La cartographie des mauvaises herbes par Geco AI progresse rapidement, mais la rentabilité agricole reste à prouver

La cartographie des mauvaises herbes par Geco AI est passée de trois exploitations de l’Ouest canadien en 2023 à plus de 160 exploitations réparties dans sept pays. Cette croissance donne du poids aux affirmations selon lesquelles l’intelligence artificielle devient une technologie agricole en pleine accélération.

Le changement important ne réside pas dans une nouvelle caméra capable de reconnaître les mauvaises herbes juste avant le passage d’un pulvérisateur. Geco Strategic Weed Management analyse plusieurs années d’images et d’historique de parcelles afin de prévoir où des populations persistantes de mauvaises herbes risquent d’émerger.

Cette distinction avance le moment de la décision. Les agriculteurs et les agronomes peuvent cibler les semences, les herbicides, le travail du sol ou la capacité robotique avant que les mauvaises herbes visibles ne dictent la réponse.

Toutefois, l’adoption ne tranche pas à elle seule la question économique. Geco, EMILI, basée au Manitoba, et le réseau national AIVA testent encore si les zones de mauvaises herbes prédites produisent des rendements reproductibles selon les cultures, les régions et les systèmes de gestion.

La cartographie des mauvaises herbes par Geco AI cible la banque de semences, pas seulement les plantes visibles

Le pari central de Geco est que la carte des mauvaises herbes la plus utile décrit une population sur plusieurs années, et non la végétation d’une seule journée.

Une banque de semences de mauvaises herbes est la réserve de graines viables présente dans ou à proximité du sol. Certaines graines germent au cours de la saison en cours, tandis que d’autres restent dormantes et exercent une pression les années suivantes.

L’observation traditionnelle fournit aux agriculteurs des informations précieuses sur les plantes déjà visibles dans une parcelle. Les pulvérisateurs équipés de caméras identifient également les mauvaises herbes levées, puis activent des buses individuelles ou des sections pendant l’application.

Geco fonctionne sur une autre échelle temporelle. Son logiciel utilise l’intelligence artificielle, l’imagerie satellite, les données historiques de parcelles et des modèles agronomiques pour estimer où se développent des zones récurrentes de mauvaises herbes.

L’entreprise indique analyser généralement cinq ans d’historique de parcelles et plus de 100 images satellites. Des images de drones ou des données de pulvérisateurs optiques peuvent compléter cet historique lorsqu’elles sont disponibles.

Cette vision historique compte, car un sol propre n’indique pas nécessairement une banque de semences vide. Un traitement herbicide réussi peut éliminer les plantes levées alors que des graines viables demeurent sous la surface.

Le fondateur de Geco, Greg Stewart, a décrit cette évolution dans le rapport original sur la cartographie des mauvaises herbes. Les agriculteurs commencent à prendre en compte la population souterraine et les actions soutenues nécessaires pour réduire ses concentrations les plus importantes.

La carte résultante n’est pas conçue pour remplacer un agronome ni pour prescrire un traitement universel. Elle divise une parcelle en zones où les outils de gestion existants peuvent être appliqués différemment.

Un agriculteur pourrait augmenter la densité de semis de la culture dans un point chaud prédit. Une concurrence accrue de la culture peut limiter l’accès des mauvaises herbes à la lumière, à l’eau et aux nutriments.

Une autre parcelle pourrait recevoir un herbicide résiduel dans des zones sélectionnées. Les herbicides résiduels restent actifs dans le sol pendant un certain temps après l’application et ciblent les mauvaises herbes à mesure qu’elles germent.

Le travail du sol et le contrôle des graines de mauvaises herbes à la récolte constituent d’autres réponses possibles. Le choix approprié dépend de la rotation des cultures, des profils de résistance, des conditions du sol, de l’équipement et du programme de gestion des mauvaises herbes déjà en place sur l’exploitation.

