Dans le laboratoire de réception d'une malterie, l'orge se juge encore à peu près comme il y a cinquante ans : un œil exercé, un test de coupe, un comptage de germination sur papier filtre humide. Le 8 octobre, la revue Beverages a publié la cartographie la plus complète à ce jour de ce qui pourrait changer. Trois chercheurs polonais — deux basés à Legnica, un à l'Université des sciences et technologies de Wrocław — ont passé en revue 188 publications sur l'intelligence artificielle en brasserie, de la réception du grain à la ligne d'embouteillage. Pour les petites brasseries et malteries qui veulent distinguer ce qui fonctionne du discours de salon, c'est le document le plus utile publié cette année.
Où l'IA est-elle réellement utilisée en brasserie ?
Essentiellement à deux endroits. L'assurance qualité représente 54 des études examinées, la fermentation 45. Tout le reste — évaluation des matières premières, embouteillage, planification de la production — est peu couvert. La recherche reflète ce qui compte commercialement : savoir que votre bière est conforme, et garder sous contrôle l'étape la plus lente et la plus capitalistique du procédé. La conclusion centrale des auteurs : l'IA en brasserie n'est pas une technologie unique, mais un ensemble d'outils propres à chaque phase, à juger chacun sur pièces.
Le décompte des méthodes parle de lui-même. Parmi les études primaires, les réseaux de neurones apparaissent 67 fois, les méthodes classiques d'apprentissage automatique 50 fois et la vision par ordinateur 43 fois. Les grands modèles de langage et les systèmes multi-agents ? Exactement 7. Un chiffre à garder en tête la prochaine fois qu'un fournisseur laissera entendre que des agents conversationnels pilotent déjà des brasseries. S'y ajoutent 37 études consacrées aux architectures « Industrie 4.0 » et aux jumeaux numériques — de la tuyauterie de données, pas des méthodes d'apprentissage.
Une recherche internationale, avec un cœur européen. Les contributions viennent de 39 pays, avec la Pologne en tête (19), l'Australie et le Brésil (17 chacun) et l'Allemagne (16). Pour un brasseur européen, ce n'est pas anodin : une bonne partie des travaux publiés porte sur les mêmes variétés d'orge, les mêmes régions houblonnières et les mêmes échelles de brasserie que les vôtres.
Concrètement, sur une cuve de fermentation ?
Les réseaux de neurones servent à estimer ce qui se passe dans la cuve sans l'ouvrir : prédire l'évolution d'une fermentation, signaler tôt les dérives et appuyer les décisions de régulation de température. L'intérêt commercial est tangible. La fermentation est l'étape où le capital d'une brasserie dort pendant des jours ou des semaines ; anticiper une fermentation languissante ne serait-ce qu'un jour plus tôt se traduit directement en capacité de cuverie et en moins de brassins jetés.
Les capteurs voient, les modèles interprètent. La revue décrit des nez électroniques et de la spectroscopie combinés à des modèles d'apprentissage automatique pour l'authentification, la détection de défauts, la prédiction sensorielle et la classification qualité. Rien de tout cela n'exige un centre de données : il faut des instruments que vous possédez peut-être déjà en partie, et des modèles entraînés sur votre propre historique de production.
Un avertissement mérite le gras. Les auteurs insistent : les modèles basés sur capteurs doivent être revalidés dès que les instruments, la préparation des échantillons ou la population d'échantillons changent. Un modèle entraîné sur le malt de la saison passée ne comprend pas automatiquement celui de cette saison. Quiconque vous vend un ensemble capteur-plus-modèle doit pouvoir expliquer son plan de recalibrage avant signature.
Et dans la malterie ?
Les matières premières sont le maillon le moins étudié, mais les exemples sont les plus parlants pour qui manipule du grain. La revue décrit des réseaux de neurones convolutifs qui classent les grains d'orge de brasserie et détectent les défauts, de l'imagerie par rayons X couplée à des réseaux de neurones pour repérer le charançon du grain à l'intérieur des grains, de la classification de variétés de houblon par image, un nez électronique qui distingue les variétés de houblon, et des modèles alimentés par capteurs de terrain pour prédire la maturité des cônes.
