L'IA pour l'agro-industrie : des prévisions de rendement aux prix du marché

Détecter plus tôt ravageurs et maladies à partir d'images

L'outil d'IA le plus frappant en agriculture africaine est aussi le plus souvent survendu. Des applications mobiles photographient une feuille et nomment la maladie — et les chiffres de précision annoncés sont extraordinaires. Une étude marquante de 2016, entraînée sur le jeu de données PlantVillage, a annoncé plus de 99 % de précision sur 26 maladies.

Ce chiffre est à la fois vrai et trompeur. Il a été mesuré sur des images propres et contrôlées. Au champ — boue, ombre, symptômes mêlés, main qui tremble — la précision chute fortement. La preuve la plus honnête vient de PlantVillage Nuru, l'application sur les maladies du manioc bâtie par l'IITA et Penn State, aujourd'hui utilisée pour surveiller les maladies dans 19 pays africains, hors ligne. Une évaluation indépendante de 2020 en Tanzanie et au Kenya a trouvé que Nuru diagnostiquait à environ 65 % de précision — mieux tout de même que les agents de vulgarisation formés auxquels on l'a comparé, à 49 %. Mais le détail compte : diagnostiquer la striure brune du manioc à partir d'une seule feuille n'atteignait que 21 %, contre 73 % avec six feuilles examinées.

Conçu ainsi, le diagnostic par image a une vraie valeur. Il met un outil de premier tri entre les mains de producteurs et d'agents qui ne peuvent pas tous être experts de chaque maladie, et il fonctionne là où c'est le plus nécessaire — la Côte d'Ivoire figure parmi les foyers de maladies du manioc suivis. La même approche s'étend aux ravageurs : le système FAMEWS de la FAO transforme l'observation au champ et les comptages de pièges à phéromones en carte d'infestation en temps réel pour la chenille légionnaire, et l'application eLocust3m, bâtie par PlantVillage avec la FAO, alimente la prévision du criquet pèlerin qui donne à des régions entières l'alerte avant l'arrivée d'un essaim — enjeu majeur pour le Sahel.

Le schéma est constant : l'IA est la plus forte comme alerte précoce et à large couverture — saisir un problème tant qu'il est local et bon marché à contenir — et la plus faible quand on la traite comme un verdict définitif.

Suivre les prix pour bien choisir le moment de vendre

Les petits producteurs vendent souvent au pire moment — juste après la récolte, quand tout le monde vend et que les prix sont au plus bas, parce qu'il faut de la trésorerie et qu'il manque du stockage. Les services d'information de marché attaquent ce problème en diffusant les prix courants de plusieurs marchés, afin qu'un producteur ou une coopérative décide où et quand vendre.

Ces services sont volontairement rudimentaires, car c'est ce qui atteint les producteurs. Esoko, au Ghana, diffuse l'information de prix par SMS, voix et USSD. Le service 3-2-1 de Viamo fonctionne en numéro vocal gratuit, en langues locales, sur n'importe quel téléphone — au Burkina Faso, il a porté l'information de prix pour le sésame, le karité, l'anacarde, le maïs, le riz, le mil et le sorgho, en mooré, dioula et français. Au Sénégal, la place de marché mLouma relie producteurs et acheteurs, avec une option USSD pour ceux qui n'ont pas internet et le paiement par mobile money.

Ici, l'honnêteté compte plus que tout. Les preuves que l'information de prix relève réellement les prix obtenus sont mitigées. Une étude appariée sur Esoko a trouvé environ 10 % de prix du maïs en plus pour les producteurs suivis ; un essai randomisé distinct a montré que les mêmes alertes amélioraient la connaissance des prix sans changer les prix reçus. La recherche fondatrice est plus claire sur le fait que l'information réduit la dispersion des prix entre marchés — les travaux de Jensen au Kerala et d'Aker au Niger ont montré le téléphone mobile resserrant les écarts de prix de 8 à 16 %.

