IA et semences : accélérer l’évaluation des variétés

Fin novembre 2025, à l’ISRA, une réalité a sauté aux yeux : la qualité des semences ne dépend pas seulement du champ, mais aussi du laboratoire, des protocoles et… du temps. Or, le temps manque. Entre pression climatique, demande alimentaire, et exigences de marché, chaque saison perdue à attendre la validation d’une nouvelle variété coûte cher.

C’est dans ce contexte que la visite d’experts de l’Organisation Africaine de la Propriété Intellectuelle (OAPI) à l’ISRA (26–27/11/2025) prend tout son sens. Officiellement, il s’agissait d’harmoniser et renforcer les examens DHS (Distinction, Homogénéité, Stabilité) pour la protection des obtentions végétales. Mais la portée est plus large : standardiser l’évaluation variétale, c’est préparer le terrain à l’automatisation et à l’IA, et donc à une agriculture sénégalaise plus rapide à innover.

Dans cette série « Comment l’IA transforme l’agriculture et l’agro-industrie au Sénégal », je vois cet événement comme un signal fort : l’IA n’est utile que si les données, les protocoles et la gouvernance suivent. Le DHS est justement un endroit où tout peut (et doit) se structurer.

Pourquoi les tests DHS sont un maillon stratégique au Sénégal

Les tests DHS sont le filtre qualité et la base juridique qui permettent à une variété d’être reconnue, protégée et diffusée. Concrètement, une variété candidate doit prouver trois choses :

• Distinction : elle est clairement différente des variétés de référence.
• Homogénéité : les plants se ressemblent suffisamment au sein d’une même variété.
• Stabilité : les caractères restent constants sur les cycles.

Ce trio n’est pas qu’un exercice académique. Il conditionne :

1. La sécurité semencière (accès à des semences fiables, adaptées, traçables)
2. L’innovation variétale (inciter les obtenteurs à investir)
3. La compétitivité agro-industrielle (qualité constante pour la transformation)

Au Sénégal, où les filières comme le riz (vallée du fleuve), l’horticulture (Niayes) ou les légumineuses/céréales (Bambey et au-delà) sont structurantes, réduire l’incertitude variétale, c’est réduire le risque économique.

« Une variété non validée, c’est un investissement bloqué : multiplication, commercialisation, contrats de transformation… tout attend. »

Ce que la réunion OAPI–ISRA change concrètement sur le terrain

L’élément le plus utile de la rencontre, c’est l’harmonisation opérationnelle. L’OAPI a mobilisé les responsables des examens DHS des centres accrédités (CNRA Côte d’Ivoire, IRAD Cameroun, INERA Burkina Faso, ISRA Sénégal) pour aligner les pratiques.

Harmoniser les protocoles : moins de débats, plus d’exécution

Quand chaque centre applique des nuances (choix des témoins, format de rapport, gestion des références), on obtient :

• des délais plus longs,
• des comparaisons plus difficiles,
• une confiance réduite côté obtenteurs et investisseurs.

Les discussions ont ciblé des sujets très concrets : protocoles d’examen, identification des témoins, gestion des collections de référence, délais de transfert du matériel végétal, rédaction/transmission des rapports, modalités de paiement liées aux essais.

Ce niveau de détail compte, parce que l’IA ne “corrige” pas un système flou. Elle accélère un système déjà cadré.

La station de Sangalkam : là où l’IA devient plausible

La visite de terrain à Sangalkam, autour de la collection de référence et des essais en cours, est un autre point clé. Pour automatiser, il faut :

• des parcelles et essais bien identifiés,
• une collecte régulière de données,
• des référentiels stables (collections de référence),
• des critères observables de manière répétable.

Autrement dit : pas de bonnes données, pas de bonne IA.

Où l’IA peut réellement accélérer l’évaluation variétale (sans vendre du rêve)

L’IA peut réduire le coût et le temps des examens DHS, mais seulement sur des tâches bien définies : mesure, classification, contrôle qualité des données et aide à la décision.

1) Phénotypage assisté par vision par ordinateur

Le DHS repose sur des caractères morphologiques et agronomiques (forme, couleur, hauteur, compacité, dates de floraison, etc.). Une partie de ces observations est répétitive.

Avec des photos standardisées (smartphone, drone, caméra fixe) et des modèles de vision par ordinateur, on peut :

• mesurer des caractères (hauteur, couverture foliaire, uniformité),
• détecter des écarts au sein d’un lot (homogénéité),
• documenter de façon auditables (preuves visuelles datées).

Ce que j’ai constaté dans des projets data (hors DHS) : la standardisation de la prise d’image vaut souvent plus que le modèle. Une charte simple (distance, angle, lumière, repères) change tout.

2) Détection d’anomalies pour l’homogénéité

L’homogénéité, c’est là où les erreurs humaines arrivent vite : fatigue, subjectivité, variations de parcelle.

Un modèle d’IA peut fonctionner comme un « contrôleur qualité » :

• repérer des plants atypiques,
• signaler des parcelles “bruitées” (données incohérentes),
• proposer des vérifications ciblées.

Résultat attendu : moins de reprises, moins de litiges, plus de confiance.

