Chapitre sept : Aide à la décision, récupération des connaissances et vulgarisation agricole

Chapitre sept : Aide à la décision, récupération des connaissances et vulgarisation agricole

Message du chapitre

Un agriculteur peut écrire une question de deux mots : « Que pulvériser ? » La phrase paraît claire, mais elle dissimule une chaîne de questions qui peuvent changer radicalement la réponse. Quels sont la culture et le cultivar ? À quel stade ? Quel symptôme ou quelle cible est en jeu ? Le diagnostic est-il confirmé ? Dans quel pays ou quelle juridiction se trouve l'exploitation ? Quels produits sont homologués et disponibles ? Quels sont la météo, la date de récolte et les traitements antérieurs ? Un conseiller numérique responsable n'est pas un modèle disert, mais un système qui sait transformer une question incomplète en une question que l'on peut examiner. Il précise ce qu'il a compris, demande le contexte qui change la décision, classe les conséquences de l'erreur, récupère une source faisant autorité valable pour le lieu et la date, et formule une réponse qui distingue l'information, l'explication et les limites. Lorsque l'affaire dépasse l'autorité de la machine, le système s'abstient et la transmet à l'instance ou au spécialiste approprié. Le langage naturel rapproche la connaissance des utilisateurs, mais comporte un danger particulier : il peut faire passer une supposition pour une réponse professionnelle. L'intelligence d'un système ne se mesure donc pas au nombre de questions auxquelles il répond, mais à sa capacité de savoir quand répondre, quelle source utiliser, quel degré de confiance est justifié, et quand une autre question, une inspection ou un renvoi sont nécessaires. Une réponse sûre n'est pas toujours une réponse définitive ; parfois, le mieux qu'un système puisse faire est d'identifier ce qui manque, de protéger l'utilisateur d'une action prématurée et de fournir le chemin le plus court vers une décision valable.

1. Pourquoi le conseil agricole est-il difficile ?

Une question agricole brève parvient généralement au milieu d'un travail pratique, et non dans un cadre de recherche. Un agriculteur peut rencontrer des feuilles décolorées, entendre un bruit inhabituel venant d'une pompe, ou voir des fruits tomber, et demander une réponse directe. Le besoin de rapidité est réel, mais une réponse rapide ne peut compenser l'absence d'informations qui déterminent le sens de la question.

La question « Pourquoi la plante jaunit-elle ? » peut concerner l'eau, la nutrition, les racines, une maladie, des ravageurs, le froid, la chaleur, une lésion chimique, ou un stade naturel de développement. Une image unique peut montrer le symptôme sans sa distribution dans la parcelle, dissimuler la face inférieure de la feuille, ou être déformée par l'éclairage et l'appareil photo. Si le système retient une cause à partir de la seule ressemblance visuelle, il peut transformer l'incertitude en une certitude qu'il n'a pas méritée. La question apparente et la question réelle Le système ne commence pas par produire une réponse, mais par reconstruire la question. Selon le cas, il peut avoir besoin de connaître :

• La culture, la variété et le stade.
• Le pays ou la juridiction.
• L'agriculture est-elle de plein champ, sous abri, biologique, ou relève-t-elle d'un régime particulier ?
• La partie de la plante touchée et la distribution des symptômes.
• Quand l'état a-t-il commencé et comment a-t-il évolué ?
• La météo, l'irrigation, la fertilisation et les pulvérisations antérieures.
• L'existence d'images, de mesures, d'analyses ou d'un diagnostic spécialisés.
• Quel produit ou quelle matière l'utilisateur envisage.
• La date de récolte ou la présence de travailleurs, d'animaux et d'eau à proximité.
• Quelle décision est requise maintenant : examen, traitement, mise en marche d'une machine, ou compréhension d'une notion ?

Toutes ces questions n'ont pas à être posées à chaque fois. Le système sélectionne le plus petit ensemble d'informations qui change la décision ou le niveau de sécurité. Accabler les utilisateurs de vingt questions avant de leur offrir la moindre aide peut les faire fuir, tandis que répondre immédiatement à une question incomplète peut les exposer à un préjudice. Une bonne conception équilibre la nécessité de recueillir le contexte et celle de proposer une étape immédiate et sûre. La conséquence de l'erreur détermine la profondeur de la barrière Toutes les questions ne comportent pas le même risque :

Plus la conséquence d'une erreur est grave, plus la marge admissible pour l'approximation se réduit, plus l'autorité de la source exigée est élevée, et plus le besoin de vérification humaine ou de terrain est grand. De l'intention à l'aboutissement Le parcours consultatif peut être construit comme une séquence d'étapes :

1. Compréhension de l'intention : L'utilisateur veut-il une explication, un diagnostic, une action ou une information réglementaire ?
2. Contexte crucial pluriel : Une question manquante, susceptible de changer la réponse.
3. Classification du risque : Quelles sont les conséquences d'une réponse erronée ou tardive ?
4. Récupération des éléments de preuve : Recherche de sources spécialisées, récentes, adaptées au lieu et à la culture.
5. Contrôle de l'autorité et de la validité : La source est-elle officielle, scientifique ou consultative, et est-elle encore en vigueur ?
6. Synthèse contrainte : Utiliser ce que les sources étayent et ne pas aller au-delà.
7. Contrôle de sécurité : Détecter les doses, diagnostics ou commandes qui nécessitent une barrière supplémentaire.
8. Afficher la source et l'incertitude : Ce que nous savons, ce que nous ne savons pas, et pourquoi.
9. escalade : Préciser l'entité, le spécialiste ou la mesure suivante lorsque c'est nécessaire.
10. Suivi du résultat : Qu'a fait l'utilisateur, que s'est-il passé, et qu'a appris le système ?

Le modèle de langage n'a pas à sauter par-dessus ces étapes au motif qu'il sait rédiger un paragraphe convaincant. La fluidité relève de la présentation, non de l'énoncé d'une décision. La qualité de la question fait partie de la qualité du service Le système ne se félicite pas de la seule brièveté de ses temps de réponse. La meilleure première réponse pourrait être une question ciblée :

Voulez-vous dire des taches sur les feuilles ou sur les fruits ? Cela apparaît-il sur des plantes isolées ou bien cela commence-t-il en bordure de parcelle ?

Cette question améliore le parcours de décision davantage qu'une longue liste de causes possibles. Le système peut expliquer pourquoi il pose la question :

La répartition des symptômes modifie les probabilités et l'étape sûre suivante, j'ai donc besoin de cette description avant de suggérer un test.

Expliquer la raison de la question accroît la confiance et évite à l'utilisateur d'avoir le sentiment que le système tergiverse. L'étape sûre avant la réponse finale Lorsqu'un système manque d'informations suffisantes pour un diagnostic, il n'est pas tenu de laisser l'utilisateur sans aide. Il peut suggérer des étapes à faible risque qui préservent les éléments de preuve et évitent d'aggraver le préjudice : documenter la répartition des symptômes, isoler un échantillon selon des consignes appropriées, consulter un registre d'opérations, inspecter un appareil ou contacter l'autorité compétente.

Ces étapes elles-mêmes ont besoin de limites : le système ne doit pas présenter une procédure sanitaire ou chimique comme une « étape temporaire » lorsque cette procédure requiert une autorité professionnelle ou un diagnostic.

Les questions consultatives difficiles ne se résolvent pas par un modèle plus grand à lui seul. Elles exigent une connaissance structurée, un contexte local, une hiérarchisation de l'autorité des sources, et des politiques d'abstention et d'escalade. Cela commence par reconnaître qu'une base de connaissances n'est pas un dossier dans lequel on jette des fichiers PDF avant de demander à un modèle de les parcourir.

2. Une base de connaissances n'est pas un dossier de PDF

Une organisation peut posséder des centaines de dépliants, manuels, affiches et rapports et croire qu'elle a construit une base de connaissances en les rassemblant dans un même dossier. Mais un fichier ne devient pas connaissance récupérable du seul fait qu'on peut l'ouvrir. Le système doit savoir qui l'a publié, quand, pour quel pays et quelle culture, s'il est toujours en vigueur ou a été remplacé, et quel type d'autorité il porte.

Deux paragraphes peuvent se ressembler sur le plan linguistique, alors que l'un provient d'une affiche officielle du pays et l'autre d'un article général plus ancien ou d'une région différente. Si le système classait les résultats par la seule similitude lexicale, il pourrait placer le texte le plus facile à lire au-dessus de la source qui régit la décision. Carte d'identité de chaque source Chaque document a besoin de métadonnées qui aident à juger avant même d'en lire le contenu :

Ces mentions ne sont pas des notes administratives de bas de page. Elles empêchent qu'un texte d'un autre pays ou d'une édition plus ancienne ne s'insère sans avertissement dans une réponse actuelle. Décomposer le document sans en déchirer le sens La récupération exige généralement de diviser les documents longs en unités plus petites. Mais un découpage aveugle peut séparer la dose du nom du produit, l'exception de la règle, la ligne du titre du tableau, ou l'avertissement de l'action qu'il restreint.

Le document est divisé selon sa structure sémantique :

• Le titre et la hiérarchie du chemin restent attachés à chaque extrait.
• Le titre du tableau, les en-têtes de colonnes et les unités restent avec la ligne récupérée.
• La note de bas de page ou l'avertissement est lié au passage que vous modifiez.
• Les numéros de page et de section sont conservés pour référence.
• Les conditions et les exceptions ne sont pas séparées de la recommandation.
• Les images, les graphiques et les textes alternatifs sont traités comme des éléments liés, non comme de la décoration.

Si le système récupère une ligne d'un tableau de traitement et que le nom de la culture, le stade d'utilisation ou l'unité manquent, le texte manquant est plus grave que l'absence de récupération. L'autorité de la source n'est pas un classement unique pour toute question Il n'existe pas de source supérieure en toute matière. Le régulateur fait autorité pour l'homologation légale, mais il ne prouve pas à lui seul la performance d'un modèle de vision par ordinateur. Une étude contrôlée peut mesurer une relation dans des circonstances déterminées, mais elle n'accorde pas l'autorisation d'utiliser un produit. Le dépliant d'orientation peut convertir la connaissance en étapes locales, mais il peut nécessiter une mise à jour si l'homologation change.

C'est pourquoi la source est classée selon le type d'affirmation :

• Questions d'homologation et restrictions : source réglementaire compétente et en vigueur.
• Identité du produit et méthode d'emploi approuvée : étiquette de produit approuvée en vigueur et document officiel correspondant.
• Efficacité ou performance au sein d'une expérimentation : étude préliminaire adaptée à la question.
• Principes généraux : revue scientifique ou éléments de preuve institutionnels faisant autorité.
• Mise en œuvre locale : orientation locale qualifiée avec indication de son périmètre.
• Description d'un service ou d'un programme : document du propriétaire du service, l'affirmation étant attribuée à ce propriétaire plutôt que traitée comme une évaluation indépendante.

La connaissance n'est pas seulement du texte L'information peut se trouver dans un tableau, un registre, un relevé météorologique, une carte, une liste de produits ou un dictionnaire terminologique. La recherche en texte libre peut trouver des mots, mais elle ne préserve pas toujours les relations. Le système a besoin de relier :

Culture → stade → problème → pays → produit ou pratique → restrictions → source → date d'expiration.

Ces relations empêchent qu'une clause valide ne soit utilisée hors de l'entité ou du lieu auxquels elle appartient. Elles permettent aussi d'interroger la base de connaissances sur ses manques : disposons-nous d'une source valide pour ce pays et cette culture, ou non ? Noms locaux et noms légaux Les utilisateurs cherchent avec les termes qu'ils connaissent, lesquels peuvent ne pas correspondre à un nom officiel ou scientifique. L'index relie donc les termes locaux aux noms scientifiques ou légaux sans supprimer l'original. Il conserve la langue, la région, le contexte et la confiance de chaque correspondance.