C'est là que l'IA ajoute la couche suivante : transformer un flux brut de prix en une décision « vendre maintenant ou attendre », en lisant les tendances et les écarts régionaux. Mais la recommandation ne vaut que ce que vaut la capacité du producteur à agir — un problème de logistique et d'organisation coopérative autant que de donnée.

Resserrer la chaîne post-récolte

Certaines des plus grandes pertes de l'agriculture africaine surviennent après une récolte réussie. La Banque mondiale et la FAO ont estimé les pertes post-récolte de céréales en Afrique subsaharienne à environ 4 milliards USD par an — de quoi couvrir les besoins d'au moins 48 millions de personnes. C'est une valeur déjà produite, déjà payée, puis perdue par le gaspillage, le mauvais stockage et une logistique défaillante.

Les outils numériques et d'IA attaquent cette chaîne en plusieurs points : appariement de la demande et logistique agrégée pour écouler avant pourrissement, télématique sur le matériel partagé pour un usage efficace, traçabilité pour que les acheteurs paient la qualité, et froid placé là où il faut. ColdHubs, le réseau nigérian de chambres froides solaires, déclare prolonger la durée de conservation des denrées de deux à environ 21 jours et réduire fortement les pertes, sur un modèle de stockage à la demande d'environ 0,50 USD par cageot et par jour. Des plateformes comme Twiga Foods, Hello Tractor et eProd numérisent l'agrégation, le partage de matériel et les registres de producteurs tout au long de la chaîne.

Traitez les chiffres d'échelle publiés par ces entreprises comme leurs propres déclarations plutôt que comme des faits audités — mais la logique de fond est solide : la récolte la moins chère à sauver est celle que vous avez déjà produite. Pour beaucoup d'agro-entreprises, la chaîne post-récolte est là où se trouve la plus grande perte mesurable, et donc le meilleur point de départ.

Être honnête sur les prérequis

Chacun des cas d'usage ci-dessus dépend de trois choses faciles à présumer et dangereuses à ignorer : la connectivité, la donnée et la confiance.

La connectivité est plus mince que ne le suggèrent les présentations. Seuls 27 % environ des habitants d'Afrique subsaharienne utilisent l'internet mobile, et la région présente le plus grand écart d'usage au monde — la plupart de ceux qui pourraient être connectés ne le sont pas. Les ruraux sont à peu près deux fois moins susceptibles que les urbains d'utiliser l'internet mobile, près des deux tiers de la région utilisent encore un téléphone simple ou un combiné 3G, et seul un tiers environ de l'Afrique subsaharienne rurale a l'électricité. Voilà pourquoi les outils qui marchent vraiment fonctionnent par SMS, USSD et voix, ou se synchronisent hors ligne à la coopérative. Une solution qui exige un smartphone récent et une charge stable atteint les producteurs qui en ont le moins besoin.

La donnée au niveau de l'exploitation est rare et fragmentée. On sait peu de chose, de façon fiable, sur l'emplacement des petites fermes, ce qu'elles cultivent ou ce qu'elles produisent ; l'estimation de longue date de la Banque mondiale est qu'à peine un dixième des terres rurales d'Afrique est officiellement enregistré. La donnée utile vit chez les coopératives et les agrégateurs — raison précise pour laquelle ce sont eux, et non une application centrale, le bon canal. L'appui de la FAO à un registre numérique des producteurs en Zambie, couvrant 4,3 millions de producteurs vérifiés dotés chacun d'un identifiant unique, est le modèle : bâtir le registre à travers l'institution à laquelle les producteurs appartiennent déjà.

La confiance est la contrainte déterminante. Une productrice à qui l'on demande de photographier sa culture, de partager ses données de récolte ou de suivre un conseil de semis doit faire confiance à un système qu'elle n'a pas bâti. Cette confiance vit dans la coopérative et l'agent de terrain, pas dans le logiciel. Elle est aussi mal répartie : en Afrique subsaharienne, les femmes sont environ 29 % moins susceptibles que les hommes d'utiliser l'internet mobile, et l'écart d'inclusion financière entre sexes y est le double de la moyenne des pays en développement — un outil qui présume discrètement un producteur homme équipé d'un smartphone creusera les écarts mêmes que l'agro-industrie devrait combler.

