L'agriculture est prête pour l'IA, mais pas ses données
L'intelligence artificielle s'impose comme une promesse majeure pour l'agriculture mondiale, notamment face aux enjeux croissants : volatilité des coûts d'engrais, météo imprévisible, et marges serrées qui ne laissent aucun droit à l'erreur. Les chiffres avancés par les chercheurs sont saisissants : les modèles prédictifs activés par l'IA pourraient améliorer les rendements agricoles de 26 %, réduire la consommation d'eau de 41 % et diminuer l'usage des produits chimiques de 33 %. Des gains qui, sur le papier, justifient amplement l'enthousiasme des acteurs du secteur pour ces nouvelles technologies.
Résumé et traduction réalisés par Le Fil IA à partir de MIT Technology Review. Lire l'article original →
Mais selon Reltio, éditeur de plateformes de données d'entreprise fort d'une expérience directe auprès de grands distributeurs agricoles, les vendeurs de solutions IA omettent systématiquement un prérequis fondamental : la qualité des données sous-jacentes. Un modèle de prévision des rendements alimenté par des historiques incohérents produira des estimations faussées. Un système d'irrigation de précision connecté à des capteurs fragmentés gaspillera les ressources au lieu de les économiser. Dans les deux cas, l'IA ne défaille pas par elle-même, elle défaille parce que les données qui la nourrissent sont insuffisantes. En agriculture, la tolérance à l'erreur est quasi nulle : une mauvaise recommandation appliquée sur le terrain peut détruire une récolte, engager des responsabilités légales sur des produits chimiques, ou coûter des dizaines de milliers d'euros à un exploitant qui n'avait pas les marges pour absorber ce choc.
Le défi est structurellement plus complexe en agriculture que dans d'autres secteurs. Une exploitation moderne ou un grand distributeur comme Wilbur-Ellis, distributeur agricole familial américain fondé en 1921 et servant des milliers d'agriculteurs, doit réconcilier des données hétérogènes : flux IoT issus de tracteurs autonomes et de drones, données météo externes, informations du département américain de l'Agriculture (USDA), données de marché tierces, et surtout des données géospatiales fines, coordonnées GPS, limites de parcelles, variations pédologiques à l'intérieur d'un même champ. L'IA doit savoir non seulement qui est le client, mais aussi quelle partie précise de son terrain nécessite tel engrais, à quel taux et à quelle fréquence. Sans une plateforme de données unifiée, cohérente et accessible à travers toute l'organisation, plutôt qu'éparpillée dans des silos applicatifs cloisonnés, les promesses de l'IA agricole resteront lettre morte, voire se retourneront contre leurs utilisateurs.
Les défis de qualité des données pour l'IA agricole sont directement pertinents pour les exploitants français, la France étant le premier producteur agricole de l'UE, mais l'article se limite à des exemples américains sans traiter le contexte européen.
On vend de l'IA à des agriculteurs dont les données vivent dans dix silos incompatibles, et on s'étonne que ça cafouille. Le problème spécifique à l'agriculture, c'est que l'erreur n'est pas abstraite : une mauvaise recommandation appliquée sur un champ, c'est une récolte détruite et un exploitant qui n'a pas les reins pour l'encaisser. Les chiffres promis (26 % de rendement, 41 % d'eau économisée) sont peut-être justes, mais ils supposent une qualité de données que la plupart des exploitations n'ont pas encore.