LA TERRE DES ALGORITHMES

PARTIE I

L'intelligence artificielle et la construction de l'avenir agricole

Du champ à l'algorithme... et retour

Ce volume constitue la Partie I autonome d'un ouvrage plus vaste. Il réunit la Première partie (« Pourquoi la transformation agricole est-elle importante ? ») et la Deuxième partie (« Fondements de l'intelligence artificielle et des données »), soit sept chapitres. Il examine le problème agricole avant la technologie, le niveau de preuve requis pour évaluer les affirmations, les principales familles de méthodes d'intelligence artificielle appliquées à l'agriculture, ainsi que les systèmes de données, l'intelligence géospatiale et la vulgarisation agricole nécessaires à une mise en œuvre responsable.

Cette édition française s'inscrit dans un projet mondial en dix langues qui vise à associer profondeur scientifique et clarté pratique : accessible aux agriculteurs, utile aux spécialistes et attentive aux différences entre milieux et cultures agricoles.

Auteur : Dr Aladdin Ali Docteur en sciences agronomiques — fondateur d'Aladdin International Company

Organisme parrain : PT Aladdin Pertanian Internasional Langue de cette édition : français Édition : Partie I — Première édition — 2026 Date : 20 septembre 2026

Ce livre n'a pas été élaboré à partir d'un document unique ni d'un ensemble fermé de fichiers ou de références. Il est issu d'un processus de recherche, de documentation et de révision conduit en plusieurs étapes : commencé par la collecte de documents scientifiques, techniques et agricoles dans différentes langues, ce travail s'est ensuite élargi, au fil de la rédaction et de l'édition, à des études et revues scientifiques, des rapports d'institutions internationales, des documents officiels et réglementaires, des guides de vulgarisation agricole, des ressources techniques, ainsi que des relevés de mise en œuvre et d'essais liés à certains des systèmes et applications examinés dans l'ouvrage.

Tout au long de ce processus, le simple fait de trouver une source n'a jamais suffi pour la retenir. L'identité, la date, la version et le contexte de chaque source ont été examinés, et les affirmations ont été confrontées à ce que les éléments probants permettaient réellement de soutenir. Lorsque l'origine d'une information ne pouvait être retracée, ou que les preuves étaient insuffisantes, l'énoncé a été circonscrit, le chiffre écarté ou les limites du degré de confiance explicitées, plutôt que de présenter l'information au lecteur comme un fait établi.

Des outils d'intelligence artificielle ont été employés pour certaines tâches d'organisation et de comparaison, pour repérer les répétitions, suivre les différences entre versions, fournir une assistance linguistique et proposer des formulations initiales. Ils n'ont toutefois pas été considérés comme des sources scientifiques et n'ont reçu aucune autorité pour rendre un jugement agronomique ou valider un fait ou une recommandation. La vérification des sources, l'évaluation de la solidité des preuves, l'édition, le choix des formulations et l'approbation finale sont autant d'actes humains, dont la responsabilité incombe entièrement à l'auteur.

Les noms d'entreprises, de produits, d'institutions et de programmes figurent dans ces pages à des fins d'identification, d'analyse et de comparaison, non d'approbation ni de publicité. La mention d'un produit ou d'un système ne constitue pas une recommandation d'achat ou d'utilisation, et son absence ne représente pas un jugement sur sa qualité ou son adéquation. Les noms, les marques commerciales et les droits qui leur sont attachés demeurent la propriété de leurs titulaires respectifs.

Ce livre oriente le lecteur vers les preuves et l'aide à en comprendre et à en examiner les limites ; il ne se substitue toutefois ni à la source originale, ni à l'étiquette officielle du produit, ni à l'autorité réglementaire, ni au laboratoire, ni à un professionnel qualifié de l'agriculture ou de la médecine vétérinaire.

Droits d'auteur © 2026 Dr Aladdin Ali. Tous droits réservés.

Sans l'autorisation écrite préalable du titulaire des droits d'auteur ou de la personne qu'il a habilitée par écrit, il est interdit de reproduire ce livre, en totalité ou en partie, de le copier, de l'imprimer, de le republier, de le distribuer, de le traduire, de l'enregistrer, d'en préparer une version adaptée ou dérivée, de le convertir dans quelque format ou support que ce soit, de le stocker dans un système de recherche d'information ou de le transmettre par tout moyen électronique, mécanique ou autre, y compris la photocopie et l'enregistrement.

Font exception à cette interdiction les citations limitées autorisées par la législation applicable à des fins de critique, de compte rendu, de recherche ou d'enseignement, à condition que l'ouvrage soit correctement cité, que le contexte du passage cité soit préservé, que son sens ne soit pas déformé et qu'il ne soit pas présenté d'une manière laissant entendre que l'auteur ou le titulaire des droits d'auteur approuvent une personne, une institution, un produit ou une opinion qu'ils n'ont pas expressément approuvés.

La citation de tout chiffre, de toute recommandation ou de toute information sensible provenant de ce livre ne dispense pas de l'obligation de consulter la source originale ou l'autorité officielle compétente, et ne transfère pas à l'auteur la responsabilité de l'application de l'information hors de son contexte, après qu'elle a cessé d'être actuelle ou après modification de ses conditions réglementaires ou de son fondement scientifique.

Première édition — 2026

PT Aladdin Pertanian Internasional parraine ce travail, et sa huitième partie présente une étude de cas de la plateforme de l'entreprise. Voilà une relation susceptible de corrompre un livre entier si elle passe sous silence ; elle est donc déclarée ici, au commencement, plutôt que dans une note de bas de page finale.

Un conflit d'intérêts potentiel ne se traite pas par la dénégation, ni par un langage scientifique paisible qui le dissimule. Il se traite par des limites écrites au regard desquelles le lecteur peut demander des comptes au livre. Ces limites sont au nombre de trois :

• Rien n'est attribué à la plateforme sinon ce qu'établit le dépôt de code ou un rapport d'ingénierie daté.
• L'existence du code ne signifie pas que le service fonctionne en production — entre les deux s'étend une distance qu'explique le chapitre trente-deux.
• La plateforme n'est pas utilisée comme preuve d'une supériorité scientifique ou commerciale sur un quelconque autre système.