Le logiciel produit des fichiers de prescription pour les machines agricoles compatibles. Ces fichiers indiquent à l’équipement à dose variable où le niveau d’un intrant doit changer lors de son déplacement dans une parcelle.

Ce flux de travail rend la prédiction opérationnelle. Une carte colorée à l’écran a une valeur limitée si elle ne peut pas guider un semoir, un pulvérisateur, un outil de travail du sol ou une machine autonome.

Geco affirme que ses fichiers fonctionnent avec les marques d’équipement existantes plutôt que d’exiger une plateforme de machines dédiée. Cela réduit un obstacle à l’adoption, sans éliminer le besoin de relevés de parcelles précis.

L’approche modifie également l’unité d’analyse. Au lieu de traiter une parcelle comme un bloc uniforme, l’exploitation peut gérer les zones persistantes comme des problèmes biologiques distincts.

C’est pourquoi cette histoire va au-delà d’une fonctionnalité supplémentaire d’IA agricole. Le logiciel tente de transformer des observations historiques incomplètes en une stratégie de gestion des mauvaises herbes sur plusieurs saisons.

De trois exploitations à plus de 160

La croissance de Geco est notable parce que l’adoption de l’IA agricole au Canada reste faible, même si l’empreinte de l’entreprise s’étend.

EMILI, l’Enterprise Machine Intelligence and Learning Initiative, a commencé à travailler avec Geco en 2023. À ce moment-là, la technologie était testée dans trois exploitations de l’Ouest canadien.

En janvier 2026, EMILI a indiqué que Geco était disponible commercialement en Amérique du Nord et utilisé dans plus de 160 exploitations réparties dans sept pays. Des documents ultérieurs ont décrit ce total comme dépassant 160 exploitations.

Cette expansion doit être interprétée avec prudence. Elle démontre une portée commerciale, mais ne précise pas combien d’acres chaque client a inscrits ni avec quelle régularité ils utilisent les prescriptions obtenues.

Elle n’établit pas non plus que l’intelligence artificielle soit devenue courante dans l’ensemble de l’agriculture canadienne. Les données nationales dressent un tableau bien plus mesuré.

Farm Credit Canada et Deloitte ont rapporté que seulement 1,8 pour cent des entreprises agricoles canadiennes utilisaient l’IA au deuxième trimestre de 2025. Le taux correspondant dans les autres secteurs était de 12,2 pour cent.

La même analyse de l’adoption de l’IA a identifié la connectivité rurale limitée, les contraintes de capital, les pénuries de talents, les infrastructures fragmentées et une gouvernance incertaine comme des obstacles importants.

Ces conditions rendent la trajectoire de Geco plus intéressante, et non moins. L’entreprise se développe dans un secteur où le déploiement demeure difficile et inégal.

Sa stratégie de commercialisation illustre également pourquoi les réseaux de validation sont importants. Une petite startup agricole ne peut pas facilement maintenir des équipes de terrain dans plusieurs provinces et sur plusieurs saisons de croissance.

EMILI fournit des terres, des données historiques, des observations par drone et des relevés au sol au Manitoba. AIVA étend ce travail de validation par l’intermédiaire de sites partenaires en Alberta, en Ontario et en Saskatchewan.

Le réseau expose le modèle à différentes cultures, tailles de parcelles, espèces de mauvaises herbes, sols, conditions météorologiques et systèmes de gestion. Une carte qui fonctionne dans un champ de blé ne peut pas automatiquement être considérée comme efficace dans des parcelles de soja ou de pommes de terre ailleurs.

Le programme actuel comprend le blé, le soja, les pommes de terre, le maïs, le seigle, l’orge, le canola et les féveroles. Des essais distincts de parcours robotiques concernent les citrouilles et les oignons.

Cette diversité est importante parce que les signaux de végétation changent selon le couvert végétal des cultures et les stades de croissance. La géographie modifie aussi les mauvaises herbes importantes et les périodes où l’imagerie satellite peut les capter.