Si un nom local peut désigner deux ravageurs ou deux substances aux risques différents, le système ne sélectionne pas en silence la correspondance la plus proche. Il présente des options intelligibles ou demande un trait distinctif, et peut recourir à une image de référence lorsque c'est approprié. Cycle de vie de la source La base de connaissances a besoin d'un processus continu :

1. Saisir la source et vérifier son identité et les droits associés.
2. Classification selon l'autorité et le périmètre.
3. La décomposer en préservant la structure et le contexte.
4. La réexaminer et l'approuver pour indexation.
5. Surveiller les mises à jour, les remplacements ou les compléments.
6. Réindexer en cas de changement.
7. Retrouver les réponses ou produits qui ont utilisé l'ancienne version.
8. Retirer la source ou abaisser son rang tout en conservant son incidence historique.

Une base de connaissances qui ignore qu'une source a été remplacée peut être pire que la mémoire d'un ancien modèle, car elle donne à l'ancien l'apparence du documenté et du récent.

Une fois les sources organisées de la sorte, un système de génération augmentée par récupération peut les exploiter. Le parcours exige toujours des garde-fous : une bonne récupération est une condition d'une réponse responsable, non sa garantie.

3. Le parcours de la génération augmentée par récupération

La génération augmentée par récupération, ou RAG, permet à un modèle de chercher dans des sources définies et gouvernées avant de composer une réponse, plutôt que de se fier uniquement à ce qui s'est accumulé dans ses poids durant l'entraînement. Sa valeur en agriculture est manifeste, car les homologations, les étiquettes de produits approuvées, les orientations, les prix et la météo changent, et parce que l'applicabilité diffère selon les pays et les cultures.

Ajouter un moteur de recherche à un modèle de langage ne crée pas automatiquement un conseiller digne de confiance. Si le fonds documentaire est obsolète, si les documents sont mal segmentés ou si les résultats ne sont classés que par similitude linguistique, le modèle produira une réponse plus persuasive à partir d'éléments de preuve non valides. Le parcours comme barrières Le parcours responsable peut être représenté ainsi :

Question de l'utilisateur → comprendre l'intention → recueillir le contexte → classer le risque → construire la requête → récupérer des candidats → filtrer sur l'autorité et la validité → vérifier conflits et complétude → classer les éléments de preuve → synthèse contrainte → revue de sécurité et de proportionnalité → répondre avec source, limites et escalade

Chaque flèche représente une probabilité de perdre le sens ou d'introduire une erreur. C'est pourquoi le processus ne se réduit pas à « chercher et rédiger ». 1\. Comprendre la question et construire le contexte Le système sépare ce que l'utilisateur a dit de ce qu'il a lui-même inféré. Si un utilisateur écrit « Mes feuilles sont jaunes », il conserve le texte original puis interroge sur la culture, le stade, la répartition et la localisation. Il n'ajoute pas un diagnostic à la requête avant que des éléments de preuve n'existent.

Il peut reformuler ce qu'il a compris :

Je comprends que vous observez un jaunissement des feuilles de tomate sous serre, apparu il y a trois jours et d'abord visible sur les plants proches de l'entrée. Est-ce exact ?

Une correction précoce permet d'éviter toute une série de récupérations erronées. 2\. Classification du risque avant la récupération Le système détermine si la question est pédagogique, diagnostique, si elle porte sur un intrant réglementé, si elle concerne la santé et la sécurité, ou si elle implique une intervention physique. Cette classification influe sur :

• Le type de sources acceptables.
• La quantité de contexte requise.
• La possibilité ou non de proposer des solutions de remplacement.
• Le besoin de revue humaine.
• Ce que le système doit s'abstenir de formuler.

Un formulaire ne doit pas classer une question comme à faible risque du seul fait que l'utilisateur l'a rédigée en des termes génériques. « Puis-je mélanger ces deux produits ? » Cela peut sembler une question d'information, mais elle a une conséquence opérationnelle et organisationnelle. 3\. Récupérer des candidats Le système construit une recherche qui rassemble les termes visibles, les synonymes, les entités et le contexte. La similitude sémantique, la recherche lexicale et les relations structurées peuvent être mobilisées. Mais la récupération initiale fait remonter des candidats, non des sources fiables pour la réponse.

Un document peut apparaître parce qu'il emploie les mêmes mots, alors même qu'il porte sur une autre culture ou un autre pays. Les filtres viennent donc avant la génération. 4\. Filtrage de l'autorité et de l'autorité Le système vérifie :

• Le ressort géographique.
• La date d'entrée en vigueur et de révision.
• La culture, la variété et le stade lorsque c'est nécessaire.
• Le type de source et sa destination.
• La langue et le statut de traduction.
• La complétude de la section et le contexte du tableau.
• Les droits de présentation et de citation.
• L'existence d'un conflit ou d'une mise à jour plus récente.

Un infinitif qui échoue à une condition critique ne monte pas dans le classement au seul motif de sa similitude linguistique. 5\. Classement des éléments de preuve Le classement met en balance plusieurs facteurs :

Ce classement ne se transforme pas en un nombre secret que l'auditeur ne comprend pas. Les raisons du choix d'une source et de l'exclusion des autres sont conservées, en particulier dans les décisions sensibles. 6\. Formulation liée aux éléments de preuve Le modèle reçoit pour consigne de n'utiliser que ce que les passages récupérés étayent, de distinguer la citation ou le résumé de l'inférence, et de ne pas combler les lacunes à partir de la mémoire du modèle. Si une source établit une règle générale sans couvrir le produit ou le pays, le système le dit plutôt que d'étendre la règle à un cas non couvert.

Il est préférable de construire la réponse à partir d'unités :

• Ce que le système a compris de la question.
• Ce que disent les sources qualifiées.
• Ce qui manque, c'est le contexte.
• Ce qui peut être fait en toute sécurité dès maintenant.
• Ce que le système ne peut pas indiquer.
• La source, sa date et son périmètre.
• L'escalade ou le suivi.

7\. Contrôle de sécurité et de proportion Avant d'afficher la réponse, le système vérifie si le texte :

• Invente un nombre, une dose ou une durée.
• Attribue une affirmation à une source qui ne l'étaye pas.
• Dissimule une condition ou une exception.
• Confond deux pays ou deux produits semblables.
• Fournit un diagnostic définitif à partir d'éléments de preuve probabilistes.
• Emploie un infinitif achevé ou incomplet.
• Dépasse le niveau d'autorité permis.

Pour les cas à conséquences élevées, cette revue n'est pas seulement linguistique ; elle peut exiger des règles déterministes, une provenance formelle et une revue humaine. Niveaux de service selon le risque

• Risque faible : Explique un concept, aide à organiser un enregistrement ou propose une ressource publique appropriée.
• Risque moyen : Propose des possibilités ou des solutions de remplacement, demande une analogie, une image ou un contexte, et empêche le passage à une action non concrétisée.
• Risque élevé : Circonscrit la question, présente la source officielle appropriée, propose des précautions qui n'excèdent pas son autorité, et escalade vers un spécialiste ou un organisme habilité.

Cette gradation ne rend pas le système moins utile ; elle ajuste le degré d'aide aux éléments de preuve disponibles et au risque. Mais même le meilleur parcours de récupération ne peut réparer un document obsolète ni une base de connaissances médiocre : il peut trouver ce qui existe, non le transformer en source valide.

4. La récupération ne corrige pas une source médiocre

Un système peut récupérer exactement le bon paragraphe du mauvais document. Il peut citer un texte solide issu d'une publication périmée, d'un autre pays, ou d'une recommandation destinée à une autre culture. La question, en pareil cas, n'est pas de savoir si le modèle a compris le paragraphe, mais si ce paragraphe aurait dû entrer dans la réponse.

La récupération accélère l'accès à une source, mais elle ne lui confère ni l'autorité, ni la validité, ni la pertinence qu'elle ne possédait pas. Filtres antérieurs à la génération

La source correcte pour la question correcte Si un utilisateur demande ce que peut signifier un symptôme agricole, une revue scientifique ou un dépliant de vulgarisation peut convenir pour élaborer des possibilités. S'il interroge sur l'homologation ou l'usage d'un produit, le système a besoin d'une source réglementaire faisant autorité. S'il interroge sur la performance d'un produit précis, une annonce d'entreprise ne suffit pas à établir un effet indépendant.

Le professionnalisme ne consiste pas à placer une source officielle au-dessus de toutes les autres pour toutes les questions, mais à choisir le type de source qui a l'autorité de répondre à l'affirmation précise. Les conflits ne se résolvent pas par un vote La plateforme peut récupérer deux sources différentes. Cela ne signifie pas que nous choisissons la plus nombreuse ou la plus récente à elle seule. Nous devons savoir :

• Parlent-elles du même pays ?
• L'une est-elle une mise à jour de l'autre ?
• Répondent-elles à deux questions différentes ?
• Les méthodes de mesure ou les catégories diffèrent-elles ?
• L'une est-elle une règle contraignante et l'autre une interprétation générale ?

Si le conflit demeure substantiel, le système l'affiche clairement et ne fabrique pas un accord. Il peut dire :

J'ai trouvé deux sources qualifiées qui divergent sur cette exigence, et je n'ai pas trouvé de mise à jour résolvant le conflit. Il est nécessaire de consulter l'autorité compétente avant de prendre la décision. L'absence de source est une conséquence, non un dysfonctionnement à dissimuler Lorsqu'il n'existe pas de source officielle valide pour le pays, la culture ou la date, la formule professionnelle est :

Je ne dispose pas d'une source valide dans ce pays pour formuler cette recommandation.

Le système aide alors uniquement dans les limites des éléments de preuve :

• Il demande le nom du produit ou une image de son étiquette.
• Il précise l'organisme réglementaire ou consultatif qu'il convient de consulter.
• Il est suggéré de documenter les symptômes ou de conserver un échantillon selon une procédure sûre.
• Il présente l'information générale comme générale, et non comme des instructions locales.

Le refus n'est pas ici un échec de la récupération ; c'est la réussite d'une barrière empêchant qu'une source inadaptée ne devienne une réponse. Une revue du fonds documentaire n'est pas moins importante qu'une revue de modèle L'équipe chargée de la connaissance a besoin d'indicateurs tels que :

• Rapport entre sources en vigueur et sources archivées.
• Pays, cultures et langues non couverts.
• Documents qui expireront prochainement.
• Sections défaillantes du fait d'un tableau ou d'une note de bas de page manquants.
• Questions qui ne trouvent pas de source qualifiée.
• Conflits ouverts et responsables de leur examen.
• Réponses qui dépendent d'une source appelée à changer ultérieurement.

Ces indicateurs transforment le vide de connaissance en plan d'action, au lieu que le modèle ne le comble par des conjectures.

Il ne suffit pas que les sources soient correctes dans une seule langue. L'orientation atteint des utilisateurs de langues, de dialectes et de niveaux de lecture différents, et une interrogation vocale peut survenir dans un environnement bruyant. L'interface multilingue devient donc partie intégrante de l'intégrité du sens, et non une couche cosmétique posée sur le système.

5. L'interface multilingue : rapprocher la connaissance sans en changer le sens

Un agriculteur peut connaître un nom local absent des bulletins officiels, prononcer le nom d'une substance différemment de son orthographe, ou employer une unité familière dans sa région. Si une plateforme impose aux agriculteurs une langue scientifique ou administrative qu'ils n'utilisent pas, ils peuvent ne pas trouver la bonne connaissance alors même qu'elle existe.

