Les algorithmes du vin : au cœur des applications populaires
Avant de juger la fiabilité des recommandations, un petit détour technique s’impose. La majorité des applications de recommandations et accords mets-vins en France reposent sur deux piliers :
- L’analyse de données structurées : Appellations, cépages, profils aromatiques, notes d’experts, scores utilisateurs… ces infos alimentent des moteurs de suggestion.
- L’intelligence artificielle (machine learning) : Les modèles apprennent progressivement à affiner les recommandations à partir des retours utilisateurs, des choix précédents ou du contexte culinaire.
Des applis comme Vivino, WineAdvisor, Twil, ou encore l’outsider Wine Pairing et, sur la niche gastronomique, WineIn, sont aujourd’hui les têtes d’affiche. Toutes prétendent personnaliser l'expérience en quelques clics. Mais ces promesses résistent-elles à la réalité du terrain ?
Quand la tech rencontre le terroir : comment sont construites les recommandations ?
Ce que beaucoup de passionnés ignorent, c’est la diversité des méthodes derrière ces algorithmes. Certaines applications croisent manuellement des bases de données françaises comme celles de l’INAO ou des critiques de vin francophones. D’autres, internationalisées, utilisent des bases plus anglo-saxonnes voire ouvertes, avec des milliers de références dont la pertinence varie suivant l’usage hexagonal.
- Vivino : Prône l’algorithmie collaborative fondée sur les notes de plusieurs millions d’utilisateurs (plus de 15 millions au niveau mondial – source : Vivino, 2023). Le “machine learning” s’affine via l’apprentissage des goûts.
- WineAdvisor : S’appuie sur un mix d’analyse organoleptique (via des fiches type “WSET”) et les retours communautaires, avec pondération par contexte d’achat.
- Twil : Reste plus orienté catalogue, privilégiant le croisement entre mets et vins présents chez les partenaires (cavistes, vignerons).
Selon WineTech France, association des start-ups du vin, moins de 25% des applications en France emploient des modèles de recommandations basés sur des données locales exclusivement. Les autres intègrent des sources internationales, parfois génériques.
Le cas des accords mets-vins : une science (trop) rationalisée ?
Les algorithmes d’accords se heurtent un mur : la subjectivité. Même si la France regorge de traditions précises (“agneau et Pauillac”, “huitres et Muscadet”…), la réalité des goûts brouille la carte.
- Les bases de données gustatives sont incomplètes : seulement 2% des restaurants français partagent systématiquement leurs menus avec une data structurée (source : La French Tech, 2023).
- Variabilité des recettes : La même blanquette de veau ne dit pas la même chose à Lyon ou à Paris… et la proportion d’utilisateurs qui le signalent à l’application reste sous la barre des 7% selon WineAdvisor France (donnée utilisateur, 2023).
Les algorithmes appliquent alors des “règles métiers” génériques : tel poisson blanc appelle un blanc sec, tel dessert chocolaté un vin doux… C’est solide statistiquement, mais peu sensible à la singularité de chaque plat ou du convive.
Peut-on mesurer la “précision” des algorithmes dans le vin ?
Aujourd’hui, la question de la précision est centrale – et difficile à trancher. Contrairement à la recommandation de films ou de musique, il n’existe pas de “score RottenTomatoes” du vin. Les métriques utilisées dans l’industrie sont plutôt issues du e-commerce (taux de clique, achat suite à recommandation) ou de la satisfaction déclarée.
- Selon Vivino, 78% des utilisateurs français déclarent avoir été “satisfaits” ou “très satisfaits” des suggestions (enquête interne Vivino, 2023). A relativiser avec le biais de surreprésentation des utilisateurs enthousiastes.
- Quantitativement, Twil affirme que les recommandations accèdent à un taux d’achat supérieur de 30% quand le vin a reçu une suggestion via un accord mets-vins (source : Twil, 2023). Mais pas de chiffre sur le taux de retour négatif…
- Pour WineIn, une étude menée avec des sommeliers (2022) relève qu’en aveugle, 61% des accords générés étaient jugés pertinents, 21% “perfectibles”, 18% incohérents.
Il n’existe donc pas de score unifié, encore moins d’étalon officiel reconnu par les professionnels. L’Union de la Sommellerie Française n’a d’ailleurs pas encore statué sur une méthodologie d’évaluation de la “précision” algorithmique, arguant de l’extrême complexité sensorielle du vin et des mets.
Limites et biais : quand l’algorithme atteint ses frontières
Quelques années de recul permettent de pointer les principaux points faibles des applis :
- Biais communautaire : Plus les vins sont notés, plus ils sont recommandés… au détriment des petits producteurs ou des crus confidentiels. Ce “winner takes all” s’observe dans 70% des recommandations sur Vivino (source : terroirs-digital.fr, 2023).
- Données incomplètes : Il manque aujourd’hui 20 à 35% des vins référencés en AOP-AOC françaises dans les grands catalogues d’applications (donnée WineTech France, Mai 2023).
- Homogénéisation culturelle : Les bases de recommandations standardisent le goût : les “meilleurs accords” ressemblent beaucoup à ce que proposent déjà les guides papier… oubliant la prise de risque ou la découverte.
- Sous-pondération du contexte : Les algorithmes peinent à inclure les aspects “heure de consommation”, “température”, “occasion festive” – qui changent tout à table mais restent invisibles pour la data.
Des anecdotes qui en disent long
Certains restaurateurs témoignent, par exemple, que les suggestions d’accord de vins rouges légers avec des plats épicés, bien que théoriquement correctes sur le papier, sont souvent boudées par la clientèle. Inversement, la mise en avant automatique de vins bios ou natures s’empare du buzz, sans preuve gustative d’un meilleur accord sur des plats traditionnels, selon plusieurs critiques interrogés par Le Monde (2023).
Perspectives : à quoi ressemblera l’accord “algorithmique” en France demain ?
- Diversification des sources : Des projets comme OpenWineData ou l’initiative de la French Tech tendent à mutualiser davantage de données locales, pour mieux “franciser” le goût des algorithmes.
- Plus de personnalisation : L’évolution passe par l’intégration de profils utilisateurs plus fins : usages, habitudes, moments (apéritif d’été ou dîner d’hiver ?), voire préférences olfactives mesurées par questionnaire.
- L’appui humain toujours décisif : Plusieurs start-ups (notamment Vinify, WineIn) croient à la complémentarité algorithmique/humaine : l’appli propose, le sommelier affine. Une hybridation qui séduit déjà de grands groupes de restauration.
L’accord parfait entre la tech et le palais français n’est donc pas (encore ?) automatisable. Les algorithmes avancent, mais ils marchent sur des œufs. Ou du raisin.
Pour aller plus loin : chiffres, études et ressources à consulter
En savoir plus à ce sujet :
