ParfumsPlus

Le défi : sortir de la dépendance à AMDIS et Excel pour l'analyse chromatographique en parfumerie

Dans l'industrie de la parfumerie et de la chimie fine, les laboratoires d'analyse GC-MS s'appuient encore massivement sur des outils non intégrés. Cette fragmentation ralentit les analystes et fragilise la qualité des résultats.

L'analyse et la reformulation de parfums repose sur la chromatographie en phase gazeuse couplée à la spectrométrie de masse (GC-MS). C'est une discipline exigeante : chaque chromatogramme contient des centaines de pics à identifier, quantifier et interpréter. Les analystes doivent ensuite formuler, comparer des essais au marché, et ajuster des dosages avec une précision milligramme.

Dans la plupart des laboratoires du secteur, ce workflow repose sur un enchaînement d'outils disparates. Le logiciel de déconvolution (souvent AMDIS) produit des résultats que l'analyste recopie manuellement dans des tableurs Excel pour la formulation et le redosage. Chaque analyste développe ses propres méthodes, ses propres fichiers, ses propres raccourcis. Les conséquences sont prévisibles : perte de temps sur les allers-retours entre outils, aucune traçabilité sur les décisions prises, impossibilité de standardiser les processus, et un risque d'erreur ou d'incohérence à chaque étape.

Pour un acteur de la parfumerie qui traite des volumes d'analyses importants, cette situation devient un frein à la productivité et à la fiabilité. L'enjeu n'est pas seulement technologique : c'est un enjeu de compétitivité. Le laboratoire qui industrialise son workflow GC-MS gagne en rapidité de reformulation, en reproductibilité des résultats, et en capitalisation du savoir-faire de ses analystes.

‍

‍

Notre approche : concevoir une plateforme métier IA en immersion avec les analystes

Koïno a mené ce projet en immersion directe avec les équipes d'analyse, en suivant une méthodologie itérative centrée sur l'usage réel des analystes au quotidien.

Étape 1 : Cadrage métier et cartographie des usages

L'équipe Koïno a passé du temps avec les analystes GC-MS pour comprendre leur workflow réel : comment ils utilisent AMDIS, quels fichiers Excel ils maintiennent, où se situent les points de friction, et quelles décisions demandent le plus de temps. Ce cadrage a permis de définir un périmètre fonctionnel ancré dans la réalité du laboratoire, pas dans une vision théorique.

‍

Étape 2 : Développement itératif avec validation continue

Plutôt qu'un cahier des charges figé livré en bloc, Koïno a construit la plateforme par itérations courtes. Chaque fonctionnalité a été validée directement par les analystes avant de passer à la suivante. Cette approche garantit que chaque brique livrée est immédiatement utile et adoptée.

‍

Étape 3 : Déploiement et adoption

La plateforme a été déployée dans l'environnement du client et est aujourd'hui utilisée au quotidien. Un backlog évolutif permet d'activer de nouvelles fonctionnalités selon les priorités métier, sans rupture d'usage.

Chez Koïno, nous constatons sur nos missions en chimie et en industrie que le facteur décisif d'adoption d'une plateforme IA n'est pas la sophistication des algorithmes, mais la capacité de l'outil à s'intégrer dans le geste quotidien de l'utilisateur. C'est pourquoi nous concevons toujours en immersion avec les équipes métier.

‍

La solution : un poste de travail IA unique pour analyser, comparer, formuler et redoser

La plateforme remplace l'ensemble de la chaîne AMDIS + Excel par une interface unifiée où l'analyste réalise toutes ses opérations sans jamais changer d'outil.

Du point de vue de l'analyste, le changement est radical : là où il fallait jongler entre plusieurs logiciels, copier-coller des données, et maintenir des fichiers personnels, il dispose désormais d'un poste de travail unique. L'identification moléculaire, la comparaison d'échantillons, la formulation et le redosage sont intégrés dans un même environnement. Chaque action est historisée et traçable. Les bibliothèques de référence sont partagées et enrichies collectivement.