Mais traduire ne consiste pas à remplacer des mots par des mots. Les noms de cultures, de variétés, de ravageurs, de maladies, de substances, les unités et les avertissements portent des différences susceptibles de changer la décision. Le nom local peut être la description d'un symptôme plutôt qu'un diagnostic, ou désigner plus d'un organisme dans deux régions différentes. Trois couches de langue Le système peut conserver :

1. La langue de l'utilisateur : Le mot ou l'expression tels qu'écrits ou prononcés.
2. Le concept de référence : L'entité scientifique ou organisationnelle qui lui est associée après vérification.
3. La langue de la source : Le texte dans lequel l'information était contenue et l'autorité habilitée à le traduire.

Une couche ne remplace pas une autre. Si l'agriculteur emploie un nom local, ce nom est conservé, et le système affiche le concept de référence suggéré ainsi qu'un score de confiance, et permet la correction. Quand l'ambiguïté change l'action Si un terme a deux sens conduisant à des actions différentes, le système ne doit pas choisir en silence le mot le plus proche. Il peut demander :

Lorsque vous dites « insecte blanc », voulez-vous dire de petits insectes qui s'envolent quand vous remuez la feuille, ou une couche blanche qui reste immobile à sa surface ?

Il peut proposer des options graphiques ou des descriptions distinctes, à condition de ne pas transformer le choix en diagnostic définitif sans éléments de preuve suffisants.

Il en va de même pour les noms de produits. Les noms commerciaux peuvent être identiques ou bien la substance active, la concentration et l'homologation peuvent différer. Le système demande donc le nom complet, une image de l'étiquette et le pays, et ne fonde pas une action sensible sur un nom abrégé ou une prononciation possible. Traduction scientifique et avertissements La traduction doit protéger des éléments qui ne peuvent être librement arrondis :

• Les noms des substances actives et des produits homologués.
• Les unités de dose, de concentration et de surface.
• Les délais et les avertissements.
• Les noms des cultures, des ravageurs et des maladies.
• La négation, l'exception et les conditions.
• Les autorités géographiques et les spécialités.

Une petite erreur sur l'unité ou sur la marque de négation peut rendre la traduction dangereuse. Le système conserve donc le texte original, indique que le texte traduit est une traduction, qui l'a revue et quand. Dans une décision réglementaire ou sensible, l'extrait original peut être affiché à côté de la traduction pour ceux qui peuvent le vérifier. L'audio élargit l'accès et ajoute de nouvelles défaillances La voix peut convenir à quelqu'un dont les mains sont occupées pendant le travail, ou à quelqu'un qui préfère parler plutôt qu'écrire. Mais elle ajoute une couche de reconnaissance de la parole affectée par l'accent, le bruit, le vent et les noms de produits peu familiers.

Le texte interprété ne passe pas directement dans une décision. Le système affiche ce qu'il a entendu :

J'ai compris que vous avez dit : « Tomates, début floraison, taches sur les feuilles basses. » Est-ce exact ?

Pour un terme à conséquence élevée, tel que le nom d'une substance, un nombre ou une unité, le système demande une confirmation explicite. Il peut aussi laisser l'utilisateur sélectionner et corriger le terme au lieu d'enregistrer de nouveau tout le message. Une interface adaptée à la lecture et au travail de terrain Le multilinguisme ne fonctionne pas si l'écran est encombré ou si le texte est long. La réponse peut être présentée par couches :

• Un résumé bref que l'on peut lire ou écouter.
• L'étape sûre suivante.
• L'avertissement est à sa place, et non à une extrémité lointaine.
• Un bouton pour afficher la source et les détails.
• Des images ou symboles d'appui qui ne remplacent pas les mots.
• La possibilité d'agrandir le texte et d'enregistrer la réponse pour travailler hors ligne.

Le sens ne dépend ni de la seule couleur, ni d'un symbole dont l'interprétation peut varier. Les nombres et les unités sont lus clairement et peuvent être répétés et affichés par écrit. Mesurer l'équité entre les langues Il ne suffit pas d'avoir une bonne performance moyenne si une langue est faible. Mesurée pour chaque langue et chaque dialecte :

• Compréhension exacte de l'intention et des entités.
• Noms corrects des cultures, des matériaux et des unités.
• Qualité de la récupération à partir de sources compétentes.
• Intégrité de la traduction et du rapport.
• Taux d'abstention correcte et incorrecte.
• Compréhension par l'utilisateur de la réponse et de l'étape suivante.

La couverture de la provenance peut être médiocre dans une langue, même si le modèle est capable de la parler couramment. Le système doit clarifier la différence entre être capable de produire une langue et disposer d'une connaissance maîtrisée de cette langue et de son contexte.

Une interface multilingue réussie ne se contente pas de donner à un système une apparence locale ; elle préserve le sens, les limites et l'autorité lorsque la question et la réponse passent d'une langue à l'autre. Lorsqu'une ambiguïté subsiste ou que les éléments de preuve font défaut, le système a besoin d'un langage explicite pour l'incertitude et pour une abstention responsable.

6. Incertitude et abstention : lorsque « je ne sais pas » fait partie du service

Les modèles de langage peuvent formuler une réponse complète même lorsque la question est incomplète ou la source faible. Cette capacité est utile dans l'explication, et dangereuse dans la décision. Car une approche assurée peut dissimuler que le système a deviné la culture, le pays, le diagnostic ou l'unité.

L'incertitude n'est pas un chiffre unique. Elle peut être causée par :

• L'ambiguïté de la question ou du terme.
• L'absence de contexte du champ, du stade ou du lieu.
• Une image ou une mesure faible.
• Des sources qualifiées contradictoires.
• L'absence de source valide.
• La situation s'écarte de l'expérience du modèle.
• La possibilité de plusieurs causes qu'on ne peut séparer à distance.
• Une restriction juridique ou réglementaire qui empêche la recommandation.

Identifier le type d'incertitude aide à choisir l'étape suivante. L'absence d'image se traite mieux, l'absence de pays se traite par une question, et des sources contradictoires exigent une autorité compétente, tandis que l'absence d'éléments de preuve valides peut imposer l'abstention. Trois cas de réponse

Le troisième cas ne doit pas devenir un « consultez un spécialiste » mécanique après un paragraphe rempli d'instructions. Si le système s'abstient, il ne doit pas faire précéder cette abstention d'une prescription implicite que l'utilisateur peut exécuter. Structure de l'incertitude au sein de la réponse Le système peut dire :

Ce que je sais : La photo montre un jaunissement des feuilles inférieures. Ce que je ne sais pas : Je ne dispose pas de la répartition des symptômes ni d'un enregistrement de l'irrigation et de la fertilisation, et je ne peux pas distinguer la cause à partir de la seule image. Pourquoi cela importe : Les causes possibles exigent des actions différentes, et certains traitements peuvent aggraver le dommage. Les informations suivantes : Une image de la plante entière, une description de la répartition des symptômes, et la date de la dernière fertilisation et de la dernière irrigation. Étape sûre à présent : Évitez tout traitement sans diagnostic, et documentez les emplacements atteints. transmission à un niveau supérieur : Si la dégradation est rapide ou étendue, contactez un conseiller ou un spécialiste local.

Cette structure rend l'incertitude exploitable, plutôt qu'un avertissement général. La confiance ne signifie pas avoir raison Un système peut attribuer une probabilité élevée parce qu'il trouve une forte similitude avec ses données, sans pour autant savoir que le cultivar, le climat ou le produit diffère. Il peut être certain d'avoir compris un terme alors que la source qu'il a récupérée est ancienne. Plusieurs formes de confiance doivent donc être distinguées :

• La confiance dans la compréhension de la question.
• La confiance dans le rattachement du terme à une entité.
• La confiance dans la qualité de l'entrée.
• La confiance dans l'adéquation de la source.
• La confiance dans l'interprétation ou la recommandation.

L'une peut être élevée et l'autre faible. Cela ne doit pas se réduire à une bande verte qui suggère une sécurité d'ensemble. L'abstention a des seuils et des politiques S'abstenir n'est pas laissé à l'humeur du modèle. Il existe des règles claires, telles que :

• Pas de dose sans produit valide, concentration, culture, pays et source.
• Aucun diagnostic concluant à partir d'une seule image n'est suffisant.
• Il n'y a pas de recommandation automatisée lorsque deux sources compétentes se contredisent.
• Ne pas utiliser une source hors de son ressort géographique sans mention explicite.
• Pas de commande d'exécution lorsqu'une mesure de base est perdue ou qu'une limite de sécurité est dépassée.
• Ne pas divulguer d'informations sensibles hors du périmètre d'autorité de l'utilisateur.

Les seuils sont également testés afin que le système ne refuse pas tout et ne devienne inutile, ou ne réponde pas à tout et ne devienne dangereux. La transmission à un niveau supérieur est un chemin, non une impasse Une bonne transmission à un niveau supérieur détermine :

• Le type de spécialiste ou d'entité requis.
• Quelles informations doivent être préparées.
• Le degré d'urgence et pourquoi.
• Quelles sont les étapes sûres pour obtenir de l'aide ?
• Comment la réponse du spécialiste revient-elle au dossier du cas ?

Si le système renvoie l'utilisateur à un spécialiste sans transmettre le contexte, les images et les sources qu'il a réunis, l'utilisateur est contraint de reprendre l'histoire depuis le début. Avec son consentement, un résumé partageable peut être créé, expliquant la question, ce qui a été recueilli et ce qui reste inconnu.

Un système qui s'abstient au bon moment n'abandonne pas l'utilisateur ; il empêche le langage de devancer les éléments de preuve et oriente l'utilisateur vers l'étape suivante, plus sûre. La valeur de ces principes apparaît plus nettement dans les cas de programmes et de projets, où la présence d'une idée ou d'une intégration de code doit être distinguée du fonctionnement, de l'efficacité démontrée et de l'impact au champ.

7. Modèles réels de conseil agricole intelligent : que proposent-ils et qu'établissent les preuves ?

Les trois applications suivantes n'appartiennent pas à la même catégorie et ne doivent pas être réunies dans une liste qui laisserait entendre un niveau équivalent de maturité ou d'impact. Farmer.Chat est un service déjà utilisé par des agriculteurs, pour lequel existent des données d'usage et une étude de terrain de portée limitée. GAIA est moins une application unique qu'un programme de recherche et développement qui étudie comment construire un conseil agricole génératif sur des fondements scientifiques et éthiques. Aladdin AgroGenie, quant à lui, est une architecture gouvernée de recherche et de récupération au sein de l'écosystème Aladdin. Il dispose de preuves précises issues du dépôt et d'une couverture substantielle de tests locaux, mais n'a pas encore achevé le parcours probatoire jusqu'au fonctionnement dans un environnement réel ou à l'impact au champ.

La comparaison ne demande donc pas : « Lequel est le meilleur ? » Elle pose des questions plus précises. Quel problème chaque système cherche-t-il à résoudre ? Comment récupère-t-il l'information ? Quel type de preuves est disponible ? Où s'arrête sa capacité, et où commence la nécessité du jugement humain ?

Farmer.Chat — Un conseiller agricole multilingue dans la poche de l'agriculteur

Dans son champ, un agriculteur peut observer des feuilles jaunes, un animal qui a perdu l'appétit ou un ciel annonçant la pluie. Sa question est rarement formulée dans un langage scientifique complet. Elle peut prendre la forme d'une image, d'une phrase prononcée dans un dialecte local ou d'une courte demande telle que « Qu'arrive-t-il à cette plante ? » ou « Dois-je irriguer aujourd'hui ? ». Farmer.Chat, développé par Digital Green, vise à réduire la distance entre cette question quotidienne et des connaissances agricoles utilisables à temps.