La validation initiale de Geco sur le terrain concernait la kochia résistante aux herbicides et la folle avoine. Ces deux mauvaises herbes constituent de graves problèmes dans les Prairies et compliquent les programmes de gestion qui reposent fortement sur un nombre limité d’herbicides.

Agriculture et Agroalimentaire Canada indique qu’un plant de kochia peut produire 30 000 graines. Ses recherches sur la kochia décrivent également l’expansion de la résistance de cette mauvaise herbe aux catégories de traitements établies.

Cette pression rend l’identification des points chauds persistants commercialement pertinente. Un agriculteur qui sait où les populations résistantes s’accumulent peut concentrer des interventions plus coûteuses plutôt que de les appliquer uniformément.

Néanmoins, une croissance rapide du nombre de clients et une forte pertinence biologique ne répondent qu’à une partie de la question. Le test le plus difficile consiste à déterminer si l’action recommandée améliore le bénéfice après prise en compte de chaque coût supplémentaire d’intrant et d’exploitation.

La prédiction change la concurrence avec la pulvérisation guidée par caméra

La principale concurrence oppose la planification anticipée fondée sur des populations de mauvaises herbes prédites et le traitement immédiat basé sur les mauvaises herbes visibles.

Les systèmes à caméra observent généralement la parcelle lors d’un passage d’application. Leurs capteurs classifient la végétation, distinguent la culture des mauvaises herbes et dirigent le traitement vers les plantes détectées en temps réel.

Cette méthode offre une vision rapprochée des conditions actuelles. Elle est particulièrement utile lorsqu’un producteur veut réduire la pulvérisation généralisée en ne traitant que les cibles visibles.

La cartographie des mauvaises herbes par Geco AI commence plus tôt et s’éloigne davantage de la plante individuelle. Son logiciel recherche des schémas spatiaux récurrents indiquant où la pression des mauvaises herbes est susceptible de revenir.

Les deux approches ne s’excluent pas mutuellement. Une carte prédite peut orienter les zones auxquelles un pulvérisateur optique, un observateur ou un robot devrait d’abord accorder son attention.

Cependant, elles répondent à des questions différentes. Une caméra demande ce qui pousse ici maintenant. Geco demande où la population de mauvaises herbes a persisté et où l’intervention devrait être intensifiée sur plusieurs saisons.

Cette distinction affecte la planification de l’exploitation. La détection en temps réel peut rendre un passage plus sélectif, tandis que le zonage prédictif peut influencer les commandes de semences, les programmes herbicides, la concurrence des cultures, le travail du sol et les itinéraires d’équipement.

Un modèle sur cinq ans cherche également à lisser le bruit d’une saison inhabituelle. Les conditions météorologiques, le choix de la culture, le calendrier d’application et l’accès à la parcelle peuvent modifier temporairement ce qui apparaît au-dessus du sol.

L’imagerie historique apporte de la répétition, mais introduit ses propres hypothèses. Le logiciel doit distinguer les signaux de mauvaises herbes du stress des cultures, des repousses, des résidus, du sol nu, des maladies et d’autres variations dans la parcelle.

EMILI indique que sa première validation a comparé les modèles satellites de Geco avec des images de drones et des relevés physiques. Sa validation sur le terrain a conclu que les modèles satellites pouvaient identifier de manière fiable les plus grandes zones de mauvaises herbes dans les parcelles testées.

Ces résultats ont soutenu la décision de créer des cartes de prescription à partir de données satellites largement disponibles. Ils n’ont pas démontré que toutes les espèces de mauvaises herbes, toutes les parcelles et tous les stades de croissance produiraient des résultats équivalents.

Le programme AIVA actuel est conçu pour examiner cette limite. Des observateurs de terrain visiteront les sites d’essai quatre fois pendant la saison et compareront les espèces et la densité de mauvaises herbes observées avec les zones détectées par satellite.

