Geco Strategic Weed Management développe une IA agricole différente de la caméra qui repère une adventice juste avant le pulvérisateur. Son logiciel utilise plusieurs années d’images et d’historique pour estimer les zones persistantes avant l’intervention suivante. EMILI signalait, dès janvier 2026, une disponibilité commerciale en Amérique du Nord et une utilisation dans plus de 160 exploitations de sept pays, contre trois fermes d’essai de l’Ouest canadien en 2023. C’est une preuve de portée, pas encore de bénéfices reproductibles.
La distinction économique importe. Davantage de semences ou un herbicide plus puissant peuvent améliorer la culture tout en augmentant les coûts. Geco propose d’identifier, grâce à l’historique, où cette dépense supplémentaire se justifie. Les essais avec EMILI, au Manitoba, et le réseau national AIVA cherchent à relier zones prédites, adventices mesurées, récoltes et opérations des machines, plutôt qu’à produire seulement de séduisantes cartes colorées.
La banque de semences n’est pas photographiée sous terre
Une banque de semences est une réserve de graines viables dans le sol ou à proximité. Certaines germent cette saison, d’autres restent dormantes et créent une pression future. Une parcelle peut sembler propre après un herbicide efficace et conserver cette réserve. Dans le reportage de Country Guide, le fondateur Greg Stewart déplace l’attention des plantes visibles aujourd’hui vers les populations récurrentes et les efforts durables pour réduire leurs pires concentrations.
L’entreprise dit généralement analyser cinq ans d’historique et plus de 100 images satellites, avec IA et modèles agronomiques. Drones et données de pulvérisateurs optiques peuvent compléter le dossier. Il s’agit d’une inférence tirée d’observations répétées, pas d’un comptage satellitaire direct des graines souterraines. L’utilité dépend de la distinction entre signaux d’adventices, stress des cultures, repousses, résidus, sol nu, maladies et variations ordinaires.
Le résultat découpe la parcelle en zones de gestion. Un semis plus dense peut renforcer la concurrence pour la lumière, l’eau et les nutriments ; les herbicides résiduels restent actifs dans le sol un certain temps contre les plantes en germination. Travail du sol et contrôle des graines à la récolte sont d’autres options. Rotation, résistance, sols, matériel et programme existant déterminent toujours l’action adaptée. La carte ne remplace pas l’agronome et ne prescrit pas un traitement universel.
Les fichiers de préconisation convertissent les zones en instructions de modulation pour semoirs, pulvérisateurs, outils ou machines autonomes compatibles. Geco affirme fonctionner avec les marques existantes sans imposer une plateforme dédiée. Cela réduit un obstacle, pas les besoins de registres précis, de préparation des fichiers et de compatibilité réelle. Une prévision n’acquiert de valeur opérationnelle que si le matériel peut l’exploiter pendant la fenêtre de travaux adaptée.
Croissance dans un marché où l’IA reste peu déployée
EMILI, l’Enterprise Machine Intelligence and Learning Initiative, travaille avec Geco depuis 2023. Le chiffre de plus de 160 exploitations ne révèle ni superficie inscrite, ni fréquence d’utilisation, ni renouvellement, ni rétention pluriannuelle. Ces mesures renseigneraient mieux l’engagement que le seul nombre de fermes. L’expansion d’une startup n’établit pas non plus une utilisation généralisée dans l’agriculture canadienne.
L’analyse de l’adoption de Farm Credit Canada et Deloitte indiquait 1,8 % d’entreprises agricoles canadiennes utilisant l’IA au deuxième trimestre 2025, contre 12,2 % dans les autres secteurs. Connexion rurale, contraintes financières, pénurie de compétences, infrastructures fragmentées et gouvernance incertaine constituaient des obstacles. Geco grandit donc dans un environnement difficile et inégal, pas dans un secteur universellement automatisé.
EMILI fournit au Manitoba terres, archives, observations par drone et relevés au sol. AIVA élargit la validation avec des partenaires en Alberta, en Ontario et en Saskatchewan. Le programme couvre blé, soja, pommes de terre, maïs, seigle, orge, canola et féveroles ; des parcours robotiques distincts concernent citrouilles et oignons. Couverts, stades, sols, météo et espèces différents font du passage d’un champ de blé aux pommes de terre d’une autre région une question à tester, pas une évidence.
Les premières validations concernaient kochia résistante aux herbicides et folle avoine, problèmes majeurs des Prairies pour des programmes dépendant de peu de classes chimiques. Les travaux d’Agriculture et Agroalimentaire Canada sur la kochia indiquent jusqu’à 30 000 graines par plante et une résistance croissante. Les foyers persistants sont donc importants : concentrer les mesures coûteuses peut aider, mais l’importance biologique ne prouve pas une rentabilité.
Trois expériences relient prédiction et terrain
La validation initiale d’EMILI comparait modèles satellites, drones et observations physiques, avec une identification fiable des grandes plaques dans les parcelles testées. Cela soutenait les préconisations à partir de données largement disponibles, sans établir une performance équivalente pour chaque espèce, culture, parcelle ou stade.
Les expériences AIVA actuelles comparent d’abord zones satellites, espèces et densités observées lors de quatre visites saisonnières. La vérification fait partie du processus. Les images répétées limitent la dépendance à une saison inhabituelle, sans supprimer les ambiguïtés de météo, de calendrier d’application, d’accès ou de changements de culture.