Le service permet de poser des questions par texte, par la voix ou par des images, et utilise la localisation pour adapter les réponses à la culture, aux conditions météorologiques et au contexte local. Les thèmes annoncés comprennent la gestion des cultures et des organismes nuisibles, la fertilisation, l'irrigation, la météo, l'élevage et certaines informations de marché. Les documents relatifs à la deuxième version expliquent que le système pose désormais parfois une ou deux questions de clarification avant de répondre. Il peut demander la superficie de la parcelle, le lieu ou une image plus nette au lieu de construire une recommandation précise à partir d'une question incomplète [SRC039][SRC040][SRC041].

Ce point est important, car les seuls mots ne suffisent pas à rendre une question agricole complète. La même question — « Quand dois-je semer le maïs ? » — peut exiger de connaître la région, la saison, la disponibilité de l'irrigation, la variété et l'historique des précipitations. Plus le système peut recueillir ce contexte avant de répondre, plus il réduit le risque de fournir un conseil linguistiquement convaincant mais inadapté au champ concerné.

Digital Green indique qu'en juillet 2026, Farmer.Chat avait atteint plus de 1,7 million d'agriculteurs dans six pays et seize langues. L'organisation publie aussi des données internes selon lesquelles la proportion de personnes ayant ouvert l'application puis posé une véritable question a augmenté après la deuxième version : de 36,6 % à 58,9 % en Inde, de 37,7 % à 55,8 % au Kenya, de 45,1 % à 60,2 % en Éthiopie et de 44,8 % à 57,4 % au Nigeria. Le nombre moyen de questions posées par un utilisateur actif a également augmenté sur les quatre marchés [SRC041].

Ces chiffres mesurent l'usage et l'engagement. À eux seuls, ils ne mesurent ni la justesse d'un diagnostic, ni la sécurité d'une dose, ni les effets sur le rendement et le revenu. Les notions de « personne touchée », d'« utilisateur », de « téléchargement » et d'« utilisateur actif » ne sont pas davantage interchangeables. Des chiffres publiés à des dates différentes ne doivent donc être ni additionnés ni comparés directement sans connaître clairement, pour chaque indicateur, sa définition, sa période et sa méthode de calcul.

Une évaluation menée par 60 Decibels en partenariat avec Digital Green apporte des preuves de terrain plus utiles. Elle a porté sur 450 agriculteurs kényans et indique que 83 % utilisaient pour la première fois un service de conseil agricole de ce type, tandis que 87 % ne voyaient aucune bonne solution de remplacement à leur disposition. Sept sur dix ont déclaré avoir suivi une recommandation de Farmer.Chat au cours des trente jours précédant l'entretien. 61 % ont été classés comme « utilisateurs à engagement significatif », contre une valeur de référence kényane de 27 % dans l'étude plus large de 60 Decibels consacrée aux outils agricoles numériques [SRC042].

L'évaluation a tenté d'aller au-delà de la simple question de savoir si les utilisateurs estimaient avoir bénéficié du service. Les chercheurs ont relié les trois dernières questions enregistrées de chaque agriculteur aux actions dont celui-ci se souvenait lors de l'entretien. 96 % se rappelaient au moins une question, 66 % ont déclaré avoir agi à la suite d'une réponse et, parmi ce groupe, 80 % ont décrit une action entièrement ou partiellement conforme à la recommandation enregistrée [SRC042].

Ces éléments sont plus solides qu'un nombre de téléchargements, mais exigent toujours une interprétation prudente. L'étude a été menée dans un seul pays, reposait en grande partie sur le souvenir et les déclarations des participants, et ne constituait pas un essai agricole randomisé mesurant le rendement, le bénéfice, la sécurité des pesticides ou la justesse du diagnostic. La concordance entre l'action d'un agriculteur et le conseil démontre que ce conseil a influencé le comportement ; elle ne démontre pas nécessairement que le conseil lui-même était correct. Il faut notamment relever que 99 % des participants ont qualifié les recommandations du système de dignes de confiance. Une confiance élevée peut favoriser l'adoption, mais devient un risque si elle progresse plus vite que la capacité du système à détecter l'erreur, à s'abstenir et à transmettre le cas à un niveau supérieur.

Les ressources ouvertes associées au projet révèlent une autre dimension de sa maturité. Digital Green a publié un jeu de données contenant environ 1,45 million de paires de questions d'agriculteurs et de réponses générées entre août 2024 et juin 2026, après suppression des noms, numéros de téléphone et autres identifiants personnels [SRC043]. Ce jeu de données est utile pour étudier les types de questions, les cultures et les thèmes récurrents, mais il ne constitue pas en lui-même un « jeu de données de vérité terrain » : ses réponses ont été générées par une machine, et sa fiche descriptive précise que la sélection a porté sur des messages lancés par des utilisateurs ayant choisi l'anglais. À lui seul, il ne peut donc établir la qualité du système dans les seize langues.

Une bibliothèque ouverte destinée à gérer les instructions (prompts) de Farmer.Chat dans les modèles d'OpenAI, de Gemma et de Llama a également été publiée. Elle comprend des outils pour décomposer une réponse en affirmations vérifiables, évaluer leur précision et leur pertinence, les comparer à des faits de référence et détecter les contradictions [SRC044]. Il s'agit d'un pas utile vers une évaluation systématique, mais le dépôt représente un composant de gestion et de test des instructions, non le code complet du service de production. Ni l'architecture interne complète du service ni son niveau ultime de sécurité ne peuvent être déduits de ce seul dépôt.

L'interface vocale, aussi importante soit-elle pour les utilisateurs peu alphabétisés, reste l'un des maillons les plus difficiles du système. Une prépublication de 2026 a évalué 10 934 enregistrements agricoles en hindi, en télougou et en odia au moyen de plusieurs modèles de reconnaissance automatique de la parole. Le meilleur taux d'erreur sur les mots en hindi était de 16,2 %, tandis que le meilleur résultat en odia demeurait à 35,1 % et n'était obtenu qu'avec séparation des locuteurs [SRC045]. En pratique, cela signifie que la « prise en charge vocale » n'offre pas une capacité égale dans toutes les langues. Un système peut comprendre assez correctement une langue riche en ressources, mais mal entendre le nom d'un pesticide, d'un organisme nuisible ou d'une unité de mesure dans une langue disposant de moins de ressources. En agriculture, une seule lettre peut changer une substance, une dose ou une maladie. Le système doit donc afficher ce qu'il a compris et permettre à l'utilisateur de le corriger avant que cette interprétation ne devienne une recommandation.

L'étude de 60 Decibels indique également qu'environ 10 % des agriculteurs participants ont rencontré un problème, notamment de lenteur, de mise à jour, de reconnaissance d'image ou de réponses trop longues ou trop complexes [SRC042]. Il ne s'agit pas d'un jugement complet sur le service, mais d'un rappel : une « réponse correcte » ne suffit pas si elle arrive trop tard, s'exprime dans un langage inaccessible ou repose sur une image que le système n'a pas correctement comprise.

La confidentialité n'est pas une question périphérique. La politique de Digital Green précise que l'organisation peut traiter les images, vidéos, données de localisation, interactions avec le robot conversationnel et informations sur l'appareil de l'utilisateur ; recourir à des prestataires d'analyse, de robots conversationnels, d'informations météorologiques et de diagnostic des organismes nuisibles et des maladies ; et éventuellement transférer des données au-delà des frontières. Cette politique permet aux utilisateurs de demander l'accès, la rectification ou la suppression conformément au droit applicable, mais lie la conservation aux finalités et aux obligations légales au lieu de fixer une durée unique pour tous les types de données [SRC046]. Dans un contexte agricole, une image, un lieu et une question peuvent révéler davantage qu'il n'y paraît immédiatement : la culture, l'état du champ, la saison de production et peut-être la situation économique du propriétaire.

Principaux atouts de Farmer.Chat :

• Il peut fournir un accès aux connaissances plus rapide que l'attente de la visite d'un agent de vulgarisation dans les zones mal desservies.
• Il accepte les questions par la voix, le texte et les images, ce qui importe lorsque les niveaux d'alphabétisation varient.
• Il prend en charge des langues locales et un contexte sensible au lieu au lieu de s'appuyer uniquement sur l'anglais ou sur des conseils génériques.
• Sa version la plus récente demande certaines informations de clarification avant de répondre.
• Il se relie aux réseaux de vulgarisation et à des partenaires locaux au lieu de se présenter comme un modèle de langage isolé.
• Il a rendu certaines données et certains outils d'évaluation accessibles à la recherche et à l'examen publics.
• Il dispose d'une étude d'utilisateurs relativement indépendante de l'équipe du produit, et pas seulement de chiffres de téléchargement ou de témoignages promotionnels.

Principales limites et principaux risques :

• Les preuves disponibles sont plus solides sur la portée, l'engagement et les actions déclarées que sur la justesse des conseils ou leurs effets sur le rendement et le revenu.
• L'étude kényane n'établit pas une exactitude égale entre les pays, les cultures ou les langues.
• La reconnaissance des dialectes et des termes agricoles prononcés demeure inégale, particulièrement dans les langues disposant de moins de ressources.
• Le diagnostic à partir d'une seule image peut être affecté par l'éclairage, l'angle de prise de vue, la ressemblance entre les symptômes et l'absence d'informations sur le sol et la météo.
• Certaines réponses peuvent être trop longues ou trop complexes pour leurs utilisateurs visés.
• Une confiance élevée des utilisateurs rend une erreur éventuelle plus lourde de conséquences, et non moins.
• La personnalisation par le lieu, les images et la voix accroît la valeur du service tout en augmentant la sensibilité des données à protéger.
• Le conseil automatisé ne doit pas se substituer à un vétérinaire ou à un agronome lorsqu'un cas implique un diagnostic critique, un pesticide, un médicament ou une dose ayant des conséquences sanitaires ou juridiques.

Niveau actuel des preuves : Un service opérationnel dont la portée est déclarée, étayé par une étude d'utilisateurs géographiquement limitée et par des ressources de recherche ouvertes. Dans les sources examinées ici, il ne dispose pas encore de preuves indépendantes suffisantes d'une exactitude agricole générale ni d'un effet causal durable sur le rendement et le revenu dans tous les pays et toutes les langues.

Ce que l'exemple préserve : La valeur du dialogue multimodal, de la langue locale et des liens avec les réseaux de vulgarisation, ainsi que l'importance de mesurer si les utilisateurs ont compris le conseil et l'ont mis en pratique.

Ce qui ne peut pas être déduit : Que chaque réponse est correcte ; qu'une image suffit à établir un diagnostic ; que la prise en charge est équivalente entre les langues ; ou qu'un usage accru signifie automatiquement une production ou un bénéfice plus élevés.

GAIA — Un programme de construction du conseil génératif, et non une application unique

Le nom GAIA peut évoquer un autre robot conversationnel concurrent de Farmer.Chat, mais cette interprétation réduit la portée du projet. Ici, GAIA signifie Generative AI for Agriculture Advisory, un programme de recherche et développement dirigé par l'IFPRI en partenariat avec CABI, Digital Green, SCiO et l'Université de Floride, avec le soutien de la Fondation Gates et du ministère britannique des Affaires étrangères, du Commonwealth et du Développement. La page du projet de CABI indique que le programme s'étend d'avril 2024 à mai 2027 [SRC047][SRC048].

GAIA ne commence pas par demander : « Quel modèle de langage devons-nous utiliser ? » Il part d'une question plus profonde : « Quelles conditions rendent les conseils agricoles générés exacts, intelligibles, équitables et licites ? » Son travail ne se limite donc pas à une interface conversationnelle. Il englobe la préparation, l'octroi de licences et la gouvernance des contenus agricoles ; l'étude des modalités de transmission du conseil ; l'élaboration de normes d'évaluation des modèles ; l'analyse des biais liés au genre et à la langue ; et la mise en relation des réponses avec la météo, les données de télédétection, les images et les relevés historiques.