Pour une malterie, la traduction pratique, c'est l'agréage à la réception. Un dispositif caméra-plus-modèle qui note chaque lot d'orge entrant de façon constante — calibre, grains brisés, défauts visibles — vous donne un relevé objectif à chaque livraison, moins de litiges avec les fournisseurs et une chance d'attraper une infestation avant le silo. Ce sont des tâches visuelles bornées et répétitives : exactement la catégorie où la vision par ordinateur est devenue abordable pour une entreprise de la taille d'une malterie, pas seulement pour les multinationales.
L'IA peut-elle écrire une recette de bière ?
Cela a été tenté, avec plus ou moins de sérieux. Une équipe citée dans la revue a entraîné un pipeline de type transformeur sur des bases de recettes publiques et a réellement brassé l'IPA de démonstration qui en est sortie. Une autre utilise des réseaux profonds pour prédire alcool, amertume et couleur d'une recette avant de chauffer la moindre cuve. Lecture honnête : la prédiction de recette est un garde-fou utile qui peut économiser un brassin pilote ; la génération de recettes reste une curiosité. Personne de crédible ne prétend remplacer le palais d'un maître brasseur par un modèle entraîné sur des recettes amateurs trouvées en ligne.
Quand ce n'est pas le bon choix
La revue est d'une franchise bienvenue sur les limites, et elles collent bien à la réalité d'une PME. Les jeux de données validés sont rares, et les modèles ne généralisent pas au-delà des données qui les ont entraînés. Les auteurs notent que les méthodes statistiques classiques égalent parfois les réseaux de neurones — pour moins cher, et en restant bien plus faciles à expliquer à un auditeur qualité. Ils observent aussi qu'une grande partie des travaux publiés n'a jamais été intégrée aux opérations courantes d'une brasserie.
Si vos données de production vivent sur papier, commencez là. Une brasserie qui produit quelques milliers d'hectolitres par an avec des relevés irréguliers tirera plus d'une fiche de brassin numérique tenue avec discipline que de n'importe quel modèle. La séquence qui marche n'a rien de spectaculaire : enregistrer ses mesures de façon constante pendant quelques saisons, puis laisser un modèle y chercher des motifs. Acheter le modèle d'abord, c'est ainsi que meurent les projets pilotes.
FAQ : l'IA en brasserie et malterie
Est-ce réservé aux grands groupes brassicoles ? Non. Les domaines les plus étudiés — suivi de fermentation et assurance qualité — se transposent bien aux petites structures, car capteurs et calcul sont devenus bon marché. Ce qui manque aux petites brasseries, c'est en général un historique structuré, qui coûte de la discipline plutôt que de l'argent.
Quelles données collecter avant de se lancer ? Des relevés cohérents et horodatés par brassin : densités, températures, pH, durées, lots de matières premières et résultats de dégustation. Un modèle ne fait que révéler des motifs dans des relevés existants. Deux saisons de fiches propres valent mieux que dix ans de notes éparses.
Le Règlement européen sur l'IA concerne-t-il une brasserie ? De façon légère. Les modèles de contrôle qualité et de fermentation échappent aux catégories à haut risque ; l'obligation principale reste la maîtrise de l'IA, qui s'applique à toute entreprise utilisant l'IA professionnellement. Vos vrais ancrages réglementaires restent la sécurité alimentaire et la traçabilité — que de bonnes pratiques de données servent de toute façon.
Où le retour sur investissement est-il le plus rapide ? Le plus souvent, là où vous jetez ou retravaillez du produit : dérives de fermentation détectées tard, défauts d'emballage découverts après coup, lots d'orge acceptés sur un simple coup d'œil. Chiffrez ce que vaut un seul mauvais brassin évité, et remontez à partir de ce nombre.
La leçon de fond de cette revue dépasse la bière : l'IA entre dans une entreprise agroalimentaire une tâche bornée à la fois — une caméra sur une ligne de réception, un modèle sur une cuve — et non comme un système unique qui dirigerait l'usine. Identifier la première tâche pertinente dans votre brasserie, votre malterie ou votre coopérative, c'est là le vrai travail. C'est celui que Cresly mène avec des fermes, des coopératives et des producteurs alimentaires — et que nous connaissons de l'intérieur : notre fondateur dirige une malterie biologique à Dinant (mad.be), où l'agréage de l'orge est un sujet quotidien, pas une théorie. Pour y réfléchir à l'échelle de votre production, écrivez à [email protected].