Nudges numériques contre le gaspillage alimentaire : quand l’application intervient au bon moment

Environ 60 % du gaspillage alimentaire mondial provient des ménages – souvent en raison d’incertitudes liées aux dates de conservation et de routines quotidiennes. Dans le cadre d’un projet encadré pour « Schweizer Jugend forscht », l’application Civa a été utilisée pour examiner si des incitations numériques basées sur l’intelligence artificielle pouvaient modifier de manière mesurable les comportements. Les résultats montrent un changement comportemental cohérent à travers différents dispositifs expérimentaux, avec des effets particulièrement marqués dans les situations de décision liées à l’incertitude. Dans ce contexte, l’intelligence artificielle générative ne fonctionne pas comme un substitut à la décision humaine, mais comme un amplificateur comportemental sensible au contexte, réduisant les coûts cognitifs associés à l’action durable.

Un scénario quotidien typique : un yaourt se trouve dans le réfrigérateur alors que sa date de durabilité minimale est dépassée. Après une brève hésitation, il est jeté. Ces microdécisions s’additionnent chaque jour pour représenter des milliers de tonnes de déchets alimentaires. Le problème sous-jacent n’est pas un manque de connaissances, mais une divergence entre attitudes et comportements : le gaspillage alimentaire résulte principalement de l’incertitude, des routines et d’une attention situationnelle limitée – autrement dit des conditions réelles dans lesquelles les décisions sont prises.

En Suisse, environ 119 kilogrammes de pertes alimentaires évitables par personne et par an sont générés, la plus grande part provenant des ménages. De manière générale, la Suisse n’atteint ainsi pas les objectifs fixés par le Conseil fédéral (SRF, 2025). À l’échelle mondiale, environ 60 % des déchets alimentaires sont produits au sein des ménages (UNEP, 2024). La question centrale n’est donc pas de savoir pourquoi cette connaissance fait défaut, mais pourquoi elle ne se traduit pas en action au moment de la décision.

Le nudging numérique dans le quotidien

L’économie comportementale propose ici un cadre explicatif établi : les nudges sont de petites incitations qui influencent les décisions sans restreindre la liberté de choix (Thaler & Sunstein, 2008). Les nudges classiques sont principalement analogiques – par exemple via le placement des produits, les options par défaut ou des signaux visuels. Les technologies numériques étendent ce principe de plusieurs manières : elles permettent une personnalisation, une activation situationnelle, une adaptation dynamique et une évolution basée sur les données d’usage. Elles peuvent ainsi intervenir précisément au moment où la décision critique est prise. La question demeure toutefois de savoir si ces interventions sont efficaces dans des conditions réelles du quotidien.

L’application Civa comme intervention comportementale

L’efficacité de cette approche a été étudiée empiriquement dans le cadre du projet de l’application Civa (20 Minuten, 2025 ; Balmer, 2026 ; Schweizer Jugend forscht, 2026). L’application développée n’intervient pas au moment de l’achat, mais pendant la phase d’utilisation – l’étape de la chaîne alimentaire où se concentre la majorité des déchets ménagers.

Elle intègre cinq interventions complémentaires : transparence des stocks, alertes de péremption, suggestions de recettes basées sur les stocks disponibles, estimation contextuelle de la durée de conservation au-delà de la date limite, et assistance décisionnelle basée sur l’IA dans les situations d’incertitude. Conceptuellement, il ne s’agit pas d’outils isolés, mais de nudges numériques structurant le contexte décisionnel au sein du ménage afin de réduire la probabilité de pertes alimentaires involontaires.

Dans l’offre de marché actuelle, une telle approche intégrée est encore peu représentée : les solutions existantes se limitent généralement à des listes d’inventaire ou à des bases de recettes statiques, tandis que la combinaison entre contexte de conservation, aide décisionnelle situationnelle et assistance personnalisée au moment de l’usage reste largement absente. L’intelligence artificielle générative (IA générative) élargit considérablement ces possibilités, en rendant des interventions contextuelles et personnalisées disponibles exactement au moment où elles deviennent pertinentes.

Évaluation empirique : le comportement change-t-il ?

Les applications numériques promettent souvent un changement de comportement, mais celui-ci est rarement démontré empiriquement. Pour combler cette lacune, l’application a été non seulement développée mais aussi évaluée de manière systématique. Le design de l’étude suit une approche quasi expérimentale en plusieurs étapes : les ménages ont d’abord documenté leurs déchets alimentaires sans intervention (baseline), puis sous utilisation de l’application (intervention). Une étude complémentaire a intégré un groupe de contrôle afin de mieux isoler les effets externes, tels que les variations saisonnières ou les effets d’observation.

Les résultats montrent un changement comportemental cohérent et quantifiable (Balmer, 2026) :

• Dans l’étude initiale de terrain, les déchets alimentaires déclarés ont diminué d’environ 45 %.
• Dans l’étude de suivi méthodologiquement plus robuste, une réduction de 21 % a été observée dans le groupe de traitement, tandis que le groupe de contrôle enregistrait une augmentation sur la même période.

D’un point de vue scientifique, ce n’est pas tant l’ampleur absolue des effets qui est déterminante que leur robustesse à travers différents dispositifs expérimentaux. Ces résultats fournissent ainsi des premiers indices selon lesquels les interventions numériques ne se limitent pas à influencer les attitudes, mais modifient effectivement les comportements dans la vie quotidienne.