Au cours de sa première phase, CABI a créé une infrastructure permettant aux partenaires d'utiliser 463 documents agricoles examinés par des experts selon des conditions de licence définies. Un prototype fondé sur les contenus de CABI a été testé sur la banane et la tomate au Kenya, ainsi que sur la banane et le riz en Inde. Les essais ne visaient pas un public anonyme en ligne : les participants comprenaient des agents de vulgarisation, des « médecins des plantes », des représentants d'organisations de producteurs et des organismes agricoles [SRC048][SRC049].

Les documents du projet indiquent que deux ateliers au Kenya ont réuni quarante participants dans les comtés de Nakuru et de Taita Taveta, tandis qu'un atelier en Inde comptait quarante et un participants, dont treize femmes. Des tâches guidées et libres ont servi à évaluer l'utilisabilité de l'interface, la qualité du dialogue ainsi que la pertinence et l'exactitude des réponses telles que perçues par les utilisateurs. Une partie des essais a aussi été menée dans des cliniques des plantes au Kenya afin d'observer le modèle dans un environnement moins contrôlé qu'un atelier de formation [SRC049].

La page du projet indique que plus de 90 % des personnes ayant participé aux essais ont déclaré qu'elles utiliseraient régulièrement l'outil [SRC048]. C'est un signal encourageant d'acceptation, mais il ne revient pas à mesurer l'exactitude agricole ou l'impact au champ. L'intention d'utiliser est un résultat perceptif qui peut être influencé par la nouveauté ou la facilité d'emploi. Le résumé de la page ne fournit pas non plus assez de détails sur le dénominateur, la répartition des participants, les différences entre pays et cultures ou la méthode employée pour vérifier indépendamment chaque réponse.

La deuxième phase, d'avril 2025 à mai 2027, vise à élargir les contenus fiables, à constituer une collection commune de connaissances, à développer des outils normalisés pour tester les performances des modèles et à intégrer des données en temps réel et multimodales telles que la météo, la télédétection, les images et les relevés historiques. Elle comprend également des analyses juridiques au Kenya, en Inde et en Éthiopie, des recherches sensibles au genre et des essais de terrain plus étendus [SRC048].

L'une des contributions importantes de GAIA consiste à traiter les droits sur les contenus comme une composante de la sécurité du conseil. Des connaissances agricoles exactes n'apparaissent pas de nulle part ; elles sont le fruit du travail de scientifiques, de professionnels de la vulgarisation, d'institutions et de communautés locales. Dans le cadre du programme, CABI a élaboré un modèle de licence pour les contenus destinés à l'intelligence artificielle qui précise les droits d'utilisation, l'attribution à la source, les limites de l'usage commercial et la protection de la propriété intellectuelle d'origine [SRC050][SRC051]. Cette démarche répond à un problème récurrent des systèmes génératifs : une réponse peut sembler gratuite alors qu'elle a été construite à partir d'un contenu sans que son titulaire ait eu la possibilité de consentir à cet usage, d'être cité ou d'en retirer un avantage.

La gouvernance n'élimine pas automatiquement le risque. Le rapport du programme sur les risques et l'éthique relève des préoccupations concernant la mauvaise représentation des données, l'opacité des modèles, la confidentialité, les déséquilibres de pouvoir entre les développeurs du système et les détenteurs des connaissances, ainsi que la marginalisation possible des savoirs traditionnels. Le rapport est lui-même classé comme littérature grise ayant fait l'objet d'un examen interne et fournit le socle d'un outil éthique encore en développement. Il doit donc être considéré comme un cadre important, et non comme une certification externe attestant que tous les risques ont été résolus [SRC052].

Principaux atouts de GAIA :

• Il traite le conseil génératif comme un système institutionnel associant connaissances, technologie, licences et évaluation, et non comme une seule interface conversationnelle.
• Il utilise des contenus agricoles sélectionnés et examinés au lieu de reposer entièrement sur les connaissances générales d'un modèle.
• Il associe des agents de vulgarisation, des médecins des plantes et des utilisateurs à la conception et aux essais.
• Il inclut l'exactitude, la pertinence locale, l'attribution et l'équité entre les genres parmi ses objectifs d'évaluation.
• Il travaille à des outils normalisés susceptibles de servir à plusieurs applications ou organisations.
• Il reconnaît que les contenus scientifiques comportent des droits et des coûts, et cherche un modèle de licence qui concilie l'accès et la protection de la source.
• Il prévoit d'intégrer la météo, l'imagerie et les données de télédétection, ce qui peut relier plus étroitement une réponse au lieu et au moment du champ.

Principales limites et principaux risques :

• GAIA est un programme de recherche et développement, et non un produit achevé unique pouvant être évalué comme une application uniforme.
• La plupart des résultats publiés à ce jour concernent des prototypes, l'acceptation et la gouvernance plutôt que des effets à long terme sur le rendement ou le revenu.
• Les premiers essais ont porté sur un nombre limité de pays, de cultures et de participants ; beaucoup de participants étaient des agents de vulgarisation ou des spécialistes, et non un échantillon représentatif de tous les agriculteurs.
• La volonté d'utiliser l'outil indique une acceptation initiale, non la justesse du diagnostic ni la sécurité de la recommandation.
• Certaines capacités avancées — notamment l'intégration étendue de données en temps réel et multimodales ainsi que les outils normalisés d'évaluation comparative — sont des objectifs de la deuxième phase, et non des résultats déjà achevés.
• L'élargissement de contenus fiables entraîne des coûts permanents de rédaction, d'examen, d'octroi de licences et de mise à jour.
• Une dépendance excessive à l'égard des contenus institutionnels peut marginaliser des savoirs locaux valides s'il n'existe aucun mécanisme équitable pour les intégrer, les attribuer et les examiner.
• Une bonne gouvernance améliore la sécurité mais ajoute du temps, des coûts et de la complexité ; sans financement durable, les outils peuvent rester expérimentaux.

Niveau actuel des preuves : Un programme de recherche multipartenaire doté de prototypes documentés, de tests utilisateurs, de travaux de gouvernance et d'instruments de licence, tandis que les résultats plus larges de la deuxième phase et l'impact agricole comparatif restent en cours de développement et d'évaluation.

Ce que l'exemple préserve : Un conseiller agricole responsable ne se construit pas à partir du seul modèle, mais aussi de contenus qualifiés, de licences, de l'attribution, d'essais et de la participation des professionnels de la vulgarisation et des agriculteurs.

Ce qui ne peut pas être déduit : Que GAIA est un produit commercial achevé ; que son prototype convient à chaque culture et à chaque pays ; ou que l'acceptation déclarée prouve la justesse de ses réponses ou une amélioration du rendement et du revenu.

Aladdin AgroGenie — Une recherche agricole médiée par les preuves au sein de l'écosystème Aladdin

La question d'un agriculteur prend rarement la forme d'une requête structurée. Lorsqu'une personne demande : « Quelle quantité d'eau dois-je apporter cette semaine ? », elle ne veut pas une liste de liens. Elle veut une information sur laquelle agir, accompagnée d'une source, d'une date et d'un contexte permettant de la réexaminer si le temps change ou si le sol diffère. Or les connaissances agricoles sont réparties entre des tableaux statistiques, des entrées de glossaire, des bulletins de vulgarisation, des documents techniques et des registres locaux, et ces sources n'emploient pas toujours les mêmes noms, unités ou relations.

Aladdin AgroGenie cherche à combler cette lacune en tant que couche gouvernée de recherche et de récupération au sein de l'écosystème Aladdin, et non comme un modèle de langage général qui saurait tout. Le paquet actuel se présente comme la version v4.2-developed et décrit un parcours qui commence par la détection de la langue et la normalisation des chiffres, des unités et des termes ; se poursuit par la reconnaissance de l'intention agricole et la mise en relation des noms de cultures, d'indicateurs et de lieux avec des identifiants stables ; puis construit une requête unifiée afin d'interroger des sources gouvernées, notamment les données AgriStat, le glossaire agricole et le parcours RAG relié à Chat V2 [IMP13].

Si un utilisateur arabophone écrit, par exemple, « إنتاج البطاطا في تركيا عام ٢٠٢٤ » (« production de pommes de terre en Türkiye en 2024 »), le système ne doit pas s'appuyer sur la seule ressemblance verbale. Il doit normaliser les chiffres, relier des variantes régionales comme « البطاطا » et « البطاطس » à l'entité visée, distinguer la production de la superficie ou du rendement, et préserver le pays, l'année et l'unité. Après récupération, les résultats passent par des contrôles d'approbation, de statut de publication et de provenance. Une empreinte des preuves est ensuite créée et les résultats sont classés avant que la réponse ne soit formulée dans la langue de l'utilisateur.

Le paquet prend en charge dix langues dans ses tests : l'arabe, le turc, l'anglais, l'indonésien, le malais, le chinois, le français, l'espagnol, l'ourdou et le persan. L'extraction de l'intention commence autant que possible par des règles déterministes et ne fait appel à l'intelligence artificielle qu'en cas de besoin. Lorsque l'IA est nécessaire, l'opération passe par AiBridge ; le résultat est rejeté si ce composant est indisponible ou renvoie une réponse vide ou invérifiable. La couche d'indexation empêche également les enregistrements non approuvés ou non publiés d'entrer dans les résultats de recherche publics ou dans le contexte de Chat V2 [IMP13].

L'architecture prend en charge trois modes de migration :

• Mode shadow : AgroGenie s'exécute en arrière-plan à des fins de comparaison et d'observation, tandis que l'utilisateur continue de voir l'ancienne réponse.
• Mode delegate : AgroGenie devient le parcours principal, avec un retour à l'ancienne voie s'il échoue selon des règles définies.
• Mode enforcement : Le parcours gouverné devient l'unique parcours ; si la source est absente ou que la vérification échoue, le système renvoie « source indisponible » au lieu de compléter la réponse par conjecture.

Cette progression n'est pas un détail opérationnel mineur. C'est un moyen d'introduire, par étapes mesurables et réversibles, un système susceptible d'influencer des décisions. Le mode shadow révèle les différences sans y exposer les utilisateurs ; le mode delegate éprouve la stabilité avec un filet de sécurité ; et le mode enforcement empêche un retour silencieux vers un parcours moins gouverné.

Le 18 septembre 2026, les tests disponibles dans le paquet actuel ont été exécutés directement sous PHP 8.5.6. Le test du prototype a validé 104 requêtes couvrant dix langues, des formulations multiples, des fautes d'orthographe et des barrières relatives à l'injection, à la provenance, à l'examen linguistique et à la défaillance d'AiBridge. Le test d'exécution isolé a validé 149 contrôles, les contrôles de validation de la phase neuf en ont validé 196 et le garde-fou des frontières entre composants en a validé 33, sans échec ni test ignoré. Certains contrôles se chevauchent parce que le test de la phase neuf appelle des tests subsidiaires ; ces chiffres ne doivent donc pas être additionnés et présentés comme un nombre unique de tests indépendants [IMP13].

Ce résultat modifie la manière dont la limite du texte antérieur doit être décrite. Dans l'ancien paquet Koot-EL-Kuloob-2.1.39, les tests d'AgroGenie s'arrêtaient parce que deux fichiers de cache requis manquaient. Le même arrêt ne s'est pas reproduit dans le paquet actuel v4.2-developed, et les quatre groupes de tests décrits ci-dessus se sont tous achevés avec succès. Cela ne signifie pas que le défaut a été corrigé dans le paquet historique lui-même ; cela signifie que l'ancien jugement ne doit pas être reconduit sans changement pour la version actuelle.