Le parrain ne détient aucune autorité sur les conclusions de ce livre. Il ne peut faire de l'absence de preuve une preuve de qualité, ni supprimer une limitation parce qu'elle est commercialement gênante. Et lorsqu'une description marketing entre en conflit avec une source primaire ou avec l'état du dépôt de code, la parole revient à l'autorité supérieure et à la description la plus prudente — toujours et sans exception.

Voilà ce que l'auteur peut promettre. Juger si la promesse a été tenue vous est laissé, à la lecture de la huitième partie.

Ceci est un livre qui vous apprend à penser la décision agricole, non un livre qui dicte la décision elle-même.

Il en explicite la logique, analyse les données probantes et aide à concevoir des systèmes. Mais il n'est ni un registre officiel d'homologation, ni une prescription de fertilisation ou d'irrigation pour votre parcelle particulière, ni un diagnostic vétérinaire, ni un substitut à un laboratoire, à un ingénieur agronome, à un vétérinaire ou à une autorité réglementaire.

La confiance qui s'affirme dans le ton des algorithmes peut devenir une dangereuse illusion dès qu'elle entre dans la réalité du champ. Certaines lignes rouges de la décision agricole dépassent les capacités d'un modèle de langage, aussi fluide soit-il : la dose d'un produit chimique, les deux délais de sécurité — le délai avant récolte (DAR ou PHI) et le délai de rentrée (REI) —, le statut légal de l'homologation du pesticide et le prix actuel du produit agricole.

Certains faits sensibles ne doivent jamais être devinés par un système d'intelligence artificielle ni présentés sans source claire : la dose autorisée ; le délai entre la dernière application du pesticide et la récolte ; le délai de rentrée des travailleurs dans une zone traitée ; le statut légal de l'homologation du produit pour la culture et l'organisme nuisible concernés ; et le prix actuel du produit sur le marché.

La dose, les délais avant récolte et de rentrée ainsi que le statut d'homologation doivent être vérifiés sur l'étiquette officielle du produit et dans les instructions de l'autorité réglementaire compétente du pays d'utilisation. Une erreur sur l'un de ces éléments peut endommager la culture, mettre les travailleurs en danger ou laisser des résidus non conformes qui compromettent l'acceptation d'un lot sur un marché d'exportation. Le prix, quant à lui, doit être contrôlé auprès d'une source de marché actuelle et fiable précisant le lieu, la date, la monnaie et la classe de qualité ; un prix ancien ou provenant d'une autre zone peut conduire à une mauvaise décision de vente, d'achat ou de production.

L'intelligence artificielle peut rassembler des observations, ordonner des probabilités, retrouver des éléments de preuve et révéler une régularité qui mérite examen. C'est déjà beaucoup. Mais elle ne fait pas la seule chose que certains pourraient être tentés d'attendre d'elle : transférer la responsabilité juridique et professionnelle de l'être humain vers l'algorithme. La responsabilité ne migre pas par délégation technique.

Pour cette raison, tout système qui mérite la confiance dans un travail agricole sensible sait trois choses à son propre sujet : quand s'abstenir, ce qui lui manque pour répondre, et à qui il transmet la décision lorsque ses conséquences excèdent les limites du système.

Je n'ai pas commencé mon parcours dans l'intelligence artificielle en expert du domaine, ni en développeur connaissant déjà le fonctionnement de ses modèles et de ses outils. J'ai commencé au milieu de l'année 2023 comme un utilisateur novice qui cherchait à comprendre ce que cette technologie nouvelle pouvait réellement accomplir et si elle pouvait véritablement changer notre manière d'apprendre, de travailler et de résoudre les problèmes.

Au départ, ma curiosité était pratique et sans complication. J'ai essayé les outils disponibles comme le ferait tout nouvel utilisateur : en posant des questions, en comparant les réponses et en observant la vitesse remarquable avec laquelle ils produisaient du texte, des images et des analyses. L'émerveillement initial n'est pas resté seul bien longtemps. J'ai commencé à constater qu'une réponse assurée pouvait néanmoins être incomplète, que l'éloquence ne garantissait pas la vérité et que des outils aux interfaces similaires pouvaient différer radicalement par leurs sources, leurs capacités et leurs limites.

À la fin de 2024, l'usage occasionnel ne suffisait plus. J'ai commencé à expérimenter un large éventail d'outils, de moteurs et de plateformes d'intelligence artificielle, à étudier leurs différences et à comparer leur fonctionnement. Comment comprenaient-ils une question ? Comment retrouvaient-ils les connaissances ? Quand répondaient-ils à partir d'une source, et quand comblaient-ils une lacune à partir de ce qu'ils avaient appris auparavant ? Comment traitaient-ils les différentes langues ? Et que se passait-il lorsqu'on leur demandait des conseils spécialisés dans un domaine lourd de conséquences comme l'agriculture ?

L'agriculture était à la fois l'épreuve la plus exigeante et celle qui m'était la plus proche. Je ne la considère pas seulement comme un secteur économique, mais comme une science, une profession et une responsabilité qui touchent l'eau, l'alimentation, le sol, la santé végétale et animale ainsi que les moyens de subsistance de millions de familles. Ici, une erreur ne reste pas enfermée dans un texte affiché à l'écran. Elle peut devenir une dose inadaptée, une irrigation au mauvais moment, un diagnostic trompeur ou un coût qu'un agriculteur ne peut supporter.

En septembre 2025, mon parcours est passé de l'expérimentation et de la comparaison à une étude et une construction plus approfondies. J'ai commencé à travailler sur mon projet le plus vaste : développer un système d'intelligence artificielle spécialisé dans l'agriculture, conçu non seulement pour produire des réponses générales, mais pour relier une question agricole à sa source, à son contexte, à la culture, au lieu, à la langue et aux conséquences de la décision.

