IA & innovation publique: agriculture plus juste au Sénégal

Le 24/12/2025 à Dakar, un message a été posé sans détour : l’innovation publique doit être responsable. Olivier Boucal, ministre de la Fonction publique et de la Réforme du service public, l’a formulé avec une exigence qui dépasse largement l’administration. Cette exigence s’applique aussi à un secteur où la confiance est un intrant aussi décisif que l’eau ou l’engrais : l’agriculture sénégalaise.

Fin décembre, c’est souvent le moment des bilans, des programmations de campagne, des arbitrages budgétaires côté entreprises agro-industrielles, et des décisions d’allocation (semences, engrais, matériel) côté programmes publics. C’est exactement à ce moment-là que l’IA devient tentante : prévoir les rendements, cibler les subventions, détecter les fraudes, optimiser la logistique. Mais l’IA peut aussi créer de nouvelles exclusions si elle est mal déployée.

Dans cette série “Comment l’IA transforme l’agriculture et l’agro-industrie au Sénégal”, je prends ici une position claire : sans innovation publique responsable, l’IA agricole risque de renforcer les inégalités au lieu d’améliorer la productivité. La bonne nouvelle, c’est qu’on sait déjà quoi faire — et le Gov’Athon 2025, avec la victoire d’AgriDataGov (prime de 20 millions FCFA), donne un bon point d’appui.

Innovation publique responsable : la règle du jeu pour l’IA agricole

Réponse directe : pour que l’IA serve l’agriculture, l’État (et ses partenaires) doit prioriser trois choses : confiance, accès, éthique.

Quand Olivier Boucal dit que l’innovation “doit améliorer l’accès et non créer de nouvelles exclusions”, il met le doigt sur le risque n°1 des projets numériques agricoles : concevoir des outils qui marchent très bien… pour ceux qui ont déjà un smartphone, une bonne connexion, une maîtrise du français écrit, et la possibilité de se déplacer pour “valider” un dossier.

Appliquée à l’agriculture, l’innovation responsable se traduit par des choix concrets :

• Accessibilité : interfaces en langues locales, parcours USSD/SMS, assistance via relais communautaires.
• Équité : prise en compte des femmes productrices, des jeunes, des exploitations de petite taille, des zones à faible connectivité.
• Transparence : règles d’allocation compréhensibles, notifications traçables, possibilité de recours.
• Protection des données : minimisation, consentement, sécurité, gouvernance claire.

Une phrase “snippet” à garder : Une IA utile en agriculture n’est pas celle qui prédit le mieux, c’est celle qui améliore la décision sans retirer de droits aux producteurs.

Ce que “renforcer la confiance” veut dire, sur le terrain

Dans les intrants, la confiance se joue sur des détails très pratiques : qui est éligible, pourquoi, quand, comment les quantités sont calculées, et comment un agriculteur peut contester.

Une IA peut aider à prioriser et à planifier. Mais si la décision finale devient une “boîte noire”, le résultat est prévisible : rumeurs, soupçons de favoritisme, contournements, et parfois abandon du dispositif.

Le principe à adopter est simple : l’IA doit expliquer, pas décréter.

De Gov’Athon à la réalité agricole : AgriDataGov comme cas d’école

Réponse directe : AgriDataGov est intéressant parce qu’il adresse un point critique : le suivi des intrants et des équipements.

Selon l’article APS, le Projet AgriDataGov — une plateforme numérique de suivi des intrants et des allocations d’équipements agricoles — a remporté le Gov’Athon 2025. On n’a pas besoin d’enjoliver : sur ce sujet, les gains potentiels sont immédiats.

Ce que peut changer une plateforme “intrants + équipements”

Une plateforme bien conçue peut :

1. Réduire les doublons (même bénéficiaire enregistré plusieurs fois).
2. Limiter les pertes (stocks “introuvables”, écarts entre commande, livraison, distribution).
3. Accélérer la distribution (meilleure planification, moins d’allers-retours).
4. Améliorer le ciblage (prioriser les zones/segments les plus vulnérables ou stratégiques).

Et l’IA, là-dedans ? Elle devient pertinente quand la base est propre :

• Détection d’anomalies : repérer des schémas atypiques (quantités anormalement élevées, répétitions suspectes, incohérences géographiques).
• Prévision de demande : estimer les besoins par zone selon l’historique, la pluviométrie, les calendriers culturaux.
• Optimisation logistique : proposer des tournées et des points de dépôt réduisant coûts et retards.

Le piège classique : digitaliser une injustice

Si les règles d’allocation sont floues, une plateforme ne fait que les exécuter plus vite. Et si les données d’entrée sont biaisées (exploitations non enregistrées, femmes non déclarées comme “cheffes d’exploitation”, parcelles non cartographiées), l’IA apprend le biais et le reproduit.

La règle pratique : avant d’ajouter de l’IA, sécuriser les données, les règles et les recours.

Données agricoles : ouvrir, oui — mais avec une gouvernance claire

Réponse directe : l’ouverture des données est utile en agriculture si elle est assortie de limites nettes : qui accède à quoi, pour quel usage, et comment on protège les personnes.

Olivier Boucal souligne que l’État choisit “d’ouvrir ses portes et ses données”, d’exposer ses défis et d’inviter jeunesse, universités, startups et citoyens innovateurs à co-construire. Dans l’agri/agro-industrie, cette logique est puissante : elle accélère l’innovation locale (modèles de prévision, services météo, scoring de crédit agricole, traçabilité).