Ces tests ne valent toutefois pas fonctionnement en production. Les documents mêmes du projet indiquent que les tests de requêtes réelles sur la base de données WordPress, d'une connexion active au fournisseur par AiBridge, du fonctionnement d'Action Scheduler, du comportement du navigateur et de l'interface, ainsi que de charges de cent mille ou d'un million d'enregistrements restent reportés jusqu'à la disponibilité d'un environnement WordPress actif. Le rapport d'audit décrit précisément la situation : la vérification locale du code est achevée, mais les preuves issues d'une base de données réelle et du navigateur n'ont pas encore été vérifiées ; un déploiement dans un environnement de préproduction (staging) est recommandé afin de compléter les preuves opérationnelles [IMP13].

La barrière aladdin_agrogenie_enabled demeure elle aussi fermée par défaut, tandis que le mode de fonctionnement revient à shadow si aucun autre mode n'est indiqué. L'existence du code et des tests n'établit donc pas qu'AgroGenie est actif dans chaque installation du produit ni qu'il modifie la réponse présentée à l'utilisateur.

Principaux atouts d'AgroGenie :

• Il sépare la compréhension de la question, la récupération des preuves et la formulation de la réponse.
• Il relie les termes locaux à des identifiants stables au lieu de se fier uniquement à une correspondance littérale.
• Il récupère l'information dans des sources approuvées et publiées, et empêche les données en attente d'approbation ou placées en quarantaine d'atteindre l'utilisateur.
• Il conserve avec le résultat la source et l'empreinte des preuves, ce qui permet l'examen et la reconstitution.
• Il utilise l'intelligence artificielle par l'intermédiaire d'AiBridge au lieu de se connecter à un fournisseur externe par un parcours non gouverné.
• Il progresse de l'observation à la délégation puis à l'application, au lieu d'entrer directement dans un parcours lourd de conséquences.
• En mode enforcement, il refuse toute réponse lorsque aucune source n'est disponible, au lieu de transformer l'absence de connaissances en une réponse assurée.
• Il limite la quantité de preuves envoyées à Chat V2, réduisant ainsi la surcharge du contexte et le mélange des sources.
• Dans le paquet actuel, il a réussi les tests locaux portant sur les langues, la gouvernance, l'intégration et les frontières entre composants.

Principales limites et principaux risques :

• Le projet actuel porte encore l'étiquette d'une version de développement ; il ne constitue pas la preuve d'un service public achevé.
• Les tests actuels sont locaux et isolés ; certains recourent à des doublures de test et à la réflexion sur la structure des classes plutôt qu'à une base de données WordPress et à des services réels.
• Les performances réelles avec une grande base de données, le temps de réponse sous charge et le comportement du navigateur n'ont pas encore été établis.
• La présente revue n'a pas testé de connexion active à un fournisseur d'intelligence artificielle par AiBridge.
• La prise en charge de dix langues dans une matrice de tests n'établit pas, à elle seule, la compréhension des dialectes, de la terminologie rurale ou des erreurs de parole sur le terrain.
• Le système ne peut être meilleur que ses contenus approuvés. Si un glossaire ou un registre statistique est incomplet ou obsolète, la gouvernance peut empêcher les conjectures, mais elle ne peut créer les connaissances manquantes.
• Le refus de répondre en cas d'absence de preuve protège l'utilisateur d'une réponse sans fondement, mais peut réduire la disponibilité. À l'inverse, le parcours de repli du mode delegate améliore la disponibilité tout en réintroduisant les caractéristiques et les limites de l'ancien système.
• Une divergence documentaire doit être corrigée : le README décrit encore le test de la phase neuf comme comportant 150 contrôles, alors que l'exécution actuelle en a réalisé 196. Cela ne change pas la réussite du test, mais montre que la documentation doit être synchronisée avec le paquet avant sa publication.
• Aucune étude de terrain ne démontre encore qu'AgroGenie améliore les décisions, le rendement ou le bénéfice des agriculteurs.

Niveau actuel des preuves : Une mise en œuvre avancée dans le dépôt, qui a réussi des tests locaux directs de recherche, de langue, de gouvernance et d'intégration, mais qui nécessite encore des preuves provenant d'un environnement WordPress actif, des tests du navigateur et des tests de charge, ainsi qu'une évaluation de terrain auprès d'utilisateurs réels.

Ce que l'exemple préserve : Un modèle de recherche agricole qui fait davantage que trouver un texte voisin. Il relie une question à une entité, à un indicateur et à une source ; distingue l'absence de réponse de l'autorisation d'en générer une ; et introduit progressivement le service au moyen de modes observables et réversibles.

Ce qui ne peut pas être déduit : Qu'AgroGenie est activé dans chaque installation ; qu'il a réussi des tests dans un environnement de production actif ; que ses performances sont égales dans les dix langues ; ou que la réussite de tests logiciels établit un impact agricole ou économique sur le terrain.

Que nous apprennent les trois cas ?

Ensemble, ces cas révèlent trois strates complémentaires de maturité. Farmer.Chat montre comment un service peut atteindre les agriculteurs dans leur langue et par un moyen qui leur convient. GAIA montre que la qualité du conseil commence avant la conversation, par la sélection des contenus, les licences et l'évaluation des biais. AgroGenie montre comment construire une couche de recherche qui empêche une réponse de se détacher de sa source.

Mais tous trois partagent une règle : la valeur d'un conseiller agricole ne se mesure pas à la fluidité de son discours, mais à sa capacité de comprendre le contexte, de divulguer ses sources, d'énoncer les limites de sa confiance, de s'abstenir lorsqu'il ne dispose pas de preuves suffisantes et de transmettre la décision à un être humain lorsque les conséquences d'une erreur dépassent ce que le système peut supporter.

8. Mémoire et personnalisation : un contexte qui aide sans devenir une contrainte

Si, à chaque conversation, l'agriculteur doit répéter le nom de la culture, de la parcelle, du stade et du système d'irrigation, le service devient pesant. La mémoire peut rendre la question plus courte et la réponse plus pertinente : elle connaît la parcelle visée, se souvient des opérations antérieures, et compare l'état à ce que l'utilisateur a enregistré une semaine plus tôt.

Mais la mémoire n'est pas un bien absolu. Vous pourriez enregistrer une information erronée, confondre deux saisons, transférer le contexte d'une parcelle à une autre, révéler une conversation sensible, ou utiliser dans l'entraînement des données auxquelles l'utilisateur n'a pas consenti. Différents types de mémoire Doivent être distingués :

Mélanger ces types rend ambiguë l'expression « le système se souvient ». L'utilisateur doit savoir ce qui est enregistré, où, pour combien de temps, qui le voit, et comment le supprimer ou le corriger. La mémoire de l'utilisateur n'est pas la source de vérité Si un utilisateur a dit lors d'une session antérieure que sa culture était la tomate, le système ne doit pas supposer que chaque question future concerne la même parcelle ou la même saison. L'utilisateur peut entamer une nouvelle saison, poser une question sur une autre parcelle, ou relayer la question de quelqu'un d'autre.

Les champs importants apparaissent au début de la réponse ou de la question :

Je suppose que vous posez une question sur la parcelle de tomates n° 7 au stade de floraison, d'après le registre de cette saison. Est-ce bien ce contexte que j'utilise ?

Cette confirmation permet de corriger la mémoire avant qu'elle ne conduise la récupération vers des sources inappropriées.

Les registres documentés ont également la priorité sur un résumé langagier périmé. Si la culture change dans le journal de la saison, la conversation ne reste pas accrochée à une déclaration antérieure. La correction tout en préservant l'effet L'utilisateur peut voir et modifier les informations importantes. Si la date de mise en culture ou le nom de la variété est corrigé, le changement, sa raison et la date d'effet sont conservés, car la modification peut affecter des recommandations antérieures ou le calcul du stade.

La mémoire ne se transforme pas en un long texte mystérieux dont l'utilisateur ignore le contenu. Elle s'affiche en champs compréhensibles : parcelle, culture, saison, langue, unité et approbation, avec un bouton pour corriger ou supprimer. Réduire ce qui est enregistré La personnalisation n'exige pas de mémoriser chaque mot. On peut s'en tenir à un minimum qui sert la finalité, en retirant les détails sensibles ou en les gardant brefs. Il peut suffire d'indiquer qu'une question a été transmise à un spécialiste, sans mémoriser une description personnelle qui n'est pas nécessaire au suivi.

La politique précise :

• Ce qui est enregistré automatiquement et ce qui requiert une approbation.
• La durée de conservation pour chaque type.
• Qui y a accès.
• Est-ce inclus dans l'analyse ou l'entraînement ?
• Comment exporter ou supprimer.
• Ce qu'il advient des dérivés et des sauvegardes.

La personnalisation ne justifie pas une discrimination subtile Le système peut utiliser le type de faire-valoir, la localisation ou la capacité à payer pour personnaliser le service. Cela doit être clair et lié à l'utilité, et ne doit pas réduire la qualité des conseils pour une catégorie ni orienter des produits d'une manière que l'utilisateur ne comprend pas. Il convient aussi de vérifier si la mémoire ramène d'anciennes erreurs ou enferme l'utilisateur dans un schéma supposé par le système.

Une bonne mémoire rend le contexte visible et corrigible, distingue le registre d'exploitation vérifié du résumé de conversation, et retient le moins possible. Elle ne prouve pas pour autant que la réponse produite est fondée. Un conseiller doit donc être évalué depuis la récupération et la formulation jusqu'à la sécurité et l'action dans le monde réel.

9. Évaluation : de la qualité du texte à la qualité de la décision

Un système peut rédiger une réponse claire et exempte d'erreurs tout en la fondant sur une source non valide pour le pays. Il peut citer une source valide mais omettre de la réponse une exception décisive. Il peut s'abstenir en toute sécurité, mais dans un langage qui laisse l'utilisateur incertain de la marche à suivre. Évaluer le style ou la similitude avec une réponse de référence ne suffit donc pas.

Les revues [SRC003][SRC010] étayent une carte générale des applications d'aide à la décision et des obstacles à l'accès, mais l'évaluation d'un conseiller particulier exige des tests qui relient la qualité de la récupération, la validité du texte et l'intégrité à la compréhension de l'utilisateur et à l'action qui en résulte. Quatre couches d'évaluation

Une classe ne compense pas la défaillance d'une autre. Une excellente récupération avec une formulation incorrecte ne produit pas une réponse valide, une réponse prudente sans source n'atteint pas la vérifiabilité, et un texte valide que l'utilisateur ne comprend pas ne fonctionne pas comme un conseil. Évaluation du rappel On construit des questions aux sources prévisibles et aux rangs d'autorité clairs, puis on examine :

• La source pertinente est-elle apparue dans les premiers résultats ?
• La source ancienne ou extérieure au pays a-t-elle été exclue ?
• Le titre du tableau, les unités et les avertissements sont-ils récupérés avec la classe ?
• Le système a-t-il trouvé l'exception, ou n'a-t-il récupéré que la règle générale ?
• Le système a-t-il révélé l'absence de source au lieu de combler la lacune ?
• A-t-il préservé la langue et la version correctes ?

La récupération peut échouer même si un passage contient les mêmes mots, parce que ce passage n'a pas l'autorité pour répondre. Évaluer la réponse et le rapport Les spécialistes lisent la réponse et les sources sur lesquelles elle s'est fondée, et demandent :

• Chaque affirmation importante est-elle étayée par le document référencé ?
• Le formulaire a-t-il ajouté un chiffre ou une condition qui n'existe pas ?
• Le domaine, le pays et la date de la source ont-ils été déplacés ?
• La différence entre probabilité et diagnostic a-t-elle été préservée ?
• L'avertissement apparaît-il à côté de l'action qu'il restreint ?
• La langue est-elle compréhensible pour l'utilisateur visé sans platitude déformante ?
• La réponse est-elle plus longue que ce que la situation au champ exige ?