L'ambition fondatrice était aussi claire qu'exigeante : les étudiants en agriculture devaient pouvoir accéder entièrement gratuitement à ces connaissances et à ces outils, tandis qu'un agriculteur devait pouvoir bénéficier d'un service agricole intelligent pour un coût cible ne dépassant pas un dollar américain par mois.

Ce chiffre n'était pas un artifice commercial. C'était une question d'ingénierie et d'éthique posée au projet dès son origine. Peut-on construire une technologie agricole avancée sans qu'elle reste réservée aux grandes universités, aux entreprises fortunées et aux exploitations capables de payer des abonnements coûteux ? Les mêmes connaissances peuvent-elles parvenir à un étudiant qui apprend avec des ressources limitées et à un petit exploitant qui ne peut risquer une part importante de son revenu dans un outil numérique qui n'a pas encore été éprouvé dans son contexte ?

J'inscris ici cet objectif comme la finalité qui a guidé la conception et le développement, non comme l'affirmation que chaque composant a déjà été réalisé ou que le prix cible constitue aujourd'hui une offre commerciale disponible dans tous les pays. Ce livre repose précisément sur la distinction entre ce que nous aspirons à faire, ce que nous avons construit, ce que nous avons testé et ce qui a démontré un effet dans le monde réel. Une ambition ne perd pas sa valeur lorsque nous reconnaissons qu'elle reste inachevée ; elle devient plus honnête et plus vérifiable.

L'idée de ce livre est née de ce projet.

Le travail a commencé avec une intention en apparence simple : répertorier les applications de l'intelligence artificielle agricole dans le monde et comparer leurs usages, leur niveau de maturité et leur valeur pour les agriculteurs, les chercheurs et les décideurs. J'imaginais d'abord une collection ordonnée d'applications, d'études et de technologies. Mais à mesure que les dossiers se multipliaient, il est devenu évident que le véritable problème n'était pas le manque d'information, mais la difficulté de distinguer les différentes natures de cette information.

Une vérité éditoriale s'est alors imposée, non moins importante que le sujet même du livre : l'abondance des textes ne signifie pas que le savoir est complet.

J'ai vu des chiffres séduisants passer d'un rapport à un article, d'un article à une présentation commerciale, puis dans une autre langue, perdant en chemin leur source initiale, leurs limites et leurs conditions. J'ai vu le taux de réussite d'une classification d'images présenté comme la preuve qu'un robot avait réussi au champ, une prévision du marché mondial se substituer à l'économie d'une exploitation, un prototype être présenté comme un service mature, la présence de code être interprétée comme une preuve de fonctionnement et une exploitation locale être décrite comme un impact démontré sur la vie des agriculteurs.

J'ai également vu comment la traduction peut porter une erreur plus loin et lui conférer davantage d'autorité. Un chiffre faible ne devient pas plus solide parce qu'il est écrit dans dix langues, et une affirmation sans fondement ne devient pas vraie parce qu'elle figure sur des dizaines de pages. Elle peut au contraire devenir plus dangereuse, car sa diffusion linguistique lui donne une fausse apparence de consensus et de stabilité.

Deux voies faciles s'offraient à moi, et toutes deux conduisaient à une perte.

La première consistait à supprimer tout ce qui soulevait un doute, pour produire un texte bref et extrêmement prudent, apparemment sûr, mais sacrifiant l'utilité, l'ampleur et la mémoire du livre. La seconde consistait à tout rassembler tel que je l'avais trouvé, en conservant les détails, les noms et les chiffres, mais aussi en transmettant leurs erreurs au lecteur sous une forme plus soignée et plus imposante que celle sous laquelle elles m'étaient parvenues.

J'ai choisi une troisième voie, plus difficile et plus lente : retrouver les détails utiles tout en séparant l'idée de l'affirmation, l'existence d'un programme de son efficacité, le succès d'un modèle lors d'un test du succès d'un système dans une exploitation, et un résultat observé dans un cas de sa capacité à s'appliquer à une autre culture, un autre pays ou une autre communauté.

J'ai choisi de conserver un nom lorsqu'il aidait à cartographier le domaine, mais de suspendre un chiffre lorsque je ne pouvais pas remonter jusqu'à sa source ; de ne décrire un produit que dans la mesure où ses preuves le permettaient, et non selon l'étendue des promesses de son marketing ; et de laisser une question ouverte à la recherche lorsque les connaissances étaient incomplètes, plutôt que de la clore par la suppression ou par l'assentiment.

Les pages qui suivent nomment donc des systèmes, des études, des projets et des domaines d'usage. Elles indiquent à leurs côtés le type de preuve disponible, le niveau de maturité, ce que la source autorise à dire, ce qui ne peut pas en être déduit et ce qui reste inconnu ou exige encore une vérification indépendante.

Vous y trouverez moins de chiffres que vous ne pourriez l'attendre dans un livre consacré à l'intelligence artificielle et à l'agriculture. Ce n'est pas parce que l'agriculture numérique manque de mesures, mais parce qu'un nombre détaché de sa tâche, de son contexte, de son environnement et de son comparateur peut davantage induire en erreur qu'expliquer. Une exactitude de 95 % signifie peu tant que nous ne demandons pas : pour quelle tâche, sur quelles données, dans quelles conditions et à quel coût d'erreur ? A-t-elle été comparée à un humain ou à une méthode plus simple ? Le résultat s'est-il maintenu hors du laboratoire ?

Un chiffre sans contexte n'est pas une information ; c'est un ornement.

Vous trouverez également des chapitres sur la cybersécurité, les droits sur les données, le travail, la dépendance envers un fournisseur, la connectivité intermittente, les défaillances en cascade, la protection des savoirs locaux et la possibilité d'exporter ses données et de quitter un service. Ces sujets peuvent sembler éloignés de la question immédiate de savoir comment l'intelligence artificielle pourrait accroître la production ou améliorer une décision. Ils en constituent en réalité le cœur.

