OK
Du 6 au 8 octobre, le site Gran Via de la Fira de Barcelona accueille Alimentaria FoodTech 2026, le salon des machines, des technologies et des ingrédients pour l'industrie agroalimentaire. Selon El Demócrata, il réunira plus de 330 entreprises de 22 pays sur quelque 15 000 m², avec 38 start-up et plus de 140 spécialistes au programme. Parmi les nouveautés annoncées figurent des systèmes de vision industrielle avec IA capables de repérer contaminants et défauts sur la ligne, des capteurs pour réduire les pertes de produit et la consommation d'eau, et le traitement par hautes pressions à froid pour prolonger la durée de conservation.
Son directeur, Ricardo Márquez, le résume dans Oleo Revista : le salon montrera, selon lui, comment seront produits les aliments de demain. Vinetur ajoute aux thèmes les jumeaux numériques et la traçabilité, et Interempresas met en avant l'IA appliquée à la maintenance prédictive et au contrôle qualité, sur fond de pénurie de personnel pour les tâches spécialisées.
Ce que cela signifie pour une usine de conditionnement
La nouveauté n'est pas que l'on parle d'intelligence artificielle, mais qu'elle soit désormais intégrée à des équipements précis : une caméra qui écarte un emballage, un capteur qui signale une perte, un modèle qui anticipe une panne. Cela la rapproche de l'usine, mais oblige aussi à la juger comme n'importe quelle autre machine : sur ce qu'elle fait sur votre ligne, pas sur le stand.
En vision, l'IA a du sens là où les règles fixes échouent : produit naturel jamais identique, emballages souples, corps étrangers de forme imprévisible. Mais elle apprend à partir d'images, et les bonnes sont celles de vos propres défauts, avec votre éclairage et à votre cadence. Avant d'acheter, il convient de fixer clairement le critère qualité et de mesurer deux choses à la fois : les défauts qui passent et les emballages conformes rejetés, car un système qui jette trop de produit est aussi une source de pertes.
Pour les pertes et consommations, un capteur n'est utile que si sa donnée peut être reliée à la ligne, à l'équipe, à la référence et à l'arrêt qui l'a provoquée. Un compteur d'eau ou de produit perdu sans ce lien donne un chiffre, mais pas une cause sur laquelle agir.
En maintenance prédictive, le modèle apprend le comportement normal des moteurs, réducteurs et roulements et alerte lorsqu'une dérive apparaît. Il lui faut des semaines de données propres et il devient rentable d'abord sur les équipements dont la panne arrête toute la ligne. Le plus sage est de commencer par ces quelques équipements, de mesurer le temps moyen entre pannes et le temps moyen de réparation, puis d'élargir quand l'alerte a prouvé qu'elle arrive à temps. Notre page sur l'intelligence artificielle appliquée explique comment chacun de ces domaines s'intègre dans une usine.
Cinq questions à poser au salon
- Sur quoi il a été entraîné : quelles images ou quels signaux le modèle utilise et combien d'exemples de votre propre ligne sont nécessaires pour qu'il fonctionne.
- Les faux rejets : demandez le chiffre en production réelle, pas en démonstration, et qui ajuste le système quand les conditions changent.
- Le changement de référence : que se passe-t-il avec un nouvel emballage ou un nouveau format ; s'il faut réentraîner, combien de temps cela prend et qui s'en charge.
- Où vont les données : si elles restent dans l'usine et par quelle voie (OPC UA, Modbus TCP, SQL) elles arrivent dans vos systèmes.
- Comment le résultat est démontré : TRS (OEE), pertes ou arrêts évités, mesurés avant et après sur votre ligne.
L'IA est déjà au salon ; la question utile est de savoir quel problème concret de votre ligne elle résout et comment on le mesurera. Si vous étudiez un projet de ce type, parlons-en.
