Califrais / Notre ADN
La science à l'épreuve du terrain.
Califrais est une deeptech française fondée en 2014. Depuis plus de dix ans, nous développons des algorithmes pour la supply chain alimentaire avec les meilleurs laboratoires académiques français, et nous les éprouvons chaque jour sur des flux réels.
Manifeste
Nous croyons que la supply chain alimentaire est un levier de transformation. Pendant trop longtemps, elle a été invisible, segmentée, gaspilleuse, émissive.
Il est temps de faire passer l'intelligence artificielle de la promesse à la preuve, en s'appuyant sur une recherche rigoureuse, connectée au réel.
Nous construisons les outils d'IA qui modélisent la complexité logistique du frais, orchestrent les flux et réduisent l'empreinte carbone de chaque kilomètre, chaque commande, chaque livraison.
Parce qu'au XXIe siècle, le gaspillage est un échec collectif.
- AudaceNous assumons l'ambition de transformer un secteur vital, complexe et historiquement verrouillé.
- ExigenceChez Califrais, l'IA n'est pas un mot à la mode mais un levier. Chaque ligne de code vise une optimisation concrète, chaque projet engage notre crédibilité scientifique.
- ImpactNotre responsabilité est environnementale, sociale et sociétale : nos solutions répondent aux exigences économiques et écologiques de tous les acteurs qui veulent progresser.
Notre histoire
Douze ans de construction.
- 2014
Naissance de Califrais
Califrais naît avec une idée : simplifier et mutualiser l'approvisionnement en produits frais.
- 2018
Une seule commande pour tout le marché
Une plateforme d'approvisionnement pour les professionnels de la restauration, et les premières tournées mutualisées.
- 2020
Le frais livré aux particuliers
En plein confinement, Califrais met en place en quelques jours une plateforme de livraison de produits frais aux particuliers.
- 2021
Opérateur officiel de Rungis
Califrais devient opérateur digital et logistique officiel de Rungis et lance sa solution innovante RungisMarket.com.
- 2022
Un laboratoire commun avec la recherche publique
Création du laboratoire commun LOPF avec le CNRS et Sorbonne Université.
- 2023
Lauréat Logistique 4.0
Lauréat de l'appel à projets de l'ADEME dans le cadre de France 2030, pour industrialiser nos technologies sur le réseau des marchés de gros français. Premières publications à NeurIPS et ICML.
- 2024
Une année de publications
Articles à NeurIPS, ICML, Biometrics et au Journal of Nonlinear Science.
- 2025
Série A de 10 M€
Une levée de fonds annoncée à VivaTech pour accélérer la décarbonation de la supply chain alimentaire grâce à l'IA.
- 2026
La recherche à l'honneur
Le ministre de l'Enseignement supérieur et de la Recherche visite Califrais et ses partenaires académiques. Publication à ICML 2026.
Le contexte
La supply chain alimentaire face à trois incertitudes structurelles.
Trois tendances rendent obsolètes les logiques d'approvisionnement fondées sur la répétition de l'année précédente. Il faut anticiper dès aujourd'hui : décarboner la supply chain devient un enjeu à la fois écologique et économique.
×5
Catastrophes météorologiques en 50 ans
Sécheresses, canicules, événements extrêmes : un impact direct sur les récoltes et la logistique.
↗↘
Volatilité de la demande
Le comportement des consommateurs ne se répète plus d'une année sur l'autre.
CO2
Contrainte réglementaire croissante
Réglementations existantes et à venir sur les émissions de l'industrie.
Deux réponses indispensables
Ce que la supply chain alimentaire doit savoir faire dès aujourd'hui.
S'adapter en temps réel
Intégrer l'ensemble des variables disponibles, bien au-delà de l'historique de l'année précédente.
Optimiser toute la chaîne
Que chaque kilomètre parcouru et chaque kilo stocké comptent : modéliser ensemble fournisseurs, entrepôts et points de vente.