Ces conditions déterminent si un système peut continuer à fonctionner lorsque la technologie tombe en panne, que la connexion est interrompue, que le fournisseur change, que l'entreprise ferme ou que l'agriculteur découvre que ses données sont enfermées dans une plateforme qu'il ne peut quitter. Les systèmes agricoles ne sont pas éprouvés seulement durant les jours ordinaires, mais au moment où un élément fait défaut alors que les terres, les plantes et les animaux exigent toujours une décision.

Parce que le savoir ne devient pas accessible du seul fait qu'il existe, le choix des langues de ce livre n'était pas un détail éditorial secondaire. L'ouvrage a été préparé en dix langues choisies pour atteindre des communautés très différentes par leurs cultures, leur expérience agricole, leur degré d'urbanisation et leur développement scientifique, numérique et économique. Comme langues premières ou secondes, elles représentent une portée linguistique indicative équivalant à environ 60 % de la population mondiale, en tenant dûment compte du chevauchement entre locuteurs multilingues.

Le but n'était toutefois pas simplement de rechercher le pourcentage le plus élevé. Ces dix langues relient des universités, des laboratoires et des villes dotés d'infrastructures numériques avancées à des villages et des régions agricoles où la connectivité est limitée ; elles couvrent de grandes économies industrielles comme des communautés pour lesquelles l'accès à la vulgarisation agricole reste une difficulté quotidienne. Elles portent aussi des traditions scientifiques et culturelles, des termes locaux et des savoirs hérités qui ne doivent pas être aplatis par une traduction littérale ou par un vocabulaire normalisé unique.

Je voulais que le livre s'adresse à l'étudiant en agriculture qui entre pour la première fois dans ce domaine ; à l'agriculteur qui recherche une réponse intelligible plutôt qu'une démonstration technique ; à l'ingénieur qui doit comprendre les limites du système ; au chercheur qui interroge les preuves ; au développeur qui construit l'outil ; et au décideur qui assumera la responsabilité de l'approuver ou de le réglementer.

Je ne considère donc pas le multilinguisme comme la reproduction des mêmes mots dans dix interfaces, mais comme une épreuve de sens et de justice. Un système qui fonctionne bien dans une langue peut échouer dans une autre. Une traduction grammaticalement correcte peut être agronomiquement fausse. Le nom d'une plante, d'une maladie ou d'un outil peut préserver dans le savoir local une distinction que le terme standard ne porte pas. Si la technologie ne respecte pas ces différences, elle ne diffuse pas le savoir ; elle diffuse à plus grande échelle une version incomplète de celui-ci.

Ce livre ne prétend pas non plus clore le débat ni porter un jugement définitif sur un domaine qui évolue si rapidement. Il établit un socle ouvert à la critique, à la correction et à la révision, et demande une seule chose au lecteur : toujours distinguer ce qui a été établi, ce qui est apparu dans une étude préliminaire, ce qu'une institution a annoncé au sujet d'un programme, ce qu'un fournisseur a déclaré à propos d'un produit, ce qu'un test logiciel a démontré et ce que je propose comme conception ou comme meilleure voie.

L'existence d'une idée ne prouve pas son succès. L'existence d'un programme ne prouve pas qu'il fonctionne ; le fonctionnement ne prouve pas la sécurité ; et la sécurité technique ne prouve pas que le système a amélioré une décision, économisé de l'eau, accru un revenu ou réduit une perte. Chaque niveau exige ses propres preuves, et toute affirmation possède une limite que le langage ne doit pas franchir.

Au fond, ce livre est le récit d'un parcours qui a commencé au milieu de 2023 par la question d'un utilisateur novice : que peut faire l'intelligence artificielle ? Avec l'expérimentation, l'étude et la construction, cette question est devenue plus difficile et plus importante : que devrait-elle faire, pour qui, à quel coût, sous quelle supervision, et qui assume les conséquences lorsqu'elle se trompe ?

Le projet que j'ai lancé en septembre 2025 conserve toujours sa finalité première : rapprocher les connaissances agricoles intelligentes de ceux qui en ont besoin, et pas seulement de ceux qui peuvent se les offrir ; donner aux étudiants en agriculture un accès gratuit aux outils de l'avenir ; et fournir aux agriculteurs un service qu'ils puissent payer, comprendre, examiner et juger digne de confiance sans abandonner le contrôle de leurs décisions ni de leurs données.

Celui qui sait distinguer les preuves de la promesse, et le savoir de l'ornement, risque moins d'être trompé par un titre brillant, un grand chiffre sans source ou un système qui parle avec davantage d'assurance que ne le justifient ses connaissances. Placez cette capacité entre les mains des étudiants et des agriculteurs, et vous leur donnez plus qu'un outil technique : vous leur donnez un droit plus équitable de participer à la construction de l'avenir agricole.

Le champ n'est pas un ensemble de chiffres sur un écran. C'est une terre qui attend la pluie, une plante qui cherche l'eau par ses racines, un animal dont la santé varie avec l'alimentation et la chaleur, et une famille dont le revenu peut dépendre d'une décision prise en une seule heure. Le sol, le temps, l'eau, les organismes nuisibles, le travail et l'argent y agissent ensemble ; une variation de l'un se transmet aux autres, et un bref retard d'irrigation ou une erreur de diagnostic peut entraîner la perte de toute une saison.

Une décision agricole n'est donc pas un simple choix entre deux réponses ; une image nette, une mesure instrumentale ou une prévision informatique ne peuvent non plus, à eux seuls, la rendre judicieuse. Une bonne décision comprend la terre sur laquelle elle sera mise en œuvre, associe la mesure à l'expérience de l'agriculteur, pèse le coût et les conséquences, et reste ouverte à la révision si le temps change ou si de nouvelles informations apparaissent.

