Décarbonation

Sur ce point comme sur celui de la compétitivité, les cas d’usage sont suggérés sans exemple de développement concret existant à date.

Gestion de l’énergie : L’IA peut gérer intelligemment la consommation d’énergie dans les usines, en ajustant la consommation en fonction des besoins réels, en évitant les gaspillages, en favorisant l’intégration des sources d’énergies renouvelables.

Optimisation des ressources : L’IA peut optimiser l’utilisation des ressources, telles que l’eau et les matières premières, en analysant les données de consommation, en produisant au plus juste pour éviter les écarts de production et en identifiant les opportunités de recyclage et de réutilisation.

Mesure des réductions des gaz à effet de serre (GES) liées à l’alimentation animale. Pour atteindre l’objectif ambitieux d’une réduction de 20% d’ici 2030, le secteur travaille sur l’ensemble de ses leviers et notamment, l’approvisionnement en matières premières bas carbone, des solutions nutritionnelles innovantes et des avancées technologiques. L’IA pourrait fournir une aide pour chiffrer cette performance à toutes les étapes.

Un assistant IA pour les coopératives, un outil existant, des développements en cours
LCA // Solutions + développe une plateforme d’intelligence artificielle, baptisée Chat Coop.
Conçue pour répondre aux spécificités du monde coopératif agricole, cette solution ambitionne de transformer les pratiques professionnelles en apportant un gain d’efficacité, une valorisation des données internes et une meilleure qualité de service.
Chat Coop se distingue des outils généralistes par son ancrage métier, son niveau de personnalisation, son respect des exigences réglementaires (RGPD et IA Act) et son hébergement souverain (OVH et Mistral AI).
Elle s’adresse aux coopératives souhaitant structurer leur stratégie IA autour d’une solution fiable, éthique et évolutive, tout en permettant aux collaborateurs de monter en compétences rapidement.
Les premiers cas d’usage déjà développés concernent deux profils cibles :
→ L’assistant à destination des technico-commerciaux apporte un appui technique sur l’agréage et l’agronomie, facilite l’accès au marché des céréales et engrais, fournit une aide à la rédaction et un support réglementaire.
→ Celui destiné aux saisonniers intègre des éléments d’accueil, des rappels sécurité, des supports RH, des conseils techniques et une aide à l’organisation personnelle.
D’autres assistants métiers sont en cours de conception pour des fonctions telles que la maintenance industrielle, la formation, le marketing, l’exploitation, ou encore la sécurité et l’environnement.
L’objectif est de constituer un catalogue d’une dizaine d’assistants métiers opérationnels courant 2026.