Quel type d'IA
Une IA générative ne suffit pas. Il faut une IA spécialisée.
Les grands modèles de langage ne sont pas adaptés aux problèmes de la supply chain alimentaire : plutôt qu'une boîte noire avec des budgets qui explosent et des performances qui s'effondrent, le secteur requiert du contrôle et de l'explicabilité.
IA générative généraliste
- Pas conçue pour optimiser des systèmes à des millions de variables et de contraintes
- Aucune garantie de respecter les contraintes physiques et commerciales
- Des réponses plausibles, sans bornes ni garanties, qui ne respectent pas nécessairement les contraintes physiques du monde réel
- Difficile à auditer, très coûteuse à grande échelle
IA spécialisée Califrais
- Prévision par apprentissage automatique : grande dimension, algorithmes adaptatifs, apprentissage en continu
- Optimisation par recherche opérationnelle : multi-objectifs, multi-niveaux, robuste à l'incertitude
- Respect des contraintes dures : chaîne du froid, DLC, capacités
- Interprétable et souveraine : chaque décision est auditable, interprétable, et repose sur une technologie 100 % propriétaire
Les agents de notre plateforme utilisent les modèles de langage là où ils excellent, pour les interfaces hommes-machines et entre agents, et confient les décisions à des algorithmes d'optimisation éprouvés.
Notre modèle de recherche
Un laboratoire commun, un écosystème académique.
Notre modèle repose sur une coopération structurée et un dispositif de proximité unique avec le monde académique : 12 laboratoires impliqués, thèses de doctorat menées entre l'entreprise et l'université, post-doctorats, ingénieurs de recherche. Nos chercheurs publient sous leur affiliation Califrais dans les conférences de référence en intelligence artificielle.
Le laboratoire commun LOPF, pour Large-scale Optimization of Product Flows, associe Califrais au Laboratoire de probabilités, statistique et modélisation (CNRS, Sorbonne Université, Université Paris Cité), avec le soutien de l'Agence nationale de la recherche.
Nos travaux se situent à l'interface de l'apprentissage automatique, de la recherche opérationnelle, de l'apprentissage par renforcement et de l'optimisation combinatoire et robuste.
- 200+Chercheurs et professeurs impliqués
- 15Docteurs en IA dans nos équipes
- 13Publications depuis 2023, dont ICML et NeurIPS
Nos travaux
Quatre grands chantiers de recherche.
Chaque programme part d'un problème réel rencontré sur le terrain et vise un résultat publiable puis déployable.
Tournées et mutualisation
Décider chaque jour combien de véhicules engager et dans quel ordre livrer : moins de camions, moins de CO₂, des taux de remplissage plus élevés, sans retard de livraison.
- En cours2023–2026Thèse ou post-doctorat
Optimisation stochastique et modèles génératifs pour les tournées de véhicules
Garanties théoriques des modèles génératifs profonds, extension aux tournées avec capacités et créneaux horaires, sur données industrielles réelles.
Avec Sorbonne Université
- En cours2025–2028Thèse ou post-doctorat
Stratégies hybrides apprentissage et optimisation combinatoire
Combiner solveurs combinatoires et apprentissage pour des tournées dynamiques, avec des garanties statistiques sur l'ensemble de la chaîne.
Avec Sorbonne Université
- Nouveau2026–2029Thèse ou post-doctorat
Tournées multi-acteurs collaboratives
Une flotte par acteur et une flotte partagée : optimisation discrète et théorie des jeux pour mutualiser les livraisons d'acteurs aux intérêts parfois concurrents.
Avec École des Ponts ParisTech, Institut Polytechnique de Paris
Prévision de la demande
Prévoir la demande de milliers de produits frais : grande dimension, données creuses, saisonnalité, changements de régime. C'est la brique de base du réapprovisionnement et du pricing.
