IA et édition génétique : la nouvelle agriculture de précision

En 2023, une startup jusque-là très discrète, Ohalo Genetics, est sortie de l’ombre avec un signal fort : Dave Friedberg (figure historique de l’AgTech) a repris le rôle de CEO. Ce n’est pas juste un changement de gouvernance. C’est un indice sur la direction que prend l’innovation agricole : la convergence entre biologie (édition génétique), données (phénotypage, essais, traçabilité) et intelligence artificielle.

Dans notre série Intelligence artificielle dans l’agriculture et l’agroalimentaire, on parle souvent de drones, de capteurs, de modèles de prédiction des rendements. Ici, l’angle est différent : l’IA n’optimise pas seulement la parcelle, elle accélère la création de variétés — celles qui rendent une chaîne agroalimentaire plus résiliente, plus stable, et parfois tout simplement plus rentable.

Pourquoi Ohalo est un cas d’école pour l’agriculture pilotée par la donnée

Ohalo illustre un point simple : l’innovation agricole ne se joue plus uniquement au champ, mais dans la boucle “données → décision → variété → performance terrain”. Quand une entreprise mise sur l’édition génétique, elle se met à gérer un problème d’optimisation à grande échelle : quelles modifications, sur quels gènes, dans quelles conditions, pour obtenir un trait agronomique stable et commercialisable ?

L’annonce de Dave Friedberg compte parce qu’il connaît ce jeu. Son précédent succès (The Climate Corporation, vendu 1,1 milliard de dollars) a montré qu’on pouvait industrialiser la décision agricole avec des modèles et des données. Reprendre la tête d’Ohalo, c’est une manière de dire : la prochaine frontière, c’est la génétique — et elle se gagne avec les mêmes armes : data, itération rapide, outils de modélisation.

Une phrase à retenir : la sélection variétale devient un produit logiciel autant qu’un produit biologique.

Ce que l’IA change concrètement (et ce qu’elle ne change pas)

Ce que l’IA change : la vitesse et la précision. Le développement variétal, historiquement, est long : cycles de culture, essais multi-sites, variations climatiques, interactions sol-plante. Avec des pipelines modernes, l’IA sert à :

• prioriser les hypothèses (quels traits tester en premier) ;
• réduire le nombre d’essais “à l’aveugle” grâce à des modèles prédictifs ;
• détecter tôt les signaux de performance (stress hydrique, stabilité du rendement, qualité) via l’imagerie et le phénotypage ;
• apprendre plus vite de chaque saison.

Ce que l’IA ne change pas : la biologie reste complexe, et une variété doit prouver sa valeur dans des conditions réelles. L’IA accélère la boucle, mais ne remplace pas la validation terrain.

Édition génétique : l’exemple de la pomme de terre et ses enjeux agroalimentaires

Ohalo a obtenu aux États-Unis des retours réglementaires favorables pour des pommes de terre éditées génétiquement, avec deux axes évoqués : nutrition et réduction des pertes post-récolte.

Axe 1 : améliorer le profil nutritionnel

L’un des travaux mentionnés concerne une pomme de terre avec plus de bêta-carotène. Dans l’agroalimentaire, ce type d’amélioration n’est pas anecdotique : elle ouvre des options pour des gammes à valeur ajoutée (nutrition, alimentation collective, produits transformés) tout en conservant les habitudes de consommation.

D’un point de vue “IA + agro”, l’intérêt est ailleurs : on peut optimiser plusieurs objectifs en même temps (rendement, résistance, nutrition, goût, aptitude à la transformation). C’est exactement le genre de problème où les méthodes d’optimisation multi-critères et l’apprentissage sur données d’essais prennent tout leur sens.

Axe 2 : réduire le gaspillage pendant le stockage

L’autre point porte sur une réduction du glucose/fructose, avec une promesse : moins d’effets indésirables liés au stockage à froid, donc moins de pertes. Pour une filière comme la pomme de terre, le stockage est un poste critique : il conditionne la capacité à fournir des industriels (frites, chips, purées) de façon régulière.

Ici, l’IA joue sur deux tableaux :

1. Prévision et pilotage : modèles de conditions de stockage optimales selon lots, humidité, durée, historique ;
2. Conception : sélectionner/éditer des traits qui rendent le produit plus robuste au stockage.

Résultat attendu : moins de rebut, plus de stabilité de qualité, moins de pression sur les surfaces pour compenser les pertes.

Le vrai sujet : productivité, ressources, sécurité alimentaire

Le discours d’Ohalo (via Dave Friedberg) met en avant une promesse ambitieuse : faire plus de nourriture avec moins de terres, moins de ressources et moins de capital. La formulation est volontairement large, mais l’intuition est solide : une part importante de l’impact environnemental vient des volumes et des inefficiences (pertes, variabilité, maladies, stress).

