Évaluer les variétés: quand l’IA accélère la semence

Le 26 et le 27/11/2025, à l’ISRA, une délégation de l’OAPI a travaillé avec les centres d’examen DHS (Distinction, Homogénéité, Stabilité) de son réseau. Dit comme ça, on dirait un atelier de plus. En réalité, c’est un point névralgique pour l’agriculture sénégalaise: si l’évaluation des nouvelles variétés est lente, hétérogène ou coûteuse, l’innovation variétale se bloque — et la sécurité semencière avec.

Ce qui m’intéresse particulièrement, dans le contexte de notre série « Comment l’IA transforme l’agriculture et l’agro-industrie au Sénégal », c’est le lien direct entre standardisation des essais et numérisation/IA. Harmoniser les protocoles, mieux gérer les collections de référence, réduire les délais de transfert du matériel végétal et fiabiliser les rapports: ce sont exactement les zones où l’IA (et, plus largement, la donnée) apporte un gain concret.

Pourquoi l’évaluation DHS est un sujet de productivité (pas seulement juridique)

L’évaluation DHS sert à décider si une variété est suffisamment distincte, homogène et stable pour être protégée (et, dans de nombreux cas, faciliter son parcours vers l’inscription au catalogue). Le point clé: le DHS est un “goulot” qui conditionne l’arrivée des semences améliorées sur le terrain.

Quand ce goulot est bien géré, on obtient un effet domino:

• Accélération de la mise à disposition de variétés adaptées (sécheresse, salinité, maladies, cycles plus courts).
• Confiance accrue des producteurs, des semenciers et des agro-industriels (variété clairement caractérisée, performance plus prédictible).
• Réduction du risque de “mauvaises surprises” au champ (hétérogénéité, instabilité).
• Stimulation de la recherche: les obtenteurs investissent davantage s’ils savent que l’évaluation est fiable et prévisible.

À la fin, ce n’est pas un débat de spécialistes. C’est une histoire de rendement, de qualité, et de capacité à tenir les contrats (riz, blé, horticulture, légumineuses, etc.).

Ce que l’OAPI et l’ISRA ont mis sur la table fin novembre 2025

La réunion technique à l’ISRA a ciblé des sujets très opérationnels: protocoles d’examen, témoins, collections de référence, essais en cours, transferts de matériel, rapports DHS, modalités de paiement. On parle donc d’un effort d’alignement “terrain” entre quatre centres accrédités (Côte d’Ivoire, Cameroun, Burkina Faso, Sénégal).

La visite à la station de Sangalkam a ajouté un élément important: la vérification in situ de la mise en œuvre, là où les petits détails font la différence (étiquetage, observations, conservation des témoins, traçabilité des lots).

Harmoniser les protocoles: la base pour introduire l’IA sans se tromper

L’IA n’aime pas le flou. Si chaque centre note différemment, stocke différemment ou mesure avec des référentiels variables, le modèle apprend… des incohérences.

L’harmonisation pilotée par l’OAPI crée donc une condition essentielle: des données comparables. C’est ce qui permettra, progressivement, de passer:

• du papier et des fichiers isolés
• vers des systèmes où l’on capitalise les observations sur plusieurs saisons
• et où l’on peut automatiser une partie du travail répétitif.

Standardiser les “témoins” et les collections de référence, c’est le nerf de la guerre

Les collections de référence (variétés témoins) sont la “bibliothèque” qui permet de dire: cette variété ressemble à… ou se distingue de…. En pratique, la gestion est lourde: mise à jour, pureté, disponibilité, conditions de conservation.

Voici ce que j’ai vu fonctionner dans d’autres contextes (et qui s’applique très bien aux centres DHS):

1. Catalogue numérique des témoins (identité, origine, photos, traits clés, disponibilité, historique d’essais).
2. Traçabilité par lot (entrée, multiplication, sortie, responsable, parcelle).
3. Règles communes de nommage et d’archivage (sinon, on perd du temps à “réconcilier” les informations).

Une fois ces bases en place, l’IA peut aider sur le tri, la détection d’anomalies, la prédiction de manques, ou l’aide à la décision sur quels témoins mobiliser.

Où l’IA peut accélérer concrètement l’évaluation des variétés au Sénégal

L’IA ne remplace pas un essai au champ. En revanche, elle réduit le coût et le temps de plusieurs tâches qui rendent le DHS lent.

1) Phénotypage assisté par vision (smartphone, drone, caméra)

Réponse directe: la vision par ordinateur permet de mesurer plus vite et plus régulièrement certains caractères morphologiques.

Exemples de gains réalistes:

• Comptage et mesure (densité de levée, hauteur, couverture du sol) à partir d’images.
• Détection de symptômes foliaires (taches, jaunissement) pour objectiver des notations.
• Suivi de la floraison et de la maturité pour documenter la stabilité du cycle.

Au Sénégal, c’est particulièrement pertinent pour:

• l’horticulture (variabilité visuelle forte, nombreuses notations)
• les céréales (phases phénologiques, stress hydrique)

2) Contrôle qualité des données DHS (IA “discrète”, mais redoutable)

Réponse directe: des algorithmes de détection d’anomalies repèrent les valeurs incohérentes avant que le rapport DHS ne soit finalisé.

Cas typiques:

• une valeur impossible (hauteur aberrante)
• une série de mesures trop “parfaites” (signe d’erreur de saisie)
• des écarts anormaux entre répétitions

Ce type d’IA ne fait pas de bruit, mais il augmente la fiabilité et réduit les allers-retours entre centres.

3) Automatisation de la rédaction des rapports (sans perdre la rigueur)

Réponse directe: un assistant de rédaction basé sur des modèles de rapport DHS peut produire un brouillon structuré à partir des données validées.

Ce que ça change:

• le responsable d’essai passe moins de temps sur la mise en forme
• il se concentre sur l’analyse et la justification
• l’harmonisation des rapports devient plus facile (même structure, même vocabulaire technique)

Important: on parle d’un brouillon. La validation reste humaine, surtout quand il y a un enjeu de protection.

4) Optimisation logistique du transfert de matériel végétal

L’article insiste sur les délais et procédures de transfert. Dans un réseau multi-pays, le temps se perd vite entre demandes, disponibilités, formalités, planification.

Avec une approche “donnée + IA”, on peut:

• prévoir les besoins en lots et en calendriers d’essais
• prioriser les transferts selon l’urgence et la fenêtre agro-climatique
• réduire les ruptures (matériel promis mais indisponible)

Pour moi, c’est un levier sous-estimé: un essai DHS raté ou décalé d’une saison coûte cher.

Ce que la visite OAPI–ISRA dit sur la sécurité semencière en 2026

Réponse directe: sécuriser la semence, c’est sécuriser la preuve — la preuve qu’une variété est bien ce qu’elle prétend être, et qu’elle se comporte de manière stable.

La coordonnatrice du BPIRG de l’ISRA, Dr Mame Codou Guèye, parle d’un levier stratégique pour la sécurité semencière. Je suis d’accord, mais j’ajoute un point: la sécurité semencière ne se joue pas seulement sur la production de semences, mais sur la crédibilité du système.

Quand l’évaluation est harmonisée et rigoureuse:

• les semenciers savent à quoi s’en tenir
• les producteurs peuvent comparer
• les agro-industriels sécurisent leurs approvisionnements

Et quand l’IA est introduite correctement (sur une base de données propre), elle apporte un avantage compétitif: plus de variétés testées à budget constant, donc plus de chances de trouver celles qui résistent aux stress climatiques.

Focus Sénégal: trois pôles ISRA où l’IA a un intérêt immédiat

Lors des échanges, plusieurs centres ont présenté des résultats d’essais: CRA Saint-Louis (riz, blé), CDH (horticulture), CNRA Bambey (légumineuses, céréales). Ce découpage est très utile pour penser “cas d’usage IA”:

• Riz/blé (Saint-Louis): suivi phénologique, stress hydrique/salin, rendement estimé par imagerie.
• Horticulture (CDH): classification qualité (calibre, couleur, défauts), détection de maladies.
• Céréales/légumineuses (Bambey): homogénéité intra-parcelle, aide à la sélection, prévision d’adaptation variétale.

Questions fréquentes (et réponses franches)

L’IA peut-elle remplacer les essais DHS?

Non. Le DHS repose sur l’observation contrôlée et répétée. L’IA sert surtout à mesurer plus vite, mieux documenter, et fiabiliser.

Par quoi commencer, sans gros budget?

Le meilleur départ, c’est souvent:

1. une application de collecte standardisée (tablette/smartphone)
2. un dictionnaire de données DHS commun
3. un protocole photo simple (angles, éclairage, moments)

Ensuite seulement, on ajoute des modèles d’analyse d’images ou d’anomalies.

Le risque principal?

Mettre de l’IA sur des données hétérogènes. Le modèle donnera une réponse, mais pas forcément une réponse juste.

La suite logique: passer d’une “réunion technique” à une feuille de route data/IA

Ce qui s’est passé à l’ISRA fin novembre 2025 montre une direction claire: aligner les pratiques dans l’espace OAPI. La prochaine étape, si on veut vraiment accélérer l’innovation variétale au Sénégal, c’est de transformer cet alignement en une petite feuille de route pragmatique:

• une base de données DHS partagée (même minimale)
• des formats communs pour les photos et observations
• des indicateurs simples (délais, complétude des données, taux d’anomalies)
• un ou deux pilotes IA (vision + contrôle qualité) sur une campagne

C’est comme ça que l’IA devient utile: pas en mode “démo”, mais en mode production.

La question, pour 2026, est simple et concrète: quelles variétés voulons-nous faire arriver plus vite dans les champs sénégalais — et quels outils data/IA sommes-nous prêts à standardiser pour y parvenir?