Un objectif multiplié par quatre
Google et la Fondation Gates ont annoncé le 18 septembre une initiative pluriannuelle destinée à étendre des outils agricoles fondés sur l’intelligence artificielle à 200 millions de petits producteurs en Afrique subsaharienne et en Asie du Sud. Le programme, présenté de nouveau par Google le 22 septembre, part d’une portée initiale déclarée de 50 millions de personnes. Il s’appuie sur plus de 100 millions $ US en financement combiné, ainsi que sur du soutien en recherche et en ingénierie fourni par Google. Il faut distinguer la cible du résultat : les 200 millions représentent un objectif de déploiement, et non un nombre d’agriculteurs qui utilisent déjà ces services. Le communiqué conjoint ne fournit pas encore de calendrier détaillé par pays ni d’indicateurs audités sur les récoltes ou les revenus. Les partenaires veulent néanmoins s’attaquer à un problème mesurable. Selon leurs données, les petits producteurs fournissent près de 35 % de l’alimentation mondiale à partir de plus de 500 millions d’exploitations, généralement de moins de deux hectares.
De la prévision météo à la décision dans le champ
Le programme prévoit notamment d’intégrer des prévisions produites avec l’IA à TomorrowNow, une plateforme climatique déjà soutenue par la Fondation Gates, Google.org et le gouvernement britannique. L’objectif annoncé est de convertir des données météorologiques complexes en recommandations locales : choisir une date de semis, anticiper un épisode de chaleur ou décider quand protéger une culture contre de fortes pluies. Une autre composante, l’Agricultural Understanding Platform, doit combiner images aériennes, données agricoles et modèles d’IA pour délimiter les parcelles à une résolution inférieure au mètre et suivre les cultures pendant leur croissance. Google affirme que sa couche de données sur l’utilisation agricole des terres couvre déjà l’Inde, la Malaisie, le Vietnam et l’Indonésie. Des déploiements seraient aussi en cours au Kenya, en Ouganda, au Ghana, au Rwanda, en Zambie et au Nigeria. Concrètement, une parcelle mieux identifiée pourrait recevoir une alerte météo plus précise ou être plus facilement associée à une demande d’assurance, de crédit ou de soutien gouvernemental.
La langue devient une partie de l’infrastructure
Une prévision exacte reste peu utile si elle arrive dans une langue mal comprise ou dans un format inaccessible. L’initiative financera donc des ensembles de données vocales et textuelles ouverts dans plus de 40 langues africaines, avec des réseaux régionaux comme la Masakhane Research Foundation et Digital Umuganda. Des organismes indiens, dont Wadhwani AI et Digital Green, doivent également recevoir du financement, de la capacité informatique et du soutien technique. Ce choix place la localisation au même niveau que les modèles et les images satellites. Un service agricole pourrait, par exemple, transmettre par message vocal un avertissement sur une maladie végétale ou expliquer une recommandation à une personne qui n’utilise pas couramment l’écrit. Google avait déjà soutenu dans ses travaux sur l’IA centrée sur les agriculteurs que les outils doivent tenir compte des pratiques, des valeurs et des réalités sociales locales. La nouvelle annonce affirme aussi vouloir conserver les compétences, la gouvernance des données et la propriété intellectuelle dans les régions concernées. Elle ne précise toutefois pas encore les mécanismes contractuels qui garantiront cet engagement.
Un test à grande échelle pour l’IA appliquée
Le projet illustre un déplacement important de l’IA agricole. Il ne s’agit plus seulement d’analyser la photo d’une feuille malade, mais de relier plusieurs systèmes : prévisions météo, cartographie des champs, suivi des récoltes, services publics et outils linguistiques. Google indique que ses modèles Agricultural Landscape Understanding et Agricultural Monitoring and Event Detection sont déjà proposés par API. L’entreprise rapportait en août que des partenaires avaient intégré des données portant sur plus de 140 millions d’hectares cultivés en Inde. Le défi sera de vérifier que cette sophistication produit des décisions réellement meilleures. Une limite de parcelle mal détectée peut exclure un producteur d’un programme. Une prévision trop générale peut être inutile à quelques kilomètres de distance. Un conseil bien traduit peut tout de même être inadapté au sol ou à la variété cultivée. Le nombre d’utilisateurs rejoints ne suffira donc pas à mesurer le succès. Il faudra publier la précision locale, le taux d’adoption des recommandations, les erreurs signalées et les effets observés sur les pertes, les rendements et les revenus.
Pourquoi le Québec devrait suivre ce chantier
Les conditions agricoles du Québec sont différentes, mais l’architecture technologique mérite l’attention des entreprises d’agrotechnologie, des centres de recherche et des producteurs d’ici. Elle montre comment assembler des données météo, des images géospatiales et des connaissances agronomiques pour livrer une recommandation concrète, plutôt qu’un simple tableau de bord. Les mêmes questions se posent au Québec : une alerte est-elle assez locale pour une ferme donnée? Le modèle comprend-il le vocabulaire agricole en français? Qui peut réutiliser les données d’une exploitation? Que se passe-t-il lorsqu’un conseil automatisé contredit l’expérience du producteur ou de l’agronome? Les organisations québécoises pourraient reprendre la méthode d’intégration, mais elles devraient l’évaluer avec des cultures, un climat, des règles et des jeux de données locaux. Cette annonce n’établit pas encore que l’IA améliorera les récoltes à l’échelle promise. Elle crée toutefois un laboratoire de déploiement exceptionnellement vaste, dont les résultats pourront éclairer des projets agricoles bien au-delà des régions directement visées.