3) Gestion intelligente des collections de référence

Les échanges OAPI ont insisté sur les témoins et les collections de référence. C’est un sujet parfait pour des outils numériques :

• base de données des variétés de référence,
• historique des essais et environnements,
• moteur de suggestion de témoins (à partir de similarités morphologiques/performances).

On ne parle pas d’une IA « magique », mais d’un système qui évite aux équipes de réinventer la roue à chaque dossier.

4) Génération assistée des rapports DHS

La rédaction des rapports DHS est souvent un goulot. L’IA peut aider à :

• structurer automatiquement les sections,
• pré-remplir avec les données validées,
• détecter les incohérences (valeurs hors plage, unités, oublis).

Attention : la validation doit rester humaine. Mais si on gagne 30–40% de temps sur la production documentaire, l’impact est immédiat.

Protection des obtentions végétales : un levier économique sous-estimé

Protéger une variété, ce n’est pas “administratif” : c’est un modèle économique. L’initiative s’inscrit dans le Projet de Promotion et de Protection des Obtentions Végétales (PPOV) de l’OAPI, qui a déjà permis l’accréditation de quatre centres d’examen technique pour conduire les essais DHS.

Voici ce que cette protection rend possible, très concrètement :

• Attirer des investissements (obtenteurs, semenciers, agro-industries) car le droit est plus clair.
• Structurer la multiplication (variété identifiée, traçable, contrôlable).
• Créer de la valeur locale : une filière semencière qui capte plus de revenus au Sénégal.

La phrase de Dr Mame Codou Guèye (ISRA, BPIRG, point focal DHS) résume bien l’enjeu : la sécurité semencière reste un défi majeur en Afrique, et la rigueur de l’évaluation est un passage obligé.

Mon avis : sans cadre de propriété intellectuelle crédible, l’IA en agriculture restera un gadget. On peut optimiser la production, mais si la valeur de l’innovation n’est pas protégée, elle se diffuse sans financement durable.

Plan d’action : comment une organisation sénégalaise peut “brancher” l’IA sur le DHS

Le meilleur point de départ, c’est un pilote limité, mesurable, et aligné sur les protocoles harmonisés. Voilà un plan réaliste (sur 8 à 12 semaines) pour un centre, un semencier ou un projet public-privé.

Étape 1 — Cartographier le flux de données (1 semaine)

• Qui observe quoi ?
• À quel moment ?
• Dans quel format (papier, Excel, photos) ?
• Où sont les pertes de temps (double saisie, validations, relances) ?

Étape 2 — Standardiser la collecte (2–3 semaines)

• fiches numériques (mobile/tablette),
• nomenclature des parcelles,
• protocole photo simple (angle, distance, repère),
• règles de qualité (valeurs acceptables, unités).

Étape 3 — Piloter un cas d’usage IA (4–6 semaines)

Choisir un seul cas d’usage :

• détection d’atypiques (homogénéité), ou
• mesure automatique d’un caractère visuel (ex. hauteur relative / densité), ou
• contrôle cohérence + pré-remplissage du rapport.

Objectif : un résultat chiffré, par exemple :

• réduction du temps d’observation de 20%,
• diminution des erreurs de saisie,
• rapports prêts plus tôt.

Étape 4 — Gouvernance et conformité (en continu)

• consentement et gestion des données (qui accède ?),
• traçabilité des modifications,
• archivage des images et mesures,
• validation humaine documentée.

Questions fréquentes (celles qu’on me pose vraiment)

L’IA peut-elle remplacer les examens DHS ?

Non. L’IA peut automatiser des mesures et sécuriser des observations, mais la décision finale doit rester fondée sur des protocoles et une validation experte.

Est-ce rentable pour un centre ou un semencier au Sénégal ?

Oui, si on cible un goulot clair (saisie, mesures répétitives, reporting). La rentabilité vient du temps gagné et de la réduction des litiges/erreurs, pas d’un modèle “trop ambitieux”.

Quels prérequis avant de parler de machine learning ?

• un référentiel de variétés de référence bien tenu,
• des données collectées de manière régulière,
• des critères DHS interprétés de façon stable,
• un minimum de discipline de terrain.

Ce que je retiens pour 2026 : la normalisation d’abord, l’IA ensuite

La réunion technique à l’ISRA, avec l’OAPI et les centres accrédités, rappelle une vérité simple : la modernisation agricole commence par des standards partagés. Harmoniser les protocoles, fiabiliser les collections de référence, accélérer les rapports… ce sont des “petits” chantiers qui débloquent ensuite les “grands” outils.

Pour les acteurs sénégalais (recherche, semenciers, agro-industries), le message est clair : si vous voulez que l’IA améliore la productivité et la commercialisation, commencez par sécuriser l’évaluation variétale. La semence, c’est le logiciel de l’agriculture. Si le logiciel est instable, tout le reste tremble.

La prochaine étape logique ? Passer d’une harmonisation des protocoles à une harmonisation des données : formats, référentiels, preuves visuelles, traçabilité. C’est là que l’IA devient non seulement possible, mais utile.

Et vous, si vous deviez choisir un seul point à automatiser dans vos essais variétaux (mesure, reporting, contrôle qualité), lequel offrirait le plus de gain dès la prochaine campagne ?