C'est de cette réalité que part notre réflexion sur l'intelligence artificielle : des outils capables de lire d'immenses volumes d'images, de mesures et de relevés, et d'y rechercher des régularités susceptibles d'aider les personnes à comprendre et à anticiper. Mais ces outils ne voient pas le champ comme ceux qui y vivent et n'assument pas les conséquences de leurs propositions. Leur valeur doit donc être mesurée non à l'élégance de la réponse affichée, mais à ce qui advient après sa mise en œuvre. L'eau est-elle arrivée au bon moment ? Le diagnostic était-il fondé ? Les pertes ont-elles diminué ? La décision est-elle restée compréhensible, sûre et sous contrôle humain ?

Une décision agricole peut sembler simple lorsqu'elle est réduite à une courte question : quand dois-je irriguer ? De quelle maladie s'agit-il ? Quelle culture dois-je planter ? Dois-je vendre maintenant ou attendre ? Derrière chaque question se cache un réseau de conditions invisibles dans ses mots. L'humidité du sol ne peut être interprétée indépendamment de sa texture, de sa salinité, de la profondeur d'enracinement et du stade de croissance. Une image nette d'une feuille atteinte ne peut révéler à elle seule la cause du symptôme ni son étendue dans la parcelle. Une prévision de pluie ne détermine pas l'irrigation sans connaître la capacité de rétention en eau du sol. Et la prévision d'une hausse des prix n'efface ni les coûts de stockage, ni le risque de détérioration, ni le besoin de liquidités d'une famille cette semaine.

La question elle-même peut aussi changer de sens d'une communauté à l'autre. L'expression « le sol est sec » peut décrire la lecture d'un instrument dans une exploitation fortement mécanisée, le jugement d'un agriculteur après avoir manipulé la terre, ou l'observation par un éleveur du comportement des animaux et des plantes. Le nom d'une culture, d'une maladie ou d'un stade de croissance peut varier entre village et ville, entre la langue officielle de la vulgarisation et celle du champ, entre un terme scientifique et un nom transmis de génération en génération. L'agriculture intelligente commence donc non par la seule collecte de chiffres, mais par la compréhension du contexte qui leur donne sens.

De là naît la double nature de l'intelligence artificielle en agriculture : immensément utile et immensément dangereuse, pour la même raison.

Sa valeur réside dans le suivi de ce qu'une personne ne peut recueillir et analyser manuellement à temps : des séries d'images satellitaires, prises par drone ou par téléphone ; des mesures de capteurs ; des relevés saisonniers ; des prévisions météorologiques ; des analyses de sol ; les mouvements des prix ; et des connaissances publiées dans de nombreuses langues. Elle peut détecter une régularité à travers des milliers de parcelles, relier un léger changement de la plante à une longue histoire de météo et d'irrigation, et restituer à l'utilisateur une information enfouie dans un rapport, un tableau ou un bulletin de vulgarisation.

Son danger tient à cette même capacité de combiner et de condenser. Un algorithme peut fusionner des signaux de qualité inégale en une réponse élégante et persuasive dont la fluidité masque des données manquantes, une unité perdue, une source obsolète, une image insuffisante pour établir un diagnostic ou une expérience menée sur une autre culture dans une autre région. La réponse peut paraître la plus assurée précisément là où la réalité est la plus incertaine, car un langage soigné ne révèle pas toujours les conditions et les exceptions qui en ont été retranchées.

Voici une distinction que tout lecteur devrait retenir : la fluidité linguistique n'est pas l'exactitude agricole, et l'assurance affichée par un modèle n'est pas nécessairement une probabilité scientifiquement calibrée. Une phrase peut être soignée et persuasive tout en étant fausse sur le fond. Une prévision peut être correcte en moyenne mais inadaptée à la parcelle concernée. Un algorithme peut reconnaître un symptôme sur une image sans parvenir à déterminer une conduite sûre. Entre nommer un problème et savoir ce qu'il convient de faire se trouve un espace rempli par la mesure, l'expérience, la réglementation et la responsabilité.

Ce livre adopte donc une position pratique plutôt qu'idéologique. Il ne demande pas si nous sommes pour ou contre l'intelligence artificielle, et il ne suppose pas que toute nouveauté est meilleure ni que toute tradition est dépassée. Les questions les plus utiles sont les suivantes : où la technologie apporte-t-elle une valeur mesurable ? De quelles données a-t-elle besoin ? Quelles sont les limites de sa validité ? Qui l'examine ? Comment reste-t-elle utile, sûre, équitable et durable lorsque les conditions changent, que la connectivité échoue ou que le modèle se trompe ?

Le récit ne se construit pas autour des chiffres les plus éblouissants ni de démonstrations qui donnent l'impression qu'une exploitation fonctionne d'une simple pression sur un bouton. Il suit l'intégralité de la chaîne de décision, maillon par maillon. D'où viennent les données ? À qui appartiennent-elles ? Comment ont-elles été mesurées et normalisées ? Qu'a-t-on perdu lors du transfert ? Qu'a prédit le modèle, et avec quelle incertitude ? Qui a transformé la prédiction en action ? À quelle autre solution l'a-t-on comparée ? Qu'est-il alors advenu de l'eau, du sol, du rendement, des revenus, du travail et du risque ?

Le livre pose aussi des questions qui occupent rarement une place équivalente dans les présentations techniques. L'agriculteur a-t-il compris la recommandation comme le système l'entendait ? Pouvait-il la contester et corriger ses données ? La source, la date et le périmètre étaient-ils visibles ? L'autorité est-elle restée entre les mains de l'agriculteur, ou a-t-elle silencieusement glissé vers une plateforme impossible à examiner ? Si l'agriculteur choisissait de quitter le service, les données, les relevés et leur signification pouvaient-ils partir avec lui, ou resteraient-ils captifs d'un format fermé et d'un contrat n'offrant aucune véritable sortie ?

Lorsqu'un maillon de cette chaîne se rompt, l'exactitude du modèle ne peut sauver l'ensemble du système. Une prévision peut être correcte mais arriver trop tard ; arriver à temps mais rester incomprise ; être comprise mais se révéler économiquement impossible à appliquer ; ou être appliquée sans que son résultat soit jamais mesuré. L'agriculture intelligente doit donc être évaluée à la frontière entre la décision et son résultat réel, et non à la seule frontière du modèle.