- En cours2025–2027Thèse ou post-doctorat
Prévision hiérarchique par noyaux à valeurs opérateurs
Méthodes à noyaux et apprentissage profond pour une prévision multi-produits qui respecte la structure hiérarchique du catalogue, avec garanties statistiques.
Avec Sorbonne Université, Université Paris-Saclay
- En cours2024–2027Thèse ou post-doctorat
Prévision probabiliste adaptative multi-horizon
Filtres de Kalman à covariables stochastiques, agrégation d'experts et application aux données hiérarchiques.
Avec Sorbonne Université
Stocks et approvisionnement
Décider chaque jour quels produits commander pour servir la demande en minimisant coûts et gaspillage, malgré des ventes incertaines, la périssabilité et les contraintes fournisseurs.
- Terminé2021–2024Thèse ou post-doctorat
Apprentissage en ligne pour la supply chain
Bornes de regret pour des problèmes d'inventaire avec état, intégrant périssabilité, délais de commande et capacité d'entrepôt.
Avec Université Paris Cité
- En cours2025–2028Thèse ou post-doctorat
Bandits et apprentissage par renforcement appliqués à la logistique d'un marché de gros
Méthodes en ligne à décisions discrètes pour des dynamiques d'inventaire non indépendantes.
Avec Université Paris Cité
- En cours2025–2027Thèse ou post-doctorat
Lot-sizing avec minimums de commande et périssabilité
Algorithmes d'optimisation discrète et stochastique pour l'approvisionnement des marchés de produits frais.
Avec Le Cnam, Sorbonne Université
- Nouveau2026–2029Thèse ou post-doctorat
Optimisation intégrée des stocks et des tournées des grossistes
Un modèle multi-niveaux qui combine modes de réapprovisionnement, tournées fournisseurs et livraisons clients.
Avec Le Cnam, LIPN
Dynamique des marchés et des clients
Comprendre les marchés de gros comme des systèmes dynamiques : attractivité des vendeurs, comportements des acheteurs, fidélité des clients.
- Terminé2021–2024Thèse ou post-doctorat
Analyse de survie et prédiction de l'attrition
Intégrer un grand nombre de variables longitudinales pour prédire en temps réel le départ d'un client.
Avec Université Paris Cité, Inria
- Terminé2022–2025Thèse ou post-doctorat
Modéliser la dynamique des marchés de produits frais
Un système dynamique de population de grossistes, analysé théoriquement et validé sur des données réelles de marché.
Avec Université Paris Cité
Publications
Publié dans les conférences et revues de référence.
IEEE Trans. Signal ProcessingLireRobust Estimation for Linear State-Space Models with Stochastic Covariates
ICML 2026LireLatent Guided Sampling for Combinatorial Optimization
NeurIPS 2025LireWasserstein Convergence of Critically Damped Langevin Diffusions
AISTATS 2025LireTheoretical Convergence Guarantees for Variational Autoencoders
- NeurIPS 2024Lire
Non-asymptotic Analysis of Biased Adaptive Stochastic Approximation
- ICML 2024Lire
Dynamic Survival Analysis with Controlled Latent States
Biometrics 80(4)LireAn efficient joint model for high dimensional longitudinal and survival data via generic association features
J. Nonlinear Science 34(5)LireDynamics of Buyer Populations in Fresh Product Markets
- SpringerLire
The insertion method to invert the signature of a path
PreprintLireOnline Policy Selection for Inventory Problems
- NeurIPS 2023Lire
Online Inventory Problems: Beyond the i.i.d. Setting with Online Convex Optimization
- ICML 2023Lire
Learning the Dynamics of Sparsely Observed Interacting Systems
- PreprintLire
Multivariate Online Linear Regression for Hierarchical Forecasting
Écosystème
Ils font avancer la recherche avec nous.
Ils nous soutiennent
Rejoindre l'aventure scientifique.
Chercheurs, ingénieurs, doctorants : nous recrutons des profils exigeants qui veulent voir leurs modèles tourner en production.