvent protégées comme secrets commerciaux plutôt que par brevet, mais l’intelligence artificielle complique la question de la titularité lorsque le logiciel contribue à créer la formule. Dans la plupart des cas, c’est l’entreprise commanditaire ou le développeur humain qui pilote le projet qui contrôle les droits ; mais selon les juristes, il faut que les contrats soient clairs avant le lancement.

Pour les petits producteurs, la barrière est aujourd’hui plus faible qu’auparavant car les outils cloud rendent désormais le machine learning plus accessible. Un domaine viticole ou une distillerie n’a pas besoin d’une équipe interne complète dédiée à la data science pour commencer à expérimenter avec un développement assisté par IA. Elle peut recourir à des plateformes externes ou s’associer avec des fournisseurs disposant déjà de bases aromatiques et d’outils de modélisation.

C’est l’une des raisons pour lesquelles l’intérêt dépasse désormais largement les grands groupes multinationaux. Les producteurs voient dans l’intelligence artificielle non pas un substitut aux vignerons, brasseurs ou distillateurs, mais un moyen d’affiner plus vite leurs choix et de tester davantage d’idées avec moins de gaspillage. Dans un secteur où un lancement raté peut coûter plusieurs mois de travail et un capital important, cette promesse attire rapidement l’attention dans toutes les catégories, du whisky au gin en passant par la bière, le vin et les recommandations retail.