Une deuxième expérience combine semis de référence et augmentés avec doses de référence et augmentées d’herbicide résiduel. Le semis augmente d’environ 25–50 % dans certaines zones. Les chercheurs mesureront pression des adventices, rendement et protéines. Ces résultats relient détection, agronomie et revenu ; l’augmentation elle-même n’est pas une recommandation universelle.
Une troisième compare des parcours de désherbeurs robotiques orientés vers les adventices à des lignes droites traditionnelles dans les citrouilles et oignons. Une capacité quotidienne limitée peut rendre la priorité utile, également pour les observateurs humains. Les caméras demandent ce qui pousse ici maintenant ; Geco où la pression revient entre saisons. Prédiction, détection rapprochée et contrôle humain peuvent se compléter sans s’exclure.
Un résultat prometteur ne représente pas tous les clients
En 2025, Geco et EMILI ont testé le semis augmenté dans trois bandes larges de 120 pieds chacune sur une parcelle Innovation Farms. Les zones choisies ont reçu 25 % de semences supplémentaires. EMILI rapportait 7 % de rendement en plus et 29 % d’adventices en moins. Stewart parlait d’un retour de sept fois le coût des semences supplémentaires. Attribution et dénominateur comptent : un traitement particulier durant une saison, pas sept fois tous les frais du logiciel ou un résultat de tous les clients.
Le mécanisme est la concurrence culturale connue ; Geco fournit le ciblage. Ajouter des graines partout pourrait les gaspiller dans les zones peu infestées, tandis qu’un herbicide haut de gamme ne serait justifié que par une pression suffisante. Un essai de blé 2026 teste les quatre combinaisons de semis et de traitement résiduel de référence/augmentés ; Olds College mène des blocs répliqués comparables en Alberta. Pression et récolte précéderont les comparaisons agronomiques et économiques.
Le calcul complet doit inclure logiciel, temps agronomique, semences ou produits supplémentaires, passages, préparation, relevés et complexité. Il doit séparer ciblage et simple augmentation du traitement. Une année pluvieuse favorable ou une variation de parcelle peut amplifier le gain ; éviter de futures graines peut créer une valeur absente de la récolte actuelle. Une stratégie sur plusieurs saisons exige donc une évaluation pluriannuelle.
La réplication entre cultures importe aussi : un couvert de blé concurrentiel diffère de légumes espacés et l’économie du canola de celle du soja. EMILI recueille des observations indépendantes du modèle et AIVA peut tester au-delà du Manitoba. Cela accroît la crédibilité sans trancher. Les données publiques manquent toujours de distributions de profits par client, taux d’échec, superficies inscrites et rétention pluriannuelle. Cette lacune définit la preuve restante, sans invalider les premiers résultats.
La résolution impose des limites aux algorithmes
Les satellites offrent couverture et archives, y compris pour des parcelles jamais survolées par drone. Ils peuvent identifier de grandes plaques récurrentes mais manquer de petites plantes ou mélanger plusieurs éléments dans un pixel. Les nuages interrompent la collecte ; résidus, couleur du sol, ombres, fermeture du couvert et stade compliquent la classification. Répétitions et images supplémentaires aident, mais le signal nécessite toujours une vérification au sol.
Une étude UAV de 2026 évaluée par les pairs comparait trois méthodes par drone à une référence par caméra terrestre sur jachère estivale. Toutes sous-comptaient les adventices : omissions de 41–65 % pour RGB, 48–73,5 % pour proche infrarouge et 78–85 % pour YOLO. Point crucial, elle n’évaluait ni Geco ni sa méthode satellitaire pluriannuelle. Elle illustre pourquoi la complexité ne compense pas automatiquement le manque de détail ; ces taux ne doivent pas être attribués à Geco.
Des zones persistantes sont un objectif plus large que compter chaque petite plante au jour du traitement et peuvent mieux convenir aux satellites. Pourtant les faux positifs gaspillent des intrants, tandis que les faux négatifs laissent des populations résistantes produire des graines. Les coûts sont asymétriques, selon espèce, résistance, valeur culturale, traitement et production attendue de semences. Un score générique ne remplace pas la mesure des conséquences d’une action sur une zone erronée.
Les décisions restantes appartiennent aux fermes et validateurs
La gouvernance des données compte aussi : historique, images et cartes peuvent révéler des performances sensibles. Propriété, stockage, réutilisation et portabilité nécessitent des conditions claires, tout comme le transfert logiciel-machine sans préparation manuelle répétée. Préparer les fichiers avant les travaux réduit la connexion nécessaire, mais un haut débit insuffisant peut retarder envois, assistance et images. Les agronomes doivent toujours questionner les zones inhabituelles et adapter les actions à l’historique cultural et de résistance.
La prochaine preuve devrait réunir résultats nets répliqués des essais modulés, faux positifs et négatifs par espèce dans les sites AIVA, et intégration pratique dans le matériel actif. Des bénéfices concentrés sur certaines cultures demanderaient un usage plus ciblé, pas une affirmation de précision universelle. Le test robotique est concret : il demande où une véritable machine doit travailler d’abord, pas si un tableau de bord paraît plausible.
La proposition substantielle de Geco est de rendre la lutte coûteuse plus sélective grâce à plusieurs saisons de preuves. Reste à déterminer où cette sélectivité réduit la pression future sans créer des coûts présents plus élevés. Comparer traitements et témoins sur plusieurs saisons, avec historique local et coûts complets, en dira plus que la portée commerciale seule.
Une entrée d’agrégation Google News offre une autre voie vers la couverture ; ce n’est ni une étude de terrain supplémentaire ni une déclaration officielle de Geco.