Réimaginer l'IA comme moteur du financement agricole

Pour les prêteurs, assureurs et coopératives, l'usage le plus lourd de conséquences de l'IA n'est pas au champ — il est dans la décision de financer le champ. L'agriculture manque de crédit parce qu'elle est difficile à évaluer : la demande de financement des petits producteurs dépasse l'offre d'environ 170 milliards USD, et seuls 5 % environ des ménages agricoles d'une grande partie de l'Afrique subsaharienne détiennent une assurance agricole.

C'est l'information qui comble cet écart. L'assurance indicielle indemnise sur un signal externe mesurable — déficit de pluie, indice satellitaire de végétation — au lieu d'inspecter chaque parcelle, ce qui supprime le coût qui rendait la couverture des petits producteurs non rentable ; Pula déclare assurer plus de 20 millions de producteurs sur ce principe. Les mêmes signaux météo, de rendement et de mobile money alimentent le scoring de crédit numérique qu'utilisent des prêteurs comme Apollo Agriculture et FarmDrive pour évaluer des producteurs sans garantie ni historique formel. En Afrique de l'Ouest, là où, selon la BCEAO, l'agriculture pèse une part majeure du PIB et de l'emploi de l'UEMOA mais reçoit une faible part du crédit bancaire, c'est précisément ce verrou de l'information qui se lève. Autrement dit, la prévision et le suivi décrits plus haut ne sont pas que des outils de champ. Ce sont les données qui permettent à une institution de prêter et d'assurer là où elle ne voyait que du risque.

Par où commencer : une trajectoire pratique

La plupart des agro-entreprises et coopératives n'ont pas besoin d'une plateforme d'IA coûteuse pour démarrer. Il leur faut une perte clairement nommée, la donnée qui existe déjà, et un pilote maîtrisé. La trajectoire ci-dessous va des fondations ingrates jusqu'à l'échelle — et refuse de sauter une étape.

Le test de décision pour les dirigeants

Avant d'approuver un projet d'IA en agriculture, un dirigeant d'agro-entreprise ou de financement agricole devrait pouvoir répondre à cinq questions en langage clair. Si le prestataire ne le peut pas, le projet n'est pas prêt.

1. Quelle perte exacte va diminuer, et comment la mesurerons-nous en une saison ?
2. La donnée nécessaire existe-t-elle déjà — et qui la détient, la coopérative ou une plateforme ?
3. Atteindra-t-il un producteur sur téléphone simple sans électricité fiable, ou seulement un propriétaire de smartphone ?
4. Que l'outil sera-t-il interdit de décider seul — et où un agronome confirme-t-il ?
5. Réduit-il ou creuse-t-il l'écart pour les femmes, les ruraux et les producteurs débutants ?

L'IA ne rendra pas l'agriculture africaine moins risquée en étant savante. Elle la rendra moins risquée en aidant les gens à voir venir la perte, à agir plus tôt et à financer plus équitablement — en commençant là où la perte est la plus forte et où la donnée existe déjà.

Les agro-entreprises et les prêteurs qui réussiront ne seront pas ceux qui ont la démonstration la plus impressionnante. Ce seront ceux qui respectent la vieille vérité de l'agriculture : l'information vaut le plus quand elle atteint la personne au champ à temps pour changer ce qu'elle fait.

Cet article s'accompagne de deux étapes concrètes : nettoyez vos données avant d'acheter de l'IA, et gouvernez-la bien avec le guide une IA responsable sans dépendance numérique. Pour éprouver un cas d'usage d'IA pour votre agro-entreprise, coopérative ou institution de financement agricole, contactez-moi.