Sa deuxième expérience applique des combinaisons de taux de semis de référence ou augmentés et de doses d’herbicide résiduel. Les traitements à semis accru augmentent le taux d’environ 25 à 50 pour cent dans des zones sélectionnées.

Les chercheurs enregistreront la pression des mauvaises herbes, le rendement des cultures et la teneur en protéines. Ces mesures relient la précision de la détection à des résultats qui influencent les recettes agricoles et les décisions agronomiques.

Une troisième expérience utilise la pression prédite pour planifier les itinéraires de désherbeurs robotiques. Des parcours axés sur les mauvaises herbes seront comparés à des itinéraires linéaires conventionnels dans les citrouilles et les oignons.

Les trois expériences de terrain rendent le paysage concurrentiel plus nuancé. La prédiction pourrait devenir une couche d’organisation pour d’autres systèmes de détection et d’automatisation.

Un robot dispose d’une capacité quotidienne limitée. Si une prévision identifie les zones les plus dommageables, la machine peut visiter ces zones avant d’effectuer des passages de moindre priorité.

La même logique s’applique aux observateurs humains. Une carte peut orienter une main-d’œuvre limitée vers des zones incertaines ou soumises à une forte pression sans prétendre que la télédétection remplace l’observation sur le terrain.

Cela crée une possible répartition du travail. Les modèles historiques classent le risque, tandis que les caméras à courte portée et les personnes vérifient ce qui est réellement présent.

Si cette combinaison fonctionne, le gagnant n’est ni l’imagerie satellite ni les caméras seules. C’est un système à plusieurs niveaux qui utilise chaque source à l’étape où elle fournit la décision la plus claire.

Les premiers résultats d’essais sont prometteurs, mais limités

Le résultat économique le plus probant à ce jour provient d’un essai ciblé d’augmentation du semis, et non d’une démonstration généralisée de rendement chez les clients de Geco.

Au cours de la saison 2025, Geco et EMILI ont testé une augmentation du semis dans trois bandes de 120 pieds de large sur un champ d’Innovation Farms.

L’essai a appliqué un taux de semis supérieur de 25 % dans certaines zones infestées d’adventices. EMILI a rapporté une hausse de rendement de 7 % et une réduction des adventices de 29 %.

Stewart a indiqué que les semences supplémentaires avaient généré un retour sur investissement sept fois supérieur à leur coût. Ce chiffre est utile, mais il provient d’un traitement réalisé sur un champ précis, dans les conditions d’une seule saison.

Le résultat confirme un mécanisme agronomique établi. Un couvert végétal plus dense peut concurrencer plus efficacement les adventices et limiter leur reproduction.

La contribution de Geco réside dans la couche de ciblage. Les semences sont ajoutées là où la pression prédite le justifie, plutôt que sur chaque acre.

C’est important, car un taux de semis plus élevé augmente les coûts. L’appliquer à l’ensemble d’un champ pourrait gaspiller des semences dans les zones à faible pression et affaiblir l’argument économique.

Le même principe s’applique aux herbicides haut de gamme. Des traitements plus puissants ou complémentaires peuvent être réservés aux zones où une pression persistante justifie la dépense.

Un essai sur le blé en 2026 teste quatre combinaisons. Les chercheurs associent des taux de semis de référence et élevés à des traitements d’herbicides résiduels de référence et élevés.

Olds College mène un essai comparable en blocs répliqués en Alberta. Le programme mesurera la pression des adventices et le rendement à la récolte avant de comparer les performances agronomiques et économiques de chaque traitement.

Ces expériences vont au-delà de la question de savoir si un modèle peut localiser une zone. Elles cherchent à déterminer si un agriculteur gagne davantage d’argent après avoir agi sur cette information.

C’est le bon seuil. Les logiciels agricoles se disputent les budgets face aux semences, aux engrais, à la protection des cultures, aux machines, aux terres, à la main-d’œuvre et au financement.

