Le secteur agricole repose sur un travail difficile à planifier car ce sont les conditions qui en décident. L'accompagnement des cultures, la planification des récoltes, le tri et le contrôle qualité, la planification du transport vers la criée ou l'acheteur, et le bloc administratif autour des labels et de la conformité : ce sont les postes où affluent le plus d'heures. La météo, l'horloge biologique de la culture ou de l'animal, et la disponibilité de la main-d'œuvre saisonnière déterminent le résultat plus que l'intention de planification. Celui qui livre ici, livre dans des conditions qui peuvent basculer d'une semaine à l'autre.
Pendant des années, on gagnait dans ce secteur en étant celui qui absorbait le mieux l'incertitude : le cultivateur ou l'entreprise avec le plus d'expérience, le regard le plus affûté sur les prévisions météo, la main la plus habile au tri. Cela reste pertinent. Mais le travail par lequel cette expérience se traduit en décision change de nature.
Au sein du bloc de travail agricole, trois catégories s'entremêlent, et savoir quelle étape relève de quelle catégorie explique pourquoi une entreprise travaille déjà autrement qu'une autre.
Ce qui peut être entièrement repris par l'IA, c'est le travail composé de schémas reproductibles avec suffisamment de données : la prévision de rendement basée sur des données de capteurs historiques et actuelles, la planification de l'irrigation basée sur l'humidité du sol et les prévisions météo, et le premier tri des produits par reconnaissance d'image. Les entreprises équipées de capteurs dans le sol et de caméras sur la ligne de tri laissent déjà ces étapes se dérouler sans intervention.
Partiellement, avec une personne qui approuve ou rejette avec justification, c'est le travail où le modèle donne un avis mais où le contexte est encore trop imprévisible pour un transfert complet : la décision de pulvériser maintenant ou d'attendre, le choix entre deux canaux de distribution en cas de différence de prix, l'estimation qu'une parcelle est prête ou non pour la récolte. Ici, le système génère une recommandation argumentée, et le cultivateur ou le chef d'exploitation la valide ou la bloque. Ce contrôle n'est pas une phase transitoire ; c'est la forme sous laquelle ce travail continuera d'exister, car la responsabilité et la connaissance locale restent du côté humain.
Le travail humain reste le contact avec l'acheteur qui demande du sur-mesure, la négociation d'un contrat de livraison, et les gestes physiques qui ne se laissent pas automatiser sans réorganisation de l'exploitation. La constitution du dossier pour un audit de label reste également, dans son essence, un travail humain, même si la collecte des données sous-jacentes peut être accélérée.
La différence entre les entreprises ne réside pas dans l'ambition mais dans ce qui existe déjà en matière de données et de capteurs. Une entreprise disposant de plusieurs années de données de capteurs sur le sol, la culture et le climat peut alimenter un modèle de prévision exploitable ; une entreprise sans cet historique part d'un modèle vide. Il en va de même pour la reconnaissance d'image lors du tri : elle n'est précise qu'après un entraînement sur de grandes quantités de photos de produits propres à l'entreprise. Celui qui n'a pas cette base reste plus longtemps dépendant de l'humain pour des étapes déjà reprises ailleurs. Ce n'est pas un retard d'engagement, c'est une différence dans ce qui a été construit.
Dès qu'une partie de la décision de culture, du tri ou de la planification logistique est confiée à un système, ce sur quoi un acheteur ou une criée évalue un fournisseur se déplace. Le délai de livraison et la sécurité des volumes étaient auparavant fonction de l'effectif et de l'expérience ; si la planification elle-même tient déjà compte de la météo, de la capacité de transport et de la fenêtre de récolte, la comparaison se déplace vers la question de savoir dans quelle mesure cette prévision se réalise de façon constante et à quelle vitesse on la corrige lorsque la pratique s'en écarte. La constance de la qualité était une question de savoir-faire sur la ligne de tri ; avec la reconnaissance d'image automatisée, cela devient une question de la quantité de données d'entraînement et du nombre de niveaux de contrôle qu'une entreprise a mis en place. La dimension sur laquelle on gagne conserve le même nom, mais la question qui la sous-tend change.
Ce schéma n'est pas propre à l'agriculture et à l'horticulture. Le même glissement de l'effectif vers la qualité du système se retrouve dans le secteur informatique, où le délai de livraison des projets change en raison d'une planification automatisée, dans les services financiers, où l'évaluation des risques est en partie confiée à des modèles, et dans le secteur des loisirs, où la prévision des réservations pilote la planification des capacités. La question n'est jamais de savoir si l'IA reprend le travail, mais quelle partie, avec quel contrôle, et ce que cela signifie pour la comparaison avec le concurrent.
Cette page ne se prononce pas sur les décisions de personnel qui pourraient découler de ce glissement ; celles-ci relèvent d'exigences légales propres qui n'entrent pas dans le cadre d'une comparaison de marché.
Un cultivateur ou une coopérative qui affirme gagner sur le délai de livraison ou la constance de la qualité doit pouvoir étayer cette affirmation par quelque chose de vérifiable : un chiffre, une déclaration client, une certification. La manière de confronter une telle affirmation à celle d'un concurrent sans combler ce que vous ne savez pas est décrite dans une méthode pour évaluer un concurrent sans faire d'hypothèses, et le dispositif plus large qui la sous-tend dans une explication de la manière de comparer votre entreprise à ses concurrents. Savoir quel travail dans votre propre entreprise peut déjà être repris par l'IA, et quelle partie continuera de requérir un contrôle, est une autre question que celle de savoir sur quoi vous gagnez ; c'est à cette première question que répond le scan de travail de FTE TO AI, tâche par tâche.
Identifiez pour vous-même les deux ou trois dimensions sur lesquelles vous pensez l'emporter sur les entreprises de votre groupe de comparaison. Vérifiez, pour chaque affirmation, si elle repose sur une preuve capable de convaincre un tiers extérieur. Le contrôle gratuit des dimensions vous permet de mettre ces affirmations côte à côte et montre lesquelles peuvent être défendues par des preuves. Le benchmark complet, avec des scores sur l'ensemble du groupe de comparaison et une matrice de preuves consultable, est en cours de construction.