La qualité ne se mesure pas à la longueur de la réponse. Trois lignes accompagnées d'une question de clarification et d'une source peuvent valoir mieux qu'une page entière bâtie sur une hypothèse fausse. Évaluation de la sécurité et de l'abstention La suite de tests a besoin de cas qui tentent de pousser le système au-delà de ses limites :

• Question de dosage sans pays ni produit complet.
• Un produit non homologué dans le ressort requis.
• Deux images se ressemblent pour deux raisons différentes.
• Un infinitif plus ancien est plus clair que l'infinitif actuel.
• Des instructions à l'intérieur d'un document qui tentent d'influencer le modèle plutôt que d'apporter une connaissance.
• Un utilisateur demande de contourner l'étiquette du produit actuellement homologué ou de dissimuler un usage.
• Une situation de santé animale ou de sécurité sanitaire des aliments qui requiert un renvoi.
• Mesure clé manquante dans une question de commande opérationnelle.

Deux types d'erreur sont mesurés :

• Défaut d'abstention : Le système a répondu alors qu'il aurait dû s'arrêter ou transmettre à un niveau supérieur.
• Abstention excessive : Refuser une question à laquelle il était possible de répondre de manière sûre et utile.

L'objectif n'est pas un système silencieux, mais un système qui place ses limites au bon endroit. Du test en laboratoire à l'utilisateur La revue par des experts ne prouve pas à elle seule que l'utilisateur a compris la réponse. On peut tester :

• Les utilisateurs savaient-ils ce que le système avait compris de leur question ?
• Pouvaient-ils identifier la source et sa date ?
• Pouvaient-ils distinguer une étape sûre d'un diagnostic ou d'une prescription ?
• Savaient-ils quelles informations manquaient au système ?
• Pouvaient-ils corriger un contexte erroné ?
• Savaient-ils à qui le cas devait être transmis ?
• Ont-ils accompli l'action prévue, ou compris autre chose ?

L'évaluation peut avoir besoin d'observer le déroulement du travail, et non seulement un questionnaire de satisfaction. L'utilisateur peut apprécier la rapidité de la réponse, mais accomplir une action autre que celle que le texte visait. Jeu de tests réaliste Des questions bien formées, rédigées dans une langue fluide, ne suffisent pas. Le jeu comprend :

• Des questions courtes et ambiguës.
• Des fautes d'orthographe et des noms locaux.
• Des messages vocaux avec bruits et accents.
• Des images incomplètes ou de mauvaise qualité.
• Des questions qui mêlent plus d'une parcelle ou d'une saison.
• Des sources contradictoires ou obsolètes.
• Des données manquantes et des unités ambiguës.
• Une question dont la réponse change d'un pays à l'autre.
• Des tentatives d'obtenir une réponse bloquée par une formulation détournée.
• Des cas qui ne disposent pas d'une source suffisante.

La raison d'inclure chaque cas et le risque qu'il examine sont conservés, afin que l'ensemble ne se transforme pas en une liste de questions à la couverture inconnue. Disparités entre langues et entre groupes Le système peut réussir dans la langue disposant des ressources et de l'entraînement les plus importants, et faiblir dans la langue locale, le dialecte ou la voix d'un utilisateur peu lecteur. Cela ne doit pas être dissimulé dans une moyenne générale.

On affiche pour chaque langue :

• La compréhension de l'intention et des entités.
• La récupération de la source appropriée.
• L'exactitude des termes et des unités.
• Le taux d'invention et d'abstention.
• La transmission réussie à un niveau supérieur.
• La compréhension de l'utilisateur.

Les différences entre utilisateurs d'expérience numérique variable, entre connectivité fiable et intermittente, et entre types de faire-valoir doivent aussi être examinées. Si un service ne fonctionne bien que pour quelqu'un qui rédige une question longue et structurée, il ne répond pas à la réalité du conseil pour laquelle il a été conçu. Suivi après déploiement L'évaluation ne s'achève pas au lancement d'un système. Les sources changent, de nouvelles questions surgissent, et le modèle, l'index ou la traduction changent. Le suivi continu couvre :

• Les questions qui n'ont pas trouvé de source.
• Les sources anciennes qui fournissent encore des réponses.
• Les taux de transmission à un niveau supérieur et d'abstention par langue et par sujet.
• Les corrections des spécialistes et les réclamations des utilisateurs.
• Les cas où la recommandation a été mal comprise.
• La performance modifiée après mise à jour.
• Les accidents, dommages et quasi-accidents.

Un journal des versions est tenu, qui permet de savoir quel modèle, quel index et quelle base de connaissances ont produit chaque réponse sensible. Si une erreur apparaît, les réponses affectées peuvent être identifiées et réévaluées. La réussite tient à la qualité du chemin de décision La réussite ne se résume pas à la satisfaction de l'utilisateur ni au nombre de conversations. Un système peut être une réussite parce qu'il a empêché une prescription non sûre, ou parce qu'il a raccourci le délai pour atteindre un spécialiste, ou parce qu'il a rassemblé un contexte qui a rendu la visite plus profitable. Il peut y avoir un bénéfice à reconnaître tôt que la base de connaissances ne couvre pas un domaine particulier.

Mais la qualité d'un conseiller peut changer radicalement lorsque le réseau s'affaiblit. Si chaque barrière et chaque source sont conçues en supposant une connectivité constante, la protection peut disparaître là où l'agriculteur en a le plus besoin. La connectivité intermittente devrait donc faire partie de la conception et des tests.

10. Concevoir pour une connectivité intermittente

Un utilisateur peut commencer à formuler sa question dans un champ sans couverture, prendre des photos, puis capter le réseau des heures plus tard. Les messages texte peuvent fonctionner alors que l'image ne parvient pas à être téléversée, ou la connexion peut être trop coûteuse pour télécharger un document volumineux. Si le système traite ces cas comme des défaillances rares, il servira les environnements les mieux connectés et pâtira dans les environnements mal connectés. Il n'existe pas un mode unique appelé « hors ligne ». Le service peut être :

• Entièrement connecté et exiger le nuage à chaque étape.
• Capable d'afficher localement des sources stockées et certaines règles de sécurité.
• Capable d'enregistrer la question et les images et de les envoyer plus tard.
• Capable d'effectuer une recherche limitée dans un index local.
• Capable d'exécuter un modèle local pour des tâches déterminées.
• Incapable de vérifier une information changeante telle qu'une homologation ou un prix actuel.

Le périmètre doit être décrit avec exactitude. L'expression « fonctionne hors ligne » ne suffit pas s'il ne peut qu'ouvrir des pages enregistrées, et prendre en charge l'enregistrement de brouillons ne signifie pas disposer d'un conseiller complet sur l'appareil. Que peut-on enregistrer localement ? Selon l'appareil, les risques et les droits, vous pouvez conserver :

• Des règles de sécurité fondamentales qui ne changent pas souvent.
• Des sources sélectionnées de portée locale avec la date de dernière mise à jour.
• Un dictionnaire des cultures, des termes et des unités.
• Le dossier de l'exploitation et les parcelles nécessaires à la tâche.
• Des formulaires de saisie et de contrôle.
• Un petit index de recherche.
• Les questions, brouillons et photos en attente de synchronisation avec le consentement de l'utilisateur.

Les données sensibles ne sont pas stockées sans protection ni nécessité. On applique le chiffrement, les autorisations, et on efface l'appareil à distance ou localement selon la capacité, et l'utilisateur sait ce qui demeure sur son téléphone. L'historique est manifeste pour chaque information changeante Un document d'orientation général peut rester valide malgré son ancienneté relative, tandis qu'un prix, une homologation ou une alerte météorologique peut devenir obsolète rapidement. L'interface affiche donc :

Dernière synchronisation des sources : 10 septembre 2026, à 18:20 État de la connexion : Hors ligne Cette information : est enregistrée localement et peut ne pas refléter une mise à jour postérieure à la dernière synchronisation Action : Vérifiez au retour de la connexion avant une décision structurée ou variable

Le système ne présente pas une information ancienne au présent. S'il ne peut pas vérifier l'enregistrement actuel, il s'abstient de le confirmer jusqu'au rétablissement de la connexion ou à l'examen d'une source locale mise à jour. File de synchronisation sans duplication Lorsque l'appareil enregistre une question ou une image puis la soumet à nouveau, il ne doit pas créer deux copies si l'utilisateur tente de soumettre plus d'une fois. Chaque requête possède un identifiant, et son état est affiché :

• Enregistrée localement.
• En attente de connexion.
• Envoyée.
• Reçue sur le serveur.
• Nécessite un arbitrage de conflit ou une revue.

Si l'utilisateur modifie l'historique sur deux appareils avant la synchronisation, le système ne choisit pas silencieusement la copie la plus récente lorsque la modification est significative. Il affiche la différence ou applique une règle documentée, et conserve l'historique des copies. Fonctionnement sûr en l'absence du nuage La plateforme détermine à l'avance ce qui persiste :

• Consulter l'historique antérieur avec un historique clair.
• Recueillir une nouvelle note localement.
• Dérouler une liste de contrôle fixe.
• Afficher le numéro d'une autorité locale ou des instructions d'urgence approuvées.
• Empêcher une recommandation qui exige une source en direct ou un compte central.
• Reporter une analyse d'image complexe jusqu'à ce que la connectivité soit disponible.

Le système ne doit pas remplacer une récupération échouée par une réponse issue de la mémoire du modèle sans en informer l'utilisateur. Si le circuit gouverné est indisponible, il le dit et ramène le service au niveau local sûr. Conception économe en données La charge de communication peut être réduite ainsi :

• Compresser les images tout en conservant l'original lorsque c'est nécessaire.
• Téléverser d'abord une vignette, puis demander l'original si nécessaire.
• Envoyer le texte et les métadonnées avant les médias volumineux.
• Synchroniser les modifications au lieu de télécharger l'intégralité de la base de données.
• Fournir un son d'une qualité appropriée, pas supérieure au nécessaire.
• Permettre le téléchargement d'un lot par culture ou par région au lieu d'une bibliothèque entière.

Mais la contrainte ne doit pas détruire un détail nécessaire au diagnostic. Le système enregistre la version de l'image utilisée, et demande l'original lorsque la qualité n'est pas suffisante. Test de connexion intermittente Le système est testé selon des scénarios :

• Interruption pendant le téléversement d'une image.
• Une connexion qui revient et disparaît fréquemment.
• Horloge de l'appareil incorrecte.
• Source locale expirée.
• Modification conflictuelle entre deux appareils.
• Espace de stockage saturé.
• Téléphone perdu ou changement d'utilisateur.
• Une demande sensible à laquelle l'index local ne peut pas répondre.

On mesure si des données ont été perdues ou dupliquées, si l'utilisateur connaissait l'état de sa requête, et si les barrières de sécurité sont restées effectives.

Un service solide ne prétend pas disposer d'une connexion inexistante, et ne fait pas non plus de l'absence de réseau une raison de manquer de franchise. Il dit ce qui fonctionne localement, ce qui est en attente, et ce qui peut ne pas être résolu. Lorsque vient le moment de formuler une réponse, il faut une structure cohérente qui aide l'utilisateur à voir la compréhension, les éléments de preuve, le manque et l'étape suivante.

11. Un modèle de réponse responsable

Toute réponse n'exige pas un modèle de la même longueur, mais les décisions sensibles bénéficient d'une structure qui empêche les avertissements et les limites de disparaître à l'intérieur d'un paragraphe. La réponse peut comporter sept parties. 1\. Ma compréhension de la question Le système reformule le contexte décisif en une phrase courte :

Je comprends que vous m'interrogez sur des taches sur les feuilles de votre culture de poivron sous serre, apparues il y a deux jours, et que vous voulez connaître l'étape suivante avant d'utiliser un quelconque produit.