Ce livre s'étend à dix langues soigneusement choisies : l'arabe, l'anglais, le chinois, l'espagnol, le français, l'indonésien, le malais, l'ourdou, le persan et le turc. Les estimations agrégées de leurs locuteurs natifs et non natifs suggèrent une portée linguistique potentielle équivalant à environ 60 % de la population mondiale. Il s'agit d'une indication de l'étendue possible de la sphère linguistique, non d'un lectorat garanti ; elle doit être interprétée avec prudence, car les locuteurs multilingues se chevauchent et ne peuvent être comptés plusieurs fois lorsqu'on estime la portée réelle.

L'importance de ces langues ne réside pas seulement dans les chiffres. Elles traversent des continents, des zones climatiques et des systèmes agricoles profondément différents. Elles relient des communautés rurales et urbaines, des économies industrielles et numériques avancées, des pays en transformation rapide et des régions où l'accès direct à la vulgarisation agricole et aux infrastructures numériques demeure limité. Elles sont parlées par de petits exploitants, des éleveurs pastoraux, des travailleurs agricoles, des chercheurs, des ingénieurs, des entrepreneurs, des étudiants, des responsables publics et des citadins dont la sécurité alimentaire dépend de champs qu'ils ne verront peut-être jamais.

Elles portent également différentes traditions de savoir : depuis les instituts de recherche, les laboratoires et les réseaux satellitaires jusqu'à l'expérience locale qui reconnaît le sol à sa couleur et à son odeur, lit la saison dans le vent et le mouvement des animaux, et préserve les noms des plantes, des maladies et des stades de croissance dans des mots auxquels un dictionnaire standard ne fournit parfois aucun équivalent exact. La traduction n'est donc pas considérée dans ce livre comme le remplacement d'une série de mots par une autre, mais comme le déplacement responsable du sens entre des cadres scientifiques, culturels et professionnels différents.

Le choix de ces langues ne prétend pas qu'elles représentent toute l'humanité, pas plus qu'il ne leur confère une supériorité épistémique sur des milliers d'autres. Il reconnaît que tout projet multilingue reste incomplet s'il ne respecte pas ce qui dépasse son périmètre. Le but est de construire un pont vaste et extensible, non un nouveau centre linguistique qui demanderait à tous les autres de se déplacer vers lui. Un multilinguisme authentique ne consiste pas à faire répéter au système la même phrase dans dix langues. Il consiste à comprendre les différences de contexte, à préserver les termes locaux, à tester la compréhension plutôt que la seule traduction et à permettre aux utilisateurs de corriger les sens que la machine n'a pas su saisir.

Une plateforme ne devient pas équitable simplement parce que son interface a été traduite. Ses menus peuvent apparaître dans la langue de l'utilisateur alors que ses sources de connaissances, ses données d'entraînement, ses tests de qualité et ses règles de sécurité restent enracinés dans une seule langue ou un seul environnement. La reconnaissance vocale peut bien fonctionner dans une langue riche en ressources, puis mal entendre le nom d'un pesticide, d'une maladie ou d'une unité dans une langue disposant de moins de ressources. Une traduction peut être grammaticalement correcte mais agronomiquement fausse, en remplaçant un terme local précis par un mot général qui efface la distinction dont dépend la décision.

Les différences entre communautés ne peuvent pas davantage se réduire à une opposition entre « avancé » et « arriéré ». Une exploitation peut utiliser des satellites et des machines autonomes tout en souffrant d'une mauvaise interopérabilité ou d'une dépendance envers un fournisseur. Une exploitation peut être petite et connectée par intermittence tout en possédant des savoirs locaux précis et un système social efficace pour partager les alertes et l'expérience. Une ville peut disposer de laboratoires et de réseaux avancés tout en recevant son alimentation par une chaîne fragile incapable de voir les conditions du travailleur ou de l'agriculteur à son origine. Le progrès technique est une capacité importante, mais il ne remplace ni l'adéquation, ni l'équité, ni la confiance, ni la maintenabilité.

Les trente-six chapitres du livre couvrent la vision par ordinateur, la télédétection, les systèmes de données, la prévision des rendements, le choix des terres et des cultures, l'irrigation intelligente, la gestion des sols et des nutriments, le diagnostic des maladies et des organismes nuisibles, la robotique, l'élevage et l'aquaculture, les cultures protégées, les opérations de récolte et d'après-récolte, la sécurité sanitaire des aliments, les marchés, les chaînes d'approvisionnement et la gouvernance. Ils ne séparent cependant jamais la technologie de la société qui l'utilise, le modèle de l'institution qui l'exploite, ni l'efficacité des questions éthiques et juridiques qui l'accompagnent.

Une application qui réussit dans une exploitation reliée à un laboratoire et à un réseau stable ne se transpose pas d'elle-même à une petite exploitation dont les membres partagent un téléphone et dépendent d'une connectivité intermittente. Un système qui prédit avec exactitude dans un pays n'acquiert aucune autorité automatique dans un autre où les variétés, les sols, le climat, les pratiques et le droit diffèrent. Une technologie qui économise de l'eau dans un essai contrôlé n'apporte pas nécessairement la durabilité si elle accroît les coûts, marginalise le savoir des travailleurs ou étend la superficie irriguée jusqu'à faire augmenter la consommation totale.

Par cette ampleur scientifique et linguistique, le livre poursuit deux objectifs : donner aux agriculteurs, aux ingénieurs, aux chercheurs, aux professionnels de la vulgarisation et aux décideurs une carte claire de ce que la technologie peut faire ; et fournir aux développeurs, aux investisseurs et aux prestataires de services un exposé explicite de ce qui ne peut être affirmé. Il ne promet pas une réponse unique pour chaque champ. Il propose une manière plus rigoureuse de formuler la question, d'examiner les preuves, de définir les limites du système et de relier l'innovation à ses conséquences pratiques.