Pour des décideurs agricoles et agroalimentaires, la question utile n’est pas “est-ce impressionnant ?”, mais : où la valeur se crée-t-elle, et comment la mesurer ?

Trois métriques qui comptent vraiment

Si vous évaluez une innovation “IA + génétique” (ou si vous préparez un business case), regardez ces trois indicateurs avant le storytelling :

1. Rendement stable (pas juste le rendement maximal) : variance inter-annuelle et inter-parcelles.
2. Efficience intrants : kg produits par m³ d’eau, par kg d’azote, par unité d’énergie.
3. Pertes évitées : post-récolte, stockage, transformation (déclassement qualité).

Une variété qui gagne 3–5% de rendement moyen mais divise par deux les lots “hors specs” peut être bien plus rentable qu’une variété “record” fragile.

Commercialiser n’est pas un sprint : ce que les acteurs font souvent mal

Le secteur a déjà vu des valorisations monter très vite… et retomber tout aussi vite. Le cas de certaines entreprises de biotechnologies agricoles rappelle une réalité : la techno ne suffit pas, il faut une stratégie de mise en marché compatible avec l’agriculture.

Voici ce qui bloque le plus souvent :

1) Le mauvais produit : un trait sans client évident

Un trait agronomique peut être intéressant scientifiquement, mais faible commercialement. L’acheteur final n’est pas “l’agriculture” en général : c’est un industriel, une coopérative, un metteur en marché, un producteur spécialisé. Chacun a ses contraintes.

Mon conseil : partir des spécifications filières (calibre, matière sèche, tenue à la cuisson, stabilité, stockage), puis remonter à la génétique.

2) La preuve insuffisante : trop d’essais, pas assez de décision

On accumule des essais, mais on peine à trancher. C’est là que l’IA peut faire la différence, à condition d’être intégrée au processus :

• standardisation des protocoles d’essais ;
• structuration des données (météo, sol, itinéraire technique) ;
• modèles simples mais robustes pour comparer correctement.

La réalité ? une approche “moins de données, mais mieux” bat souvent des datasets énormes mal qualifiés.

3) La confiance : transparence, traçabilité, pédagogie

En France et en Europe, l’acceptabilité est centrale. La perception “OGM/édition génétique” reste sensible. Même si les cadres diffèrent selon les juridictions, une entreprise qui veut durer doit travailler :

• la traçabilité des lots et des semences/plants ;
• la documentation des modifications et de leurs effets ;
• la pédagogie auprès des filières et, au besoin, du grand public.

L’IA peut aussi aider ici : audit de données, traçabilité numérique, détection d’anomalies, conformité documentaire.

Comment une équipe “IA + agriculture” peut s’inspirer d’Ohalo dès 2025

Si vous êtes une coopérative, un industriel, une startup AgTech ou une exploitation structurée, vous n’avez pas besoin de faire de l’édition génétique pour tirer des leçons utiles. Ohalo met en lumière une méthode : réduire l’incertitude, itérer vite, et prouver la valeur dans la chaîne.

Une feuille de route pragmatique en 90 jours

1. Cartographier un problème coûteux (pertes de stockage, variabilité de qualité, stress hydrique, déclassement industriel).
2. Définir 3 KPI non négociables (ex. taux de perte stockage, stabilité calibre, matière sèche).
3. Consolider les données existantes (même imparfaites) : météo, stockage, analyses qualité, parcelles.
4. Construire un modèle simple (régression, classification, scoring) pour identifier les facteurs dominants.
5. Tester une décision opérationnelle : ajustement stockage, tri, conduite culturale, segmentation lots.

Vous créez ainsi une culture “décision data-driven” qui rend ensuite crédible l’adoption de solutions plus avancées (phénotypage, sélection assistée, partenariats variétaux).

Ce que l’arrivée de Friedberg dit du marché : la prochaine vague sera intégrée

Quand un entrepreneur/investisseur connu reprend un poste opérationnel, c’est rarement par nostalgie. Je le lis comme un pari sur un modèle : des entreprises capables d’intégrer biologie, logiciel, réglementation et go-to-market.

L’agroalimentaire veut de la prévisibilité : volumes, qualité, coûts, conformité. L’agriculture subit la variabilité : climat, maladies, prix. L’IA sert de colle entre ces deux mondes, et l’édition génétique peut devenir l’un des leviers les plus puissants… si elle reste connectée à la réalité terrain.

Pour la suite de notre série, la question intéressante n’est pas “IA ou biologie ?” mais : qui maîtrise la boucle complète, de la donnée à la variété, puis de la variété à la performance industrielle ?

Si vous travaillez dans une filière où les pertes, le stockage, ou la variabilité coûtent cher, c’est le bon moment pour structurer vos données et poser un diagnostic. Ensuite seulement, on parle techno.

Et vous, dans votre chaîne (production, stockage, transformation), où se cache la plus grosse marge de progrès mesurable en 6 à 12 mois ?