Mécanismes d’action : réduction de l’incertitude

L’analyse détaillée des données permet également d’identifier les mécanismes sous-jacents. Un effet significatif apparaît dans les situations de décision liées à l’incertitude. Une part importante du gaspillage alimentaire provient d’une mauvaise évaluation de la comestibilité des produits. En particulier, la date de durabilité minimale est souvent interprétée comme une limite de sécurité, alors qu’elle indique principalement une garantie de qualité (Beretta et al., 2021).

L’intervention agit précisément sur ce point : via des estimations contextuelles de conservation, des informations complémentaires accessibles et une aide décisionnelle immédiate dans le contexte d’utilisation. Cette combinaison réduit significativement l’incertitude subjective, au point que cette catégorie spécifique de gaspillage tend à disparaître dans l’application.

Parallèlement, une différenciation importante apparaît : tous les comportements ne réagissent pas de la même manière aux interventions numériques. Alors que les décisions liées à l’incertitude semblent bien modifiables, les comportements fortement routinisés – notamment la surproduction lors de la préparation des repas – restent largement stables. Les nudges numériques sont donc particulièrement efficaces lorsque les décisions sont situatives, cognitivement coûteuses et réversibles, mais moins lorsqu’elles sont profondément ancrées dans des habitudes.

Du savoir à l’action

L’obstacle à un comportement durable ne réside pas dans le manque de connaissances, mais dans leur faible transformation en action au moment de la décision. Les nudges numériques comblent précisément cet écart en traduisant des connaissances abstraites en actions concrètes et contextualisées. Les résultats suggèrent que ce mécanisme n’est pas seulement théoriquement plausible, mais empiriquement observable.

Un facteur central de cette dynamique est l’utilisation de l’intelligence artificielle générative – non pas comme finalité, mais comme composante intégrée de l’architecture comportementale. Dans ce contexte, l’IA générative agit comme une infrastructure technologique permettant des interventions adaptatives et contextuelles :

• génération de suggestions personnalisées en temps réel (par ex. recettes basées sur les stocks disponibles) ;
• interprétation d’informations contextuelles (par ex. reconnaissance d’images alimentaires, catégorisation de la conservation) ;
• réduction de la complexité cognitive en structurant et simplifiant les processus décisionnels.

Ainsi, l’intervention répond à un obstacle central du comportement durable : non pas un manque de motivation, mais une surcharge cognitive et un coût décisionnel élevé. En réduisant ces coûts de transaction, l’IA augmente la probabilité que des options durables soient effectivement choisies. Elle ne remplace donc pas la décision humaine, mais agit comme un amplificateur comportemental traduisant les intentions en actions concrètes.

Les résultats montrent toutefois aussi les limites de cette approche : les nudges numériques sont particulièrement efficaces dans les situations incertaines, contextuelles et réversibles, mais moins dans les comportements routiniers. Leur plein potentiel ne peut donc être atteint qu’en combinaison avec des mesures sociales et structurelles.

Les implications de ces résultats dépassent le seul cas du gaspillage alimentaire. Elles concernent l’ensemble des domaines où les comportements durables échouent au niveau des microdécisions quotidiennes – notamment la consommation d’énergie, la mobilité ou la santé. Si les systèmes numériques peuvent soutenir les décisions de manière contextuelle, le levier politique et de conception se déplace de la transmission de connaissances vers le niveau comportemental.

Références

20 Minuten (2025). Mit App gegen Food Waste: Luzerner Lernende gewinnen KI-Preis. https://www.20min.ch/story/lernekich-wettbewerb-mit-app-gegen-food-waste-luzerner-lernende-gewinnen-ki-preis-103361858

Balmer, S. (2026). Civa App Projekt | gegen Food Waste – Nutze, was du hast! https://civa-app.ch/

Beretta, C., Kremer-Hartmann, K., Spielmann-Prada, G., Züst, M., Gantenbein-Demarchi, C., Müller, C., & ZHAW Zürcher Hochschule für Angewandte Wissenschaften. (2021). Leitfaden zur Reduktion von Lebensmittelverlusten bei der Abgabe von Lebensmitteln: Rechtliche Aspekte und Lebensmittelsicherheit. https://www.blv.admin.ch/dam/blv/de/dokumente/lebensmittel-und-ernaehrung/lebensmittelsicherheit/leitfaden-reduktion-lebensmittelverlusten.pdf

Schweizer Jugend forscht (2026). Entwicklung und Erprobung einer digitalen Intervention gegen Food Waste im Haushalt. https://inspiration.sjf.ch/entwicklung-und-erprobung-einer-digitalen-intervention-gegen-food-waste-im-haushalt/

SRF (2025). Bilanz des Bundesrats: Food-Waste-Ziel bisher klar verfehlt – News – SRF

Thaler, R. H., & Sunstein, C. R. (2008). Nudge: Improving Decisions About Health, Wealth, and Happiness. Yale University Press, New Haven.

UNEP (2024). Food Waste Index Report 2024. United Nations Environment Programme. https://www.unep.org/resources/publication/food-waste-index-report-2024