L'agriculture a besoin de plus que de promesses moins nombreuses. Elle a besoin d'une ingénierie plus précise, de données plus fiables, d'une traduction qui préserve le sens, de preuves plus claires, d'institutions capables d'examiner et de corriger, et d'une responsabilité qui ne se dissipe pas le long du chemin entre ceux qui ont recueilli les données, construit le modèle, vendu la plateforme, formulé la recommandation et, en définitive, supporté les conséquences de la décision.

Lorsque la technologie repose sur ce socle, l'algorithme ne vient pas remplacer la terre ni ceux qui la connaissent, mais les aider à la voir plus clairement. Le savoir scientifique, l'expérience locale et la capacité informatique peuvent alors prendre part à une même conversation : commencer dans le champ, passer par les données et le modèle, puis revenir au champ avec davantage d'humilité, une meilleure auditabilité et une conscience plus aiguë du fait que l'avenir agricole ne sera pas façonné par l'algorithme seul, mais par des personnes qui savent comment l'utiliser, quand lui faire confiance et quand lui demander de s'arrêter.

La question centrale que pose ce livre n'est pas de savoir ce que l'intelligence artificielle est capable de faire en agriculture ; ses capacités sont vastes, sans cesse renouvelées, et s'étendent à chaque avancée technique. La question la plus difficile et la plus utile est celle-ci : qu'est-ce qui change réellement sur le terrain lorsque le système y entre ? Entre la capacité technique et l'impact agricole s'étend une distance décisive, parcourue par les données, les décisions, les institutions et les considérations économiques. À chaque étape de ce parcours, la valeur peut s'éroder ou se perdre entièrement avant d'atteindre l'agriculteur.

C'est précisément de cette distance que naît l'argument central du livre, exprimé à travers six conclusions centrales :

Premièrement : la valeur réside dans la décision, et non dans le modèle seul. Un modèle peut atteindre d'excellentes performances statistiques sans modifier la moindre décision au bon moment. À l'inverse, un modèle simple — s'il repose sur une mesure fiable, s'il est relié à des consignes claires et compréhensibles, et s'il est adossé à une solution de repli manuelle — peut avoir plus de valeur qu'un système complexe. Le critère décisif n'est pas le degré de complexité technique, mais la capacité du système à convertir la connaissance en une décision actionnable au moment où cette décision fait une différence véritable.

Deuxièmement : les données agricoles ne sont pas une matière première neutre. Derrière chaque enregistrement se trouvent un propriétaire, un contexte, une unité, une date et une méthode de mesure. Par conséquent, la perte de la provenance, la confusion entre un zéro et une valeur manquante, ou le traitement de deux noms locaux désignant une même culture comme deux entités distinctes peuvent conduire à une décision erronée qui paraît — en apparence — précise.

La qualité d'une décision commence avant la construction du modèle ; elle commence par la compréhension de l'origine des données, de leur signification, de leurs limites et du contexte dans lequel elles ont été produites.

Troisièmement : les résultats de laboratoire ne passent pas d'eux-mêmes au terrain. Le passage d'une saison, d'une région, d'une variété, d'un appareil ou d'une langue à l'autre n'est pas une étape automatique, mais un processus exigeant une validation externe et une surveillance continue de la dérive. La classification d'images ne constitue pas à elle seule un diagnostic complet, la simulation n'équivaut pas à un déploiement réel, et l'interprétation d'un modèle ne constitue pas une preuve causale.

Entre le succès expérimental et l'adoption sur le terrain s'interpose une épreuve plus rigoureuse : le système demeure-t-il fiable lorsque l'environnement pour lequel il a été conçu change ?

Quatrièmement : la viabilité économique et l'équité sont des critères fondamentaux du succès d'une technologie. Le succès d'un système technique ne se mesure pas seulement à sa précision ou à sa capacité à accomplir des tâches, mais aussi à sa valeur économique et à ses effets sur les personnes qui l'utilisent. L'évaluation doit donc englober l'ensemble des coûts associés, y compris les coûts de possession, de maintenance, de connectivité et de formation, ainsi que le temps que les travailleurs consacrent à son utilisation, de même que le droit de l'agriculteur de cesser d'utiliser la plateforme sans en devenir tributaire.

L'automatisation peut accroître la productivité de certaines tâches, mais elle peut en même temps modifier la répartition des rôles, des charges de travail et des risques entre les travailleurs. La transformation technologique ne devrait donc pas reposer sur l'hypothèse que les machines remplaceront les humains, mais sur la préparation et la qualification des travailleurs pour une nouvelle économie agricole où les compétences évoluent, les responsabilités se déplacent et le jugement humain demeure un élément pivot de la prise de décision.

Cinquièmement : la gouvernance n'est pas un appendice secondaire qui viendrait après la technologie. La gouvernance, dans ce contexte, désigne l'ensemble des règles, autorités, responsabilités et contrôles qui encadrent l'usage d'un système technique tout au long de son cycle de vie opérationnel. Elle détermine à qui appartiennent les données, qui a le droit de les consulter ou de les utiliser, qui approuve les recommandations du système, quand il faut l'arrêter ou renvoyer une décision à un spécialiste humain, et qui porte la responsabilité en cas d'erreur.

En ce sens, la gouvernance n'est pas une procédure administrative ajoutée une fois la technologie achevée ; elle constitue une partie intrinsèque de sa conception et de son fonctionnement. La cybersécurité ne se limite pas à protéger les données et les appareils contre les intrusions ; elle englobe aussi la garantie de la continuité de fonctionnement et de la validité des décisions et procédures sur lesquelles l'agriculteur s'appuie pour gérer sa parcelle.

La gouvernance s'étend également à la protection de l'indépendance de l'agriculteur vis-à-vis de la plateforme technologique. L'agriculteur devrait pouvoir exporter ses données et les transférer vers un autre système, ou cesser d'utiliser la plateforme, sans perdre ses données ni devenir durablement dépendant d'un fournisseur technologique unique. Ainsi, la portabilité des données et la liberté de sortie se transforment de caractéristiques techniques formelles en garanties pratiques qui protègent le droit de choisir de l'agriculteur.