Gestion de corpus documentaire sur un espace digital                                   
Projet Tecaliman_ Témoignage de Séverine Brunet, directrice
Tecaliman est le centre technique de l’industrie de la transformation des grains dont la fabrication des aliments pour les animaux. Association créée en 1981, Tecaliman est un acteur clé de la nutrition animale en France, interface entre les scientifiques, les industriels et l’administration en appui des fédérations professionnelles.
Son rôle premier est d’accompagner ses adhérents pour la maitrise de leurs processus de fabrication et aussi pour le pilotage de projet R&D collaboratif. Ainsi Tecaliman a collecté, analysé et rédigé des contenus techniques et scientifiques.
Au fur et à mesure des années, ces connaissances cumulées par Tecaliman ont été archivées et stockées informatiquement
sous des formats variés (PDF, Excel, Word, images, etc.) et sous différentes arborescences.
Nous avons en tête l’image d’une gigantesque bibliothèque des savoirs avec plusieurs salles où sont stockés des livres, des rapports … sur différentes étagères ! La masse de documents a été estimée en juin 2025 à plus de 25 000 documents incluant, par exemple, toutes les fiches techniques, les supports de formation, les articles scientifiques d’intérêt, des livres, …. Si ces documents sont en majorité en langues européennes : français, anglais, allemand et espagnol, certains sont rédigés en chinois ou en russe.
Le premier constat est donc la richesse du corpus de connaissances de Tecaliman ! Un second constat est aussi rapidement fait : la sous-exploitation de ces connaissances au quotidien.
L’usage actuel de cette bibliothèque est concentré aux documents techniques récents (moins de 10 ans) et aux références bibliographiques liées aux projets en cours pour les salariés de Tecaliman. Le directeur technique, fort d’une ancienneté de plus de 35 ans, accède régulièrement aux documents. Il en a la connaissance et sait où ils sont répertoriés en raison de sa participation à l’archivage d’une grande partie des documents. Il pilote également le processus d’ajout de nouveaux documents en particulier les nouveaux savoirs (études bibliographiques, rapport d’essais, …).                                                                      Pour aujourd’hui et demain, il est nécessaire de capitaliser sur ce corpus de connaissances acquises et de développer une solution permettant de faciliter son exploitation. Nous avons souhaité créer notre solution, grâce à l’IA générative, pour générer un contenu à partir des différentes sources présentes dans notre bibliothèque.
Pour cela il faut un ou des modèles LLM entraînés sur les données techniques (domaines d’expertise) – capables de répondre à un « prompt » technique et sourcer les documents utilisés.
C’est le projet lancé par Tecaliman en janvier 2025 avec une entreprise de services numériques et de conseil ayant un service d’experts en IA.
→ 1ère étape : le cadrage du projet. Des ateliers d’échange ont été réalisés pour définir et caractériser le corpus des connaissances (nombre, type de documents...), les spécificités d’usage à court et long terme (profils utilisateurs, mode d’accès, restriction d’accès, …), l’intensité d’usage prévu (nombre de requêtes, fréquence, …) ou encore (et pas les moindres) les exigences de sécurité et de sauvegarde !
→ 2ème étape : la rédaction du cahier des charges regroupant les éléments techniques pour la réalisation d’une Preuve de Concept (POC) qui se concentrera sur une partie des connaissances et sur un domaine d’expertise. L’objectif est d’évaluer la qualité des réponses et des sources citées par l’IA à des questions posées (de plus en plus techniques). Un jeu de 150 questions va être appliqué à ce POC avec une grille d’évaluation de la qualité de la réponse. Plusieurs membres de l’équipe Tecaliman vont participer au test du POC IA selon leurs domaines d’expertises. Le directeur technique testera l’IA sur les aspects les plus
difficiles pour l’IA : comprendre la question, la reformuler, trouver les sources (documents correspondants) et formuler une réponse !
→ 3ème étape si le POC est validé : le développement de l’IA pour l’ensemble des domaines d’expertise de Tecaliman et sur toute la bibliothèque.                                                                                                                                                               Plusieurs modèles d’IA peuvent répondre à notre besoin. Ils sont à l’étude. Notre volonté est de faciliter l’accès à la connaissance dans notre quotidien, en ayant une réponse exacte et rapide à nos questions ! La durée de recherche et donc de réponse de l’IA va notamment dépendre du ‘comment’ sont identifiés les documents. Une grande partie de nos documents, notamment les plus anciens, n’ont pas de métadonnées associées (date, auteur, titre, ...) ce qui les rend plus difficiles à identifier comme source par les IA. La vectorisation des données semble être une étape essentielle : les contenus des documents sont convertis en vecteurs mathématiques pour permettre aux algorithmes d’IA de les traiter plus efficacement.
Nous aurons donc une bibliothèque de vecteurs du savoir de Tecaliman dans laquelle une IA ira chercher des réponses à des questions.
Finalement, nous allons opter pour une IA basée sur un LMM fonctionnant comme MISTRAL ou PERPLEXITY mais totalement internalisée. Ce point est crucial pour nous. L’IA ira chercher des réponses dans la bibliothèque de Tecaliman sans aller sur le Web comme le font les LMM disponibles (notamment les gratuites). Une fuite du savoir est possible, lorsque les IA se nourrissent des documents partagés lors de demande d’analyse de documents sur le net par exemple. Ce ne sera pas le cas de l’IA de Tecaliman, nous y veillons !