DHS + IA : accélérer l’innovation variétale au Sénégal

La plupart des discussions sur l’agriculture intelligente au Sénégal se concentrent sur les capteurs, les drones ou les applis météo. Pourtant, une bonne partie de la performance agricole se joue avant même la mise en terre : au moment où l’on décide quelles variétés méritent d’être multipliées, protégées et diffusées.

Fin novembre 2025, l’Organisation Africaine de la Propriété Intellectuelle (OAPI) a réuni à l’ISRA (Institut Sénégalais de Recherches Agricoles) les centres accrédités de son réseau pour améliorer l’évaluation des variétés végétales via les examens DHS (Distinction, Homogénéité, Stabilité). C’est une actualité technique, oui. Mais c’est aussi un signal fort : l’Afrique de l’Ouest consolide l’infrastructure “qualité” des semences, et cette infrastructure est exactement ce que l’IA peut amplifier.

Dans cette série “Comment l’IA transforme l’agriculture et l’agro-industrie au Sénégal”, je défends une idée simple : l’IA n’a d’impact que si les données et les règles du jeu sont solides. Les protocoles DHS harmonisés sont une de ces règles du jeu.

Pourquoi les examens DHS sont la colonne vertébrale de la sécurité semencière

Les examens DHS répondent à une question concrète : cette nouvelle variété est-elle réellement nouvelle, suffisamment uniforme et stable dans le temps ? Si la réponse est oui, on peut la protéger (droits d’obtenteur) et/ou l’inscrire à des catalogues nationaux ou régionaux. Dans les faits, ça détermine ce qui a le droit d’être multiplié à grande échelle et commercialisé comme variété reconnue.

Ce point est souvent sous-estimé. Une chaîne semencière robuste, c’est :

• Moins de “faux bons” matériels qui circulent parce qu’ils ressemblent à une variété connue mais ne tiennent pas leurs promesses.
• Plus de confiance entre obtenteurs, producteurs de semences, agro-industries et agriculteurs.
• Une diffusion plus rapide des variétés adaptées (sécheresse, salinité, cycles courts, maladies).

L’initiative OAPI à l’ISRA (réunion technique du 26 au 27/11/2025) a ciblé exactement ce qui fait la différence sur le terrain : harmonisation des protocoles d’examen, gestion des collections de référence, choix des témoins, délais de transfert du matériel végétal, qualité des rapports DHS et modalités de paiement des essais.

Une phrase à retenir : sans évaluations comparables entre pays et centres, il n’y a pas de “marché régional” fiable de la semence.

Ce que change l’harmonisation OAPI–ISRA (et pourquoi c’est stratégique)

Quand plusieurs centres accrédités appliquent des méthodes alignées, on gagne sur trois plans :

1. Comparabilité : les résultats “parlent la même langue” entre le Sénégal, le Burkina Faso, la Côte d’Ivoire et le Cameroun.
2. Traçabilité : on sait sur quels témoins et quelles références on s’appuie.
3. Décision : les autorités et les acteurs privés peuvent investir avec moins d’incertitude.

Et c’est là que l’IA entre en scène : un protocole harmonisé produit des données harmonisées. Or, l’IA est beaucoup plus utile quand les données sont cohérentes.

Ce que l’IA peut apporter aux évaluations DHS (sans remplacer les experts)

L’IA n’a pas vocation à “juger” à la place des examinateurs DHS. Son vrai rôle, c’est d’augmenter la capacité des équipes : mesurer plus vite, documenter mieux, détecter les anomalies plus tôt.

1) Phénotypage assisté par IA : des mesures plus rapides et plus objectives

La collecte de caractères morphologiques et agronomiques prend du temps, et une partie peut être subjective (appréciation visuelle, conditions de lumière, variabilité intra-parcelle). Avec de l’analyse d’images (smartphone, caméra, drone), on peut :

• quantifier la hauteur, la densité de couverture, certains aspects de vigueur, et des indices de végétation ;
• suivre la cinétique (évolution hebdomadaire) au lieu d’un simple constat ponctuel ;
• standardiser les mesures entre sites.

Pour le Sénégal, c’est particulièrement pertinent sur des stations et centres comme ceux cités dans l’actualité : Sangalkam (observations de collections de référence), Saint-Louis (riz et blé), CDH (horticulture), Bambey (légumineuses et céréales). Là où les cycles d’essais et la diversité des cultures rendent la charge de mesure très élevée, l’IA devient un accélérateur de productivité scientifique.

2) Détection d’anomalies : repérer l’hétérogénéité avant qu’elle coûte cher

Dans un essai DHS, l’homogénéité et la stabilité sont centrales. Une IA simple (modèle de détection d’outliers sur des variables mesurées régulièrement) peut :

• signaler des plantes atypiques (hors distribution) ;
• aider à distinguer un problème génétique d’un problème de conduite (irrigation, ravageurs localisés) ;
• améliorer la qualité des rapports en documentant des cas précis.

Le gain est très concret : moins d’essais à répéter, moins de délais, moins de contestations.

3) Automatisation documentaire : des rapports DHS plus rapides et plus homogènes

L’OAPI a travaillé sur la rédaction et la transmission des rapports DHS. C’est un chantier idéal pour l’IA, parce que la structure des rapports est répétitive.