Mais l’agriculture, ce n’est pas seulement des hectares et des rendements. Ce sont aussi :

• des identités et des situations économiques,
• des localisations (sensibles dans certaines zones),
• des informations commerciales (volumes, fournisseurs, clients).

Une grille simple de gouvernance des données (utilisable dès 2026)

Je recommande une grille en 4 niveaux :

• Données publiques : prix moyens, statistiques agrégées par région, calendriers culturaux.
• Données partagées sous conditions : données parcellaire anonymisées, séries météo localisées, indicateurs de distribution agrégés.
• Données personnelles protégées : identité des producteurs, coordonnées, situation sociale, historique de subventions.
• Données sensibles : localisation précise liée à des risques, données commerciales de filières, informations pouvant exposer à des abus.

Principe “snippet” : Ouvrir des données agricoles sans gouvernance, c’est accélérer l’innovation… et accélérer aussi les abus.

IA pour l’agro-industrie : productivité, qualité, traçabilité… mais inclusive

Réponse directe : l’IA aide l’agro-industrie sénégalaise quand elle connecte trois maillons : production, transformation, marché.

Beaucoup d’entreprises agro-industrielles veulent de l’IA pour prévoir l’approvisionnement, stabiliser la qualité, et réduire les pertes. C’est logique, surtout en période de fin d’année où les ruptures de stock et la volatilité des prix sont coûteuses.

Voici des usages à fort retour sur effort (et réalistes localement) :

Prévision et planification (approvisionnement)

• Modèles de prévision basés sur historiques d’achats, saisonnalité, données météo.
• Alertes sur risques de déficit de collecte par zone.

Contrôle qualité assisté (transformation)

• Vision par ordinateur pour détecter défauts (calibrage, tri) sur lignes semi-automatisées.
• Suivi de paramètres critiques (température, humidité) avec seuils et alertes.

Traçabilité et conformité (marché)

• Lots, provenances, dates, conditions de stockage.
• En cas de problème, retrait ciblé plutôt que crise généralisée.

Mais pour rester “responsable”, une condition : ne pas exclure les petits producteurs des chaînes d’approvisionnement parce qu’ils n’ont pas les outils numériques.

Solution pragmatique : des modes hors-ligne, des points de saisie assistée (coopératives, opérateurs), et des règles de validation compréhensibles.

Mettre en place une IA agricole responsable : 7 décisions non négociables

Réponse directe : une IA agricole responsable se pilote comme une politique publique : objectifs, règles, contrôle, recours, mesure d’impact.

Voici une check-list que j’utilise souvent pour évaluer un projet (public, startup, ou agro-industriel) :

1. Objectif explicite : quel problème précis (retards, pertes, fraude, ciblage, qualité) ?
2. Critères d’équité : qui risque d’être laissé de côté (zones blanches, femmes, petits producteurs) ?
3. Transparence des règles : l’utilisateur comprend-il pourquoi il est accepté/refusé ?
4. Recours simple : contestation possible par SMS, guichet, coopérative, avec délais.
5. Données minimales : collecter seulement ce qui est nécessaire, pas “au cas où”.
6. Sécurité & accès : rôles, journaux d’accès, audits, séparation des environnements.
7. Mesure d’impact : indicateurs avant/après (délais de distribution, taux de doublons, satisfaction, couverture femmes/jeunes).

Phrase “snippet” : Si un système n’a pas de recours, ce n’est pas un service : c’est une contrainte.

Ce que le Gov’Athon dit (vraiment) à l’écosystème agri-tech

Réponse directe : le Gov’Athon montre que l’administration accepte d’être “challengée” et que l’innovation peut être co-construite avec les startups, universités et chercheurs.

C’est une bonne nouvelle pour l’agriculture, parce que les meilleures solutions IA sont rarement “achetées sur étagère”. Elles se construisent avec :

• les services techniques (règles, contraintes, dispositifs),
• les collectivités et relais terrain (réalité des parcours),
• les agriculteurs (usage réel, contraintes de langue/temps),
• les transformateurs (qualité, volumes, exigences),
• les fintech/assureurs (risque, financement, indemnisations).

L’ambassadeur du Maroc au Sénégal, Hassan Naciri, a salué une jeunesse qui co-construit. Sur le fond, c’est ça le sujet : une IA agricole utile sort des hackathons quand elle est intégrée dans un dispositif, avec budget, gouvernance, et droit au correctif.

Prochaine étape : passer de la plateforme à la confiance mesurable

L’innovation publique responsable, telle que défendue par Olivier Boucal, est une ligne directrice solide pour l’IA dans l’agriculture et l’agro-industrie au Sénégal : améliorer l’accès, protéger les données, garantir la transparence, prévenir les abus.

Si vous travaillez sur une solution IA (conseil agricole, intrants, crédit, assurance, collecte, transformation), je vous propose un test simple : un producteur qui n’a qu’un téléphone basique et peu de temps peut-il bénéficier du service sans passer par un “intermédiaire obligatoire” ? Si la réponse est non, le projet doit être corrigé avant de s’étendre.

La suite logique, en 2026, c’est de faire une chose très concrète : publier des indicateurs de confiance (délais, taux de plaintes traitées, couverture des zones, part des femmes bénéficiaires, anomalies détectées et corrigées). L’IA agricole deviendra crédible le jour où elle sera non seulement performante, mais aussi redevable.

Et vous, sur quel maillon — intrants, conseil, collecte, transformation, marché — l’IA responsable peut-elle améliorer le plus vite la vie des producteurs, sans créer de nouvelles exclusions ?