Une conférence de Carole Lachavanne, Gemmologist , MSc, FGA, Swiss Gemmological Institute SSEF
Lundi 27 avril 2026 – ING Paris.
Le lundi 27 avril 2026, le campus parisien de l’Institut National de Gemmologie a eu le privilège d’accueillir Claire Lachavanne, experte au sein du prestigieux SSEF. https://www.ssef.ch/
Cette rencontre fut l’occasion d’aborder des thématiques pointues au cœur de l’actualité gemmologique. Claire Lachavanne en propose ici une synthèse détaillée :
L’intelligence artificielle (IA) s’impose dans toujours plus de domaine, entre autres dans celui de la gemmologie. Qu’est-ce que c’est ? Qu’est-ce que cela signifie ? L’IA permet de programmer un ordinateur pour traiter des informations et prendre des décisions. L’apprentissage automatique (Machine Learning, ML), sous-ensemble de l’IA, lui permet d’apprendre à partir de données et de s’améliorer sans programmation explicite. Le ML supervisé, basé sur des sorties (outputs) connues, permet d’automatiser certains processus comme la détermination des traitements ou de l’origine géographique des gemmes, tandis que le ML non supervisé est utilisé pour analyser de grandes quantités de données et regrouper des échantillons similaires.
Comment ces principes sont-ils intégrés par les laboratoires ? L’Institut Suisse de Gemmologie (SSEF) utilise le ML non supervisé pour de traiter rapidement de grandes quantités de données et d’en extraire des tendances de manière objective. Elle facilite la gestion de données complexes, leur visualisation et l’amélioration continue des analyses. Ce principe a été mis en application dans une procédure d’analyse multi-éléments afin de créer un nouvel outil dans la détermination d’origine des tourmalines type Paraíba.
Ces tourmalines, provenant du Brésil, Nigeria ou Mozambique, sont généralement d’une grande pureté et dépourvues d’inclusions caractéristiques. En se basant uniquement sur la composition chimique des tourmalines, le ML groupe les échantillons similaires. A l’aide d’échantillons de référence dont l’origine est connue, ces groupes peuvent être rattaché à une origine géographique. Chaque nouvelle tourmaline est analysée suivant ce protocole, les résultats sont donnés au gemmologue qui les évaluera. L’utilisation du ML est un nouvel outil de support pour le gemmologue et non un remplacement de ce dernier. La responsabilité quant aux conclusions finales du rapport de la gemme incombe au gemmologue, avec ou sans l’usage de ces technologies.
D’autres stratégies se développent tel que chez Gübelin. Ce laboratoire a conçu un programme pour automatiser l’analyse des gemmes (identification du minéral, détection des traitements et détermination de l’origine géographique). Il permet une meilleure standardisation et objectivité, tout en améliorant l’efficacité économique, les cas ambigus étant renvoyés aux experts humains.
Dans l’industrie de la joaillerie des programmes basés sur l’IA tel que Midjourney, DALL·E, Stable Diffusion, Leonardo ou Firefly sont axés sur la génération d’images réalistes de bijoux.
Vers quel futur ?
Le gemmologue a encore de longues années devant lui. Le succès d’une IA dépend de la qualité des données initiales (« Garbage In, Garbage Out ») mais surtout de la confiance qu’on va lui accorder. Cette notion de confiance est un élément clé en gemmologie, où une grande partie du marché repose sur la réputation des professionnels et la confiance qui leur est accordée, avec ou sans IA. De plus, tant que de nouvelles gemmes seront découvertes, les gemmologues resteront indispensables. La documentation des nouveaux gisements, l’analyse de nouveaux traitements et méthodes de synthèse nécessitent une expertise humaine préalable avant que l’IA puisse apprendre à les reconnaître.
Références :
Bendinelli, T., Biggio, L., Nyfeler, D., Ghosh, A., Tollan, P., Kirschmann, M. A., & Fink, O. (2024). GEMTELLIGENCE: Accelerating gemstone classification with deep learning. Communications Engineering, 3(1), 110.
Magee, M. D. (2024). GENERATIVE ARTIFICIAL INTELLIGENCE AS A TOOL FOR JEWELRY DESIGN. Gems & Gemology, 60(3).
Wang, H. A., Krzemnicki, M. S., Wälle, M., & Schultz-Guttler, R. A. (2025). Unsupervised Machine Learning for the Geographic Origin Determination of Cu-bearing Tourmaline. The Journal of Gemmology, 39(8), 772-787.
Pour en savoir plus :
Hardman, M. F., Homkrajae, A., Eaton-Magaña, S., Breeding, C. M., & Palke, A. C. (2024). CLASSIFICATION OF GEM MATERIALS USING MACHINE LEARNING. Gems & Gemology, 60(3).
Zhang, Y., & Shi, G. (2025). Big Data and AI-Enabled Construction of a Novel Gemstone Database: Challenges, Methodologies, and Future Perspectives. Minerals, 15(11), 1149.