Cette phrase donne à l'utilisateur l'occasion de corriger la culture, l'environnement ou la cible. Ne répétez pas toute la conversation, seulement ce qui change la décision. 2\. Informations disponibles Elle montre ce que disent les sources qualifiées sans développer :

Les sources disponibles indiquent que cette apparence peut être associée à plus d'une cause, et ne peut pas être distinguée à partir d'une brève description seule.

S'il existe une source officielle locale valide, le système la nomme ainsi que son périmètre. Si l'information est générale, le système la décrit comme générale. 3\. Qu'est-ce qui manque ? Elle exige moins d'informations sur les changements de parcours :

J'ai besoin d'une photo des deux faces de la feuille, d'une photo de la plante entière, d'une description indiquant si les symptômes sont généralisés ou commencent en un point, et du nom du pays ou de la région.

Elle explique pourquoi si la raison n'est pas claire pour l'utilisateur. 4\. Étapes sûres dès maintenant Elle propose des procédures à faible risque qui n'exigent pas un diagnostic inexistant :

Documentez les plantes atteintes et leur emplacement, revoyez l'historique d'arrosage et les traitements récents, et évitez d'appliquer un produit non déterminé avant vérification. Si l'état s'étend rapidement, préparez un échantillon ou contactez un spécialiste local.

Ce qui est sûr varie selon la situation ; il n'existe pas de liste fixe valable pour toute maladie, tout animal ou tout aliment. 5\. Ce que je ne peux pas décider Elle pose clairement la limite :

Je ne peux pas déterminer une substance, une dose, ni confirmer un diagnostic à partir des informations actuelles, et je ne dispose pas encore d'une source d'homologation valide pour votre pays et votre produit.

Cette phrase vient avant tout texte qui pourrait être compris comme des instructions, et non après lui. 6\. Source, historique et périmètre Elle affiche :

• Le nom de l'entité et du document.
• La date de publication ou de révision.
• Le pays ou le domaine.
• L'emplacement de l'information.
• Le texte est-il un original ou une traduction ?
• Un lien ou un mode d'accès si cela est permis.

Si le service est hors ligne, la date de la dernière synchronisation apparaît. 7\. escalade et suivi Elle détermine la destination et l'étape :

Si les symptômes apparaissent sur une large surface en peu de temps, ou si le fruit est atteint, contactez aujourd'hui un service de vulgarisation agricole ou un spécialiste local de la protection des plantes. Envoyez-leur des photographies, la date à laquelle l'état a commencé, et les registres d'irrigation et de pulvérisation des deux dernières semaines.

Elle permet ensuite d'enregistrer ce qui s'est passé, afin que la conversation ne s'achève pas à l'orientation. Exemple complet : « Que dois-je pulvériser ? » Le système peut répondre :

Ma compréhension de la question : Vous souhaitez choisir un traitement pour des taches foliaires sur tomate, mais je ne dispose pas encore d'un diagnostic confirmé ni du nom du pays et du produit.

Informations disponibles : Les taches foliaires peuvent avoir des causes pathologiques et non pathologiques, et le traitement et l'homologation varient selon la cause et le lieu. Une seule photographie ou un nom générique de symptôme ne suffit pas pour choisir une substance en toute sécurité.

Ce dont j'ai besoin : Pays ou région, stade de la culture, photographies nettes des deux faces de la feuille et de la plante entière, description de la répartition des symptômes, et noms des traitements récents.

Étapes sûres dès maintenant : Documentez les emplacements atteints, évitez de déplacer outils ou feuilles entre les zones sans nettoyage approprié, et revoyez l'historique d'irrigation, d'aération et de traitement. Si l'état se propage rapidement, contactez aujourd'hui un spécialiste local.

Ce que je ne peux pas décider : Je ne peux pas choisir un produit ni une dose, ni confirmer une maladie, avant que le diagnostic ne soit complet et que l'homologation locale et l'étiquette approuvée en vigueur du produit n'aient été vérifiées.

Source : Aucune source locale valide n'a encore été récupérée, car le pays et le produit ne sont pas précisés.

Étape suivante : Transmettez les informations demandées, ou partagez ce résumé avec un vulgarisateur en protection des plantes.

Cette réponse ne laisse pas l'utilisateur seul et ne lui donne pas non plus une ordonnance faite de mots. Elle transforme une question générale en un parcours de collecte d'éléments de preuve et d'escalade du cas. Le modèle est adaptatif et ne se transforme pas en texte automatisé Pour une question pédagogique simple, une définition, un exemple et une source peuvent suffire. En cas d'urgence, l'étape sûre et l'escalade viennent en premier. Dans une interface vocale, le résumé est lu à voix haute et l'on demande ensuite à l'utilisateur s'il souhaite les détails.

L'important est que les sept fonctions demeurent présentes selon le besoin : compréhension, éléments de preuve, manque, étape sûre, limite, source et escalade. Ainsi, la réponse passe d'un texte d'apparence experte à un outil de travail que l'on peut réexaminer et suivre.

Résumé du chapitre

Les services de conseil agricole numériques commencent non pas par la capacité d'un modèle à parler, mais par la capacité du système à reconnaître qu'une question est incomplète. Un seul mot peut dissimuler une culture, un stade de développement, un pays, un diagnostic, un produit, une condition météorologique et une conséquence. Un conseiller responsable ne comble pas ces lacunes seul ; le système les rend visibles, demande ce qui changerait la décision, et ajuste le degré d'assistance aux éléments de preuve disponibles et au risque.

Une base de connaissances n'est pas un dépôt de fichiers. Chaque document a besoin d'une identité, d'une autorité, d'une date, d'un périmètre et de droits, tandis que le découpage doit préserver les titres, les tableaux, les notes de bas de page et les exceptions. Un paragraphe correct détaché de sa culture, de son unité ou de sa juridiction peut devenir un élément de preuve erroné dans une réponse élégamment formulée.

La génération augmentée par récupération (RAG) offre un chemin d'une question vers des sources actuelles et gouvernées, mais elle ne confère pas une autorité qu'une source ne possédait pas déjà. Sa valeur provient des garde-fous : comprendre le contexte, classer le risque, filtrer selon l'autorité et l'actualité, vérifier les conflits, contraindre la synthèse et conduire une revue de sécurité. Si le système ne trouve aucun élément de preuve valide, reconnaître la lacune est un résultat professionnel, non un défaut que le modèle devrait dissimuler.

Le langage naturel est un outil à double tranchant. Il rapproche la connaissance des agriculteurs et permet de poser des questions en dialecte ou par la voix, mais il peut altérer un nom, une unité ou une négation décisive. Le système préserve donc ce que l'utilisateur a dit, affiche ce qu'il a compris, relie un terme local à un concept de référence sans l'effacer, et demande confirmation lorsque l'ambiguïté changerait l'action.

L'incertitude n'est pas une faiblesse stylistique à dissimuler. Elle peut résider dans la question, l'image, la source, ou le transfert vers une nouvelle région. Une réponse mûre énonce ce que l'on sait, ce que l'on ne sait pas, pourquoi la lacune importe, quelle mesure ou quelle information est nécessaire ensuite, et qui détient l'autorité. Une abstention responsable ne ferme pas le chemin ; elle place l'utilisateur sur une voie plus sûre vers une mesure, une source ou un spécialiste.

Les cas démontrent l'importance des niveaux de preuve. Farmer.Chat dispose de preuves d'un fonctionnement institutionnel et d'une évaluation auprès de 450 agriculteurs au Kenya, tandis que l'exactitude agricole générale et l'impact causal restent non établis [SRC039]–[SRC046]. GAIA dispose de preuves portant sur un programme, des prototypes ainsi que des documents de gouvernance et de licence, tandis que les résultats de sa deuxième phase et son impact étendu au champ sont encore en cours de développement [SRC047]–[SRC052]. AgroGenie associe l'artefact historique du paquet daté du 22 août 2026 [IMP06] au paquet de développement actuel et à ses tests locaux datés du 18 septembre 2026 [IMP13] ; ni l'un ni l'autre n'établissent un fonctionnement en production ou un impact au champ. L'existence du code est un fait, le fonctionnement en est un autre, et l'impact agricole un autre encore.

La mémoire est utile lorsqu'elle préserve le contexte parcellaire et saisonnier et rend ce contexte visible et corrigible. Elle devient dangereuse lorsque le système traite une ancienne conversation comme la source de vérité, conserve des informations sensibles sans finalité, ou les utilise pour l'entraînement général du modèle sans consentement. Une bonne personnalisation réduit la répétition, mais n'enferme pas les utilisateurs dans des informations obsolètes et ne transforme pas la confiance en surveillance.

Un conseiller ne s'évalue pas à l'élégance du texte seule. L'évaluation considère ce que le système a récupéré, comment il en a attribué la source, quand il s'est abstenu, si l'utilisateur a compris l'étape suivante, et quelle action a suivi. Les tests doivent inclure des questions ambiguës, des dialectes, des images manquantes, des sources contradictoires et différents pays, et doivent conserver les résultats pour chaque langue et chaque groupe d'utilisateurs plutôt qu'une moyenne qui dissimule ceux que le service atteint mal.

Dans les environnements à connectivité intermittente, la qualité de la conception devient manifeste. Le système responsable montre ce qui fonctionne localement, l'heure de la dernière synchronisation, ce qui est en attente de réseau, et ce qu'il ne peut pas confirmer. Il enregistre une requête sans la dupliquer, protège les données sur l'appareil, et ne remplace pas une récupération échouée par une réponse non gouvernée issue de la mémoire du modèle.

Le conseil responsable peut se résumer en sept mouvements : comprendre, demander, récupérer, filtrer, expliquer, s'abstenir à la limite, et escalader avec le contexte. Ensemble, ils font du dialogue un pont entre une question incomplète, une source faisant autorité et une action défendable. Sans eux, la fluidité devient une manière plus rapide de dissimuler une hypothèse.

Un système qui répond à tout n'est pas plus intelligent ; il est souvent moins conscient de ses limites. Un système digne de confiance sait que certaines de ses meilleures réponses ne sont pas des prescriptions, mais des questions, des sources, des avertissements ou des orientations opportunes.

Notes sur les éléments de preuve

Les revues [SRC003] et [SRC010] étayent la cartographie générale de l'aide à la décision agricole et des obstacles à l'accès et à l'usage. [SRC039]–[SRC046] documentent Farmer.Chat au moyen de sources d'autorité variable : pages, données et outils du développeur ; étude d'utilisateurs menée hors de l'équipe du produit en partenariat avec Digital Green ; et prépublication non évaluée par les pairs sur la reconnaissance de la parole agricole. Ensemble, ces sources étayent les descriptions des fonctionnalités, de l'usage et des résultats circonscrits de l'échantillon kényan ; elles n'autorisent pas à généraliser l'exactitude ou l'impact causal. [SRC047]–[SRC052] documentent l'identité, les partenariats, les prototypes, les travaux de gouvernance et les instruments de licence de GAIA ; ils n'établissent ni l'efficacité d'un produit achevé ni un impact étendu au champ. [IMP06] conserve l'état du paquet historique d'AgroGenie et sa contrainte d'acceptation, tandis que [IMP13] documente le paquet actuel et les tests exécutés le 18 septembre 2026, sans élever ces preuves au rang de démonstration d'un fonctionnement de WordPress dans un environnement actif ou d'un impact agricole.

Les parcours de questions, les fiches de réponse, les tableaux de garde-fous et l'exemple « Que dois-je pulvériser ? » sont des constructions pédagogiques et de conception montrant comment des services de conseil responsables peuvent être bâtis. Ils ne résultent pas d'une évaluation de terrain ni d'une recommandation agricole ou juridique indépendante.