Au Québec, les politiques publiques misent notamment sur l’agriculture numérique afin d’améliorer la productivité et le bilan environnemental du secteur agricole. En janvier 2026, le ministère de l’Agriculture, des Pêcheries et de l’Alimentation du Québec a par exemple lancé l’initiative AgroPerformance, un programme de soutien aux fermes qui intègrent la robotique, l’IA ou l’automatisation en vue notamment de lutter contre les changements climatiques. Face à une demande massive, les sommes disponibles ont été épuisées en seulement six minutes.
Dans un précédent Éthique Hebdo, la CEST soulignait certaines des limites associées aux promesses du virage numérique en agriculture. Le présent Éthique Hebdo propose d’approfondir les enjeux environnementaux soulevés plus particulièrement par l’intégration d’outils d’IA dans le milieu de l’agriculture végétale.
Usages et bénéfices environnementaux potentiels des outils d’IA en agriculture
Les outils d’IA mobilisés en agriculture s’inscrivent principalement dans le cadre de l’agriculture de précision, laquelle vise à ajuster les interventions agricoles en fonction de données très précises et contextualisées. Les outils d’IA peuvent contribuer à ce modèle de différentes manières. Par exemple :
- Grâce à l’utilisation combinée de capteurs, de drones et de satellites, ils peuvent renforcer le suivi en temps réel d’une multitude de facteurs, tels que la santé des sols, les niveaux d’humidité, ou les conditions météorologiques. Ces données servent à ajuster plus finement les intrants, notamment la distribution de l’eau, des fertilisants et des pesticides.
- Ils peuvent également être mobilisés dans l’automatisation des tâches agricoles. La robotisation des fermes permet aujourd’hui de planter, irriguer et récolter de manière plus précise. Les systèmes d’IA peuvent être intégrés à ces fonctions, par exemple afin d’améliorer l’identification et l’élimination ciblée des mauvaises herbes, réduisant ainsi le recours aux herbicides.
- Ces outils peuvent aussi réaliser des analyses prédictives fondées sur des données historiques et en temps réel (notamment météorologiques), afin d’optimiser le choix des semences, les calendriers de plantation et les stratégies de gestion des cultures.
- Des outils d’IA sont également utilisés sur des données génomiques afin de déterminer avec précision des modifications génétiques qui permettent l'expression de nouveaux traits capables d'améliorer la productivité des cultures.
Dans l’ensemble, ces gains en efficience sont fréquemment présentés comme porteurs de bénéfices environnementaux, principalement en raison de la réduction des intrants (eau, pesticides, herbicides) rendue possible par cette optimisation.
Effets environnementaux du numérique et risque de verrouillage technologique des modèles agricoles
Malgré ces bénéfices potentiels, les promesses des outils d’IA en agriculture doivent être abordées avec prudence considérant certains enjeux:
Premier enjeu: les effets environnementaux du numérique
Les technologies numériques, de manière générale, génèrent des effets environnementaux souvent sous-estimés. Les outils d’IA, dans la mesure où ils reposent sur un ensemble de technologies numériques, sont associés à une hausse de la pollution globale à toutes les étapes de leur cycle de vie, notamment en termes de consommation d’eau et d’énergie, mais aussi d’utilisation de ressources non renouvelables. L'entraînement et le fonctionnement des modèles d'IA pour l'agriculture de précision dépendent de centres de données gourmands en électricité, lesquels nécessitent par ailleurs d’importantes quantités d'eau douce pour leur refroidissement. La fabrication de capteurs connectés, de drones et de serveurs spécialisés exige quant à elle l'extraction de métaux rares et génère des déchets électroniques.
À ces effets s’ajoutent aussi d’éventuels « effets rebonds » qui pourraient compenser, voire annuler certains gains environnementaux. Ces effets pourraient par exemple survenir si les économies réalisées grâce aux gains d'efficacité créaient un incitatif à cultiver davantage de terres marginales ou à augmenter l'intensité des cultures.
Or, les discours associant le virage numérique en agriculture à la durabilité font rarement mention de ces conséquences environnementales. Celles-ci sont par ailleurs difficiles à évaluer, notamment en raison d'un manque de données sur le cycle de vie des technologies numériques agricoles.
Deuxième enjeu : Risque de verrouillage technologique des modèles agricoles
Au-delà de ces effets environnementaux, les outils d’IA pourraient également contribuer au verrouillage technologique des modèles agricoles.
Le verrouillage technologique désigne la difficulté de s’éloigner de certaines pratiques une fois qu’un système est structuré autour d’une technologie donnée. Ce phénomène n’est pas nouveau en agriculture : l’adoption intégrée de machineries, de pesticides, d’herbicides et d’organismes génétiquement modifiés (OGM) a contribué à instaurer une forte dépendance du secteur agricole à des pratiques intensives, largement construites autour de monocultures. Ce modèle est associé à des conséquences environnementales considérables, notamment en matière de réduction de la biodiversité, de dégradation des sols et de pollution des eaux.
De manière analogue, la numérisation de l’agriculture et l’intégration croissante des outils d’IA risquent de renforcer une dépendance à un écosystème technologique principalement conçu pour soutenir les cultures à grande échelle. En effet, le marché des technologies agricoles numériques est largement dominé par un petit nombre de grandes entreprises qui développent ces outils en priorité pour les besoins des exploitations industrielles. Or, cette configuration pourrait ralentir l’adoption de modèles agricoles alternatifs favorables à la préservation de l’environnement et la lutte aux changements climatiques – et reposant généralement sur de plus petites exploitations – tels que la polyculture ou l’agroforesterie.
D’abord, l’offre technologique associée à ce marché est majoritairement centrée sur des équipements coûteux et peu adaptés aux petites exploitations, tels que des tracteurs autonomes de grande taille ou des plateformes de suivi optimisées pour des cultures comme le maïs et le soya. Les petites fermes, moins en mesure d’investir dans ces technologies et donc moins en mesure de bénéficier d’éventuels gains de précision et d’efficience, pourraient ainsi devenir moins compétitives, réduisant les incitatifs économiques à adopter ou à maintenir des modèles agricoles alternatifs.
De plus, le recours à ces outils pourrait contribuer à une interdépendance accrue entre différentes technologies agricoles favorisant le recours aux pesticides et aux herbicides. En effet, ces outils sont souvent intégrés dans des systèmes déjà dépendants de l’usage d’intrants chimiques nocifs pour l’environnement, tels que le glyphosate. Les systèmes d’IA, fondés sur des données issues de ces contextes d’usage, pourraient alors normaliser et reproduire des stratégies de gestion des cultures reposant sur l’application de ces intrants, plutôt que favoriser des approches fondées sur la diversification des cultures ou la réduction des intrants.
Penser la durabilité de l’agriculture au-delà des gains d’efficience
Sans une réflexion critique sur leurs usages et leurs finalités, les outils d’IA en agriculture risquent de renforcer le recours à certaines pratiques agricoles intensives et d’accentuer les conséquences environnementales des technologies numériques. Pour favoriser un bilan environnemental plus positif, certaines pistes peuvent être envisagées, comme leur intégration à des modèles agroécologiques, la valorisation de données agricoles ouvertes et décentralisées, et le développement d’outils adaptés aux petites fermes et à la diversité des systèmes agricoles. Enfin, certains spécialistes soulignent que le recours à ces outils ne devrait pas masquer d’autres voies possibles de transition vers une agriculture plus durable, telles que le soutien d’alternatives agroécologiques, le renforcement de l’autonomie des agriculteurs et des agricultrices et la valorisation des savoirs locaux.