Le système devrait de même connaître les limites de sa propre capacité : s'abstenir d'émettre une recommandation lorsque l'information disponible est insuffisante, renvoyer le cas à un responsable humain lorsqu'une expertise ou une autorité supérieure est requise, et annuler toute action dont il est établi qu'elle est dangereuse ou inappropriée. Ces capacités ne sont pas des ajouts marginaux, mais des conditions essentielles de la fiabilité et du bon fonctionnement du système.

Un exemple illustratif : un système intelligent de gestion de l'irrigation

Supposons qu'un système intelligent recommande à un agriculteur le moment et la quantité d'irrigation à partir des mesures d'humidité du sol, de la température et de données relatives aux conditions de la parcelle. Si les mesures d'humidité du sol sont manquantes, ou si les appareils de mesure donnent des résultats contradictoires, le système ne devrait pas émettre une recommandation définitive comme si l'information était complète.

Dans un tel cas, la gouvernance précise à l'avance la conduite à tenir : le système s'abstient d'émettre une recommandation assurée, indique clairement à l'utilisateur que les données sont insuffisantes ou incohérentes, puis renvoie le cas à la personne responsable de l'examen avant que l'irrigation ne soit réalisée. La gouvernance détermine aussi qui détient l'autorité d'approuver ou d'arrêter la décision, comment l'intervention est documentée, et qui porte la responsabilité de l'action finale.

En l'absence de telles règles, le système peut émettre une recommandation fondée sur une information incomplète, sans qu'il soit clair qui aurait dû l'examiner, qui détient l'autorité d'en interrompre l'exécution, ou qui porte la responsabilité des conséquences.

La supervision humaine ne s'obtient donc pas par la seule annonce qu'il y a « un humain dans la boucle ». Elle exige d'identifier la personne habilitée à intervenir, le rôle qu'elle exerce, les décisions qu'elle est autorisée à prendre et la responsabilité qu'elle assume. La gouvernance est le cadre qui rend la technologie sûre, disciplinée et redevable, et qui préserve le contrôle de l'agriculteur sur ses données et ses décisions.

Sixièmement : il n'existe pas de voie régionale unique. La Turquie, l'Indonésie, l'Amérique du Sud, le monde arabe, le Golfe, l'Afrique et l'Asie du Sud diffèrent par leurs ressources en eau, la structure de la propriété foncière, les systèmes de culture, l'infrastructure institutionnelle et les niveaux de connectivité. Ces environnements ne sauraient donc être réduits à une prescription technique unique ni à une trajectoire de développement uniforme.

La fonction d'un cadre global n'est pas d'effacer les différences régionales, mais d'organiser les questions qu'elles révèlent, et de transformer la diversité, d'obstacle à la mise en œuvre, en fondement d'une conception plus réaliste, plus équitable et plus efficace.

Ainsi, ce livre mesure le succès de l'intelligence artificielle non pas à ce qu'un modèle peut prédire dans le laboratoire, mais à ce qu'un système intégré peut changer sur le terrain : une meilleure décision, moins de risques, une valeur plus claire, et une plus grande capacité à durer sans sacrifier la précision, l'équité ou l'indépendance de l'agriculteur.

Ce volume peut être lu dans l'ordre, mais le lecteur peut aussi choisir son point d'entrée selon sa question :

• Pour découvrir le sujet, commencer par les chapitres premier et deux afin de comprendre le problème agricole et la différence entre numérisation et transformation réelle.
• Pour évaluer la solidité d'une affirmation, commencer par le chapitre trois, puis consulter les notes sur les éléments de preuve et les références finales.
• Pour comprendre les méthodes d'intelligence artificielle et les systèmes de données, poursuivre avec les chapitres quatre et cinq.
• Pour la cartographie, la télédétection et les décisions liées au lieu, lire le chapitre six ; pour la récupération des connaissances et la vulgarisation agricole, lire le chapitre sept.
• Les agriculteurs et les praticiens doivent d'abord lire l'Avertissement de sécurité agricole. Cette partie propose un cadre d'analyse ; elle ne remplace ni un diagnostic local, ni l'étiquette officielle d'un produit, ni la réglementation en vigueur, ni le jugement d'un professionnel qualifié.

L'expression « étayé par les preuves » désigne toujours une appréciation limitée par la source et le contexte cités, et non une vérité générale transférable à toute culture, tout pays ou tout système de production.

Deux parties, sept chapitres

La Partie I est formée de deux ensembles complémentaires.

Première partie — Pourquoi la transformation agricole est-elle importante ? présente l'agriculture comme un système vivant et économique soumis à des pressions composées, distingue la numérisation d'une transformation réelle et établit un cadre probatoire pour apprécier les affirmations relatives à l'intelligence artificielle agricole.

Deuxième partie — Fondements de l'intelligence artificielle et des données examine les familles de méthodes, le cycle de vie des données agricoles, l'intelligence géospatiale, la récupération des connaissances et l'aide responsable à la décision.

Le parcours intellectuel du volume est le suivant :

Problème agricole ↓ Mesure de la transformation ↓ Solidité et limites des preuves ↓ Adéquation de la méthode à la tâche ↓ Données, provenance et droits ↓ Lieu, détection et validation ↓ Vulgarisation agricole fondée, circonscrite et responsable

La question principale précède la capacité algorithmique : quelle décision agricole cherche-t-on à améliorer, à partir de quelles preuves, pour qui, et à quel coût, risque et niveau de responsabilité ? Les chapitres suivants conduisent cette question des méthodes aux données, des données au lieu et du lieu à une vulgarisation agricole responsable. La capacité technique n'est pas tenue pour un succès tant que la source, le contexte, la validation, l'autorité humaine et le résultat de la décision n'ont pas été examinés ensemble.