La révolution de l’IA touche l’innovation dans le domaine des cultures et des semences

De la prédiction à la création

L’un des changements les plus commentés, c’est le « laboratoire virtuel », où l’expérimentation se fait davantage in silico : l’IA est appliquée aux données propres à l’entreprise pour concevoir de nouveaux ingrédients ou de nouvelles formulations, ce qui permet de commencer les essais physiques à un stade plus avancé et de les mener plus efficacement. La promesse n’est pas nouvelle, mais les nouvelles formes d’IA générative créent une valeur ajoutée inédite. Alors que l’IA « traditionnelle » apprend des schémas à partir de données historiques pour faire des prédictions, comme déterminer si un traitement des semences améliorera la germination, un modèle génératif peut proposer une formulation entièrement nouvelle que les scientifiques pourront évaluer. 

L’ADN, c’est en gros une suite de lettres, ce qui signifie qu’il est plus facile à traiter avec les modèles linguistiques d’aujourd’hui

L’IA et l’avenir de la génétique des cultures

La génétique s’avère étonnamment réceptive, pour une raison agréablement simple. « L’ADN est essentiellement une suite de lettres, ce qui signifie qu’il est plus facile à traiter avec les modèles linguistiques actuels », nous a expliqué Tonny Otjens, de Rijk Zwaan. Son entreprise explore comment ces modèles peuvent combiner des observations phénotypiques avec des données génétiques pour prédire quelles variétés présenteront les caractéristiques souhaitées – des informations qui pourraient également stimuler le marché en pleine croissance des enrobages et traitements biologiques.

Des résultats rapides

Tous les gains ne sont pas aussi complexes. Certaines des applications les plus populaires éliminent tout simplement les tâches fastidieuses, en automatisant la documentation et les démarches de conformité qui accaparent le temps des chercheurs. Rijk Zwaan a développé un outil pour la tâche ingrate qui consiste à nommer les produits, en vérifiant que les noms proposés respectent les exigences en matière de marques déposées, de langue et de réglementation. Ce qui prenait autrefois des semaines – et pouvait aboutir à un rejet si un nom faisait écho à celui d’un concurrent danois ou à un gros mot espagnol – ne prend désormais que quelques minutes. Ce n’est pas très glamour, mais c’est clairement utile. Et ces gains rapides convainquent souvent les sceptiques que la technologie en vaut la peine.

L’avantage vient de la combinaison de modèles de pointe avec les meilleures données internes, l’expertise scientifique et la connaissance du marché

Le véritable avantage concurrentiel

Pourtant, un constat essentiel est que rien de tout cela, pris isolément, ne confère un avantage durable. Les modèles de pointe qui émerveillent tout le monde sont, selon les mots de Stephan Köhler de BASF, des « produits de base ». L’avantage vient de leur combinaison avec les meilleures données internes, l’expertise scientifique et la connaissance du marché. Les entreprises disposant d’un volume important de données propres à l’entreprise – qu’elles les aient créées ou acquises – finiront par obtenir les meilleurs modèles. Les années que Rijk Zwaan a passées à photographier des plantes pour des études d’observation sont devenues un véritable trésor de données de R&D.

Repenser l’innovation

Mais l’IA annonce aussi un changement dans la façon dont le travail est effectué. Les chercheurs en formulation, note M. Köhler, s’appuient généralement sur leur expérience pour choisir des points de départ prometteurs, puis les affinent par l’expérimentation. Dans un monde dominé par l’IA, l’ordre des opérations s’inverse en partie : on génère d’abord de grands volumes de données, on entraîne des modèles à partir des résultats, puis on utilise ces modèles pour explorer des solutions possibles. Ça repousse les tâches les plus fastidieuses au tout début, mais ça élargit les options et accélère l’optimisation par la suite.

Construire une organisation prête pour l’IA

C’est pourquoi le rapport souligne que le principal frein n’est pas d’ordre technologique, mais organisationnel. L’agriculture devra s’appuyer sur des données de meilleure qualité, collectées et standardisées en anticipant les besoins des futurs modèles d’intelligence artificielle. Elle devra également repenser ses modes d’organisation et ses structures, mettre en place des mécanismes rigoureux et auditables pour garantir la confiance, la transparence et l’explicabilité des systèmes d’IA, et développer des compétences adaptées à un environnement où les professionnels seront amenés à piloter et orienter les modèles plutôt qu’à se limiter à leur utilisation. Enfin, la filière devra s’intégrer dans un écosystème de partenaires technologiques et scientifiques d’une ampleur et d’une diversité bien supérieures à celles auxquelles la R&D agricole traditionnelle est aujourd’hui habituée.

Par où commencer

Rien de tout ça ne sera facile, et le livre blanc aborde des sujets bien plus vastes que ce qu’on peut résumer ici : courbes de connaissances, modèles de fondation (foundation models), audits des systèmes d’IA, collaboration homme-machine, ainsi que les premières étapes que les décideurs pourraient engager dès aujourd’hui. Pour tous les acteurs de la production agricole et des filières végétales, qui s’interrogent sur l’impact de la plus profonde transformation de l’agriculture de ces dernières décennies, ce document constitue un excellent point de départ pour comprendre les enjeux, les opportunités et les conditions de réussite de cette transition.

Téléchargez le livre blanc : How artificual intelligence is transforming agricultural innovation.