Ce que j’ai vu fonctionner dans d’autres contextes :

• modèles de rapports pré-remplis (gabarits) ;
• génération assistée des descriptions variétales à partir de champs normalisés ;
• contrôle de cohérence (ex. valeurs manquantes, incohérences entre caractères).

Résultat : les experts passent moins de temps sur la mise en forme, plus de temps sur l’analyse.

Données, références, témoins : le “carburant” que l’IA exige

Le cœur des échanges OAPI–centres DHS a porté sur l’identification des témoins et la gestion des collections de référence. C’est un point technique, mais décisif.

L’IA a un défaut : elle adore apprendre des biais. Si la collection de référence est incomplète, mal maintenue, ou si les témoins changent trop souvent, on risque de produire des comparaisons bancales.

Une règle simple pour éviter les mauvaises surprises

Si un caractère ne peut pas être mesuré de façon stable (ou documenté proprement), il ne doit pas devenir une variable “décisive” dans un modèle.

Concrètement, pour bâtir une IA utile autour des essais DHS au Sénégal, il faut :

• un dictionnaire de données (mêmes variables, mêmes unités, mêmes moments de mesure) ;
• une traçabilité des lots de semences et du matériel végétal ;
• une gouvernance claire sur l’accès, l’archivage et la qualité.

Le fait que l’OAPI harmonise ces pratiques à l’échelle de son espace est une excellente nouvelle : on prépare une base de données régionale réellement exploitable, au service de la sélection, de la réglementation et du secteur privé.

Ce que ça change pour l’agro-industrie au Sénégal (au-delà des laboratoires)

Quand on parle de protection des obtentions végétales, certains y voient uniquement un sujet juridique. Je ne suis pas d’accord. Pour l’agro-industrie, c’est un sujet de compétitivité.

1) Sécuriser les investissements et les contrats

Une variété protégée et bien évaluée, c’est un produit plus “assurable” :

• contrats de multiplication plus clairs ;
• chaînes d’approvisionnement plus stables ;
• réduction du risque de litige sur l’identité variétale.

2) Mieux segmenter les marchés avec des preuves

L’IA appliquée au marketing agricole (oui, ça compte) devient plus efficace quand le produit est bien caractérisé :

• fiches techniques standardisées ;
• promesses commerciales adossées à des essais ;
• argumentaires adaptés aux zones agroécologiques.

3) Accélérer l’adoption : “bonne variété, bon producteur, bon moment”

Avec des données d’essais structurées, on peut croiser :

• performance variétale ;
• type de sol, accès à l’eau ;
• historique climatique ;
• pratiques culturales.

On n’est plus dans le “tout le monde plante pareil”. On va vers une diffusion plus intelligente : chaque bassin de production reçoit les variétés qui lui correspondent.

Plan d’action : par où commencer, dès janvier 2026

La fin d’année est souvent un moment de planification budgétaire. Voici un plan réaliste en 90 jours pour une organisation (centre de recherche, semencier, coopérative structurée, agro-industriel) qui veut connecter essais variétaux et IA, sans se perdre.

1. Cartographier les données existantes : où sont-elles, dans quel format, qui les possède ?
2. Standardiser 10 à 20 variables clés (par culture) : unités, fréquence, méthodes de mesure.
3. Mettre en place un “minimum viable dataset” sur une campagne : un essai, un site, un protocole clair.
4. Tester une brique IA simple : détection d’anomalies ou extraction de mesures par image.
5. Industrialiser le reporting : gabarits de rapports DHS, checklists qualité, archivage.

Le point critique : ne pas démarrer par un modèle complexe. Démarrez par la qualité de la donnée et la discipline de mesure. Ensuite, l’IA suit naturellement.

Ce que la visite OAPI à Sangalkam dit entre les lignes

La visite de terrain à la station de Sangalkam n’est pas un détail protocolaire. C’est la reconnaissance que la crédibilité des examens se construit sur :

• la qualité des installations et de la conduite des essais ;
• la rigueur des collections de référence ;
• la capacité à améliorer en continu.

Comme l’a souligné Dr Mame Codou Guèye (BPIRG/ISRA), l’enjeu dépasse la technique : l’accès à des semences de qualité reste un défi majeur, et chaque amélioration de l’évaluation est un pas vers une sécurité semencière plus robuste.

Cette dynamique (OAPI + centres accrédités) crée un terrain favorable pour l’étape suivante : connecter l’évaluation variétale à des outils IA opérationnels, au service des chercheurs, des semenciers et des filières.

Et maintenant : mettre l’IA au service de l’innovation variétale

On peut faire beaucoup de bruit avec l’IA en agriculture. Mais l’impact durable vient des fondations : protocoles, références, traçabilité, et une gouvernance de données sérieuse. L’actualité ISRA–OAPI montre que ces fondations sont en train de se consolider.

Si vous travaillez dans une filière riz, horticulture, céréales ou légumineuses au Sénégal, la question utile n’est pas “faut-il adopter l’IA ?”. C’est plutôt : quel processus variétal (mesure, reporting, diffusion) gagne 20% de temps dès cette année si on automatise intelligemment ?

Et si 2026 devenait l’année où la sélection variétale, la protection et la diffusion des semences au Sénégal passent d’une logique “papier + intuition” à une logique “preuves + données + IA” ?