Un calcul convaincant du rendement doit prendre en compte davantage que le rendement des cultures. Il devrait intégrer l’accès au logiciel, le temps agronomique, les passages de machines, les intrants additionnels, la préparation des fichiers, le dépistage et la complexité opérationnelle.

Le calcul doit également adopter un horizon temporel adapté. La gestion de la banque de semences vise à réduire les populations futures ; une seule saison peut donc sous-estimer ou surestimer sa valeur réelle.

Une forte réponse de rendement au cours d’une année peut refléter des précipitations favorables ou des variations au sein du champ. À l’inverse, empêcher le retour futur de semences peut créer une valeur qui n’apparaît pas dans la récolte actuelle.

Les essais pluriannuels sont donc au cœur de l’affirmation de Geco. Le modèle utilise l’historique de plusieurs saisons, et l’intervention qui en résulte doit être évaluée sur plusieurs saisons.

Les données probantes doivent aussi être répliquées sur différentes cultures. Un couvert de blé compétitif ne se comporte pas comme des légumes largement espacés, et l’économie du canola diffère de celle du soja.

Une validation indépendante contribue à réduire une autre préoccupation. Les startups mettent naturellement en avant les cas favorables, tandis que les agriculteurs doivent savoir comment un produit se comporte dans des conditions ordinaires et défavorables.

Le dépistage réalisé par EMILI renforce la crédibilité, car son personnel recueille des observations indépendamment du modèle de Geco. Le réseau plus étendu d’AIVA peut vérifier si les résultats du Manitoba se confirment dans d’autres régions.

Malgré cela, les données publiques restent incomplètes. Aucun jeu de données publié ne fournit actuellement des distributions de profits au niveau des clients, des taux d’échec, les superficies inscrites ou la rétention pluriannuelle.

Cette lacune n’invalide pas les premiers résultats. Elle définit la prochaine étape de preuve nécessaire avant qu’une adoption rapide ne devienne une infrastructure agricole durable.

La télédétection présente toujours un problème de résolution

Une carte prédictive ne peut améliorer les décisions que si son incertitude est visible et que ses erreurs restent moins coûteuses que les actions qu’elle oriente.

L’imagerie satellite offre une vaste couverture et de profondes archives historiques. Ces avantages rendent l’analyse pluriannuelle pratique dans des champs qui n’ont jamais été survolés par drone.

Le compromis est la résolution. Un satellite peut reconnaître une grande zone récurrente tout en manquant de petites plantes ou en mélangeant plusieurs caractéristiques du champ dans un même pixel.

Les nuages peuvent également interrompre la collecte d’images. Les résidus de culture, la couleur du sol, les ombres, la fermeture du couvert et les stades de croissance des plantes compliquent encore la classification.

Geco traite une partie de ce problème en combinant des observations répétées avec l’historique des cultures et des modèles agronomiques. Il peut aussi intégrer des images issues de drones ou de pulvérisateurs optiques lorsque ces sources existent.

L’imagerie répétée réduit la dépendance à une seule observation. Elle n’élimine pas la nécessité de vérifier ce que représente un signal.

Une étude évaluée par les pairs publiée en 2026 apporte un avertissement utile. Des chercheurs ont comparé trois méthodes de détection des adventices par drone à une référence obtenue par caméra au sol dans un champ en jachère estivale.

Toutes les méthodes par drone ont sous-estimé les adventices. Les taux d’omission signalés variaient de 41 à 65 % pour l’imagerie RGB, de 48 à 73,5 % pour le proche infrarouge, et de 78 à 85 % pour un modèle YOLO.

L’étude sur la cartographie par UAV n’a pas évalué Geco, et les méthodes par drone ne sont pas identiques à ses modèles satellites pluriannuels.

Ses résultats établissent néanmoins un principe important. Une plus grande complexité algorithmique ne compense pas automatiquement un niveau de détail d’image insuffisant.