La solution intègre des algorithmes d'IA pour l'identification moléculaire et la quantification, mais toujours avec validation humaine. L'analyste garde le contrôle sur chaque décision : l'IA propose, l'expert valide. C'est cette complémentarité qui garantit la fiabilité des résultats dans un domaine où la précision est critique.

‍

‍

‍

Les résultats : une plateforme adoptée au quotidien qui transforme le workflow du laboratoire

La plateforme est opérationnelle et utilisée quotidiennement par les analystes, en remplacement complet des anciens outils.

Résultats clés :

• Remplacement complet d'AMDIS + Excel par un poste de travail unique et intégré
• Traçabilité totale de chaque analyse, identification et décision de formulation
• Standardisation des processus de reformulation à l'échelle du laboratoire
• Base d'apprentissage cumulative qui enrichit la fiabilité de l'identification moléculaire à chaque nouvelle analyse
• Adoption immédiate grâce à une conception centrée sur le geste quotidien de l'analyste

D'après l'expérience de Koïno sur ses missions en chimie fine et en industrie, les laboratoires qui industrialisent leur workflow analytique avec une plateforme IA constatent une réduction du temps de reformulation de 40 à 60 %, et surtout une amélioration significative de la reproductibilité des résultats entre analystes. La capitalisation du savoir-faire dans une base partagée est souvent citée comme le bénéfice le plus stratégique à moyen terme.

La plateforme est conçue pour évoluer : nouvelles briques analytiques, extension à d'autres types de documents et d'analyses, intégration avec les instruments du laboratoire. Koïno accompagne le client dans cette montée en puissance progressive.

‍

‍

Questions fréquentes sur l'IA appliquée à l'analyse GC-MS en parfumerie et chimie fine

Comment remplacer AMDIS et Excel dans un processus GC-MS en parfumerie ?

‍La migration vers une plateforme IA unifiée permet de regrouper toutes les étapes dans un même environnement : import des chromatogrammes, identification moléculaire, comparaison d'échantillons, formulation et redosage. Contrairement à l'enchaînement AMDIS + Excel, chaque action est historisée, traçable et connectée à un référentiel commun. Koïno conçoit ce type de plateforme sur mesure pour les laboratoires de chimie fine et de parfumerie.

Comment fiabiliser l'identification moléculaire dans les analyses GC-MS ?

‍L'identification moléculaire assistée par IA repose sur des algorithmes de similarité spectrale et de déconvolution automatique. Chaque résultat peut être validé, corrigé ou enrichi par l'analyste. Au fil du temps, la base d'apprentissage s'enrichit et améliore la précision des identifications futures. Koïno intègre cette boucle d'amélioration continue dans ses plateformes analytiques.

Quels sont les gains concrets d'une plateforme IA pour un laboratoire GC-MS ?

‍Les gains principaux sont la réduction du temps d'analyse et de reformulation (40 à 60 % selon les cas), la traçabilité complète des décisions, la standardisation des méthodes entre analystes, et la capitalisation du savoir-faire dans une base partagée. Pour un laboratoire de parfumerie, cela se traduit par une capacité accrue à traiter des projets de reformulation en parallèle.

La solution est-elle compatible avec les instruments GC-MS existants ?

‍La plateforme accepte les formats de fichiers standards (CDF notamment) utilisés par la majorité des instruments GC-MS du marché. Aucun changement d'instrument n'est nécessaire. Le système peut s'adapter aux environnements réglementés avec historique complet et export des données.

Dans quels secteurs cette approche est-elle applicable au-delà de la parfumerie ?

‍Koïno identifie plusieurs secteurs où l'industrialisation de l'analyse chromatographique par IA apporte une valeur directe : la chimie fine, les arômes et fragrances, la cosmétique, l'agroalimentaire (contrôle qualité), la pharmacie (analyse de principes actifs), et l'environnement (détection de polluants). Toute organisation qui réalise des analyses GC-MS à volume peut bénéficier de cette approche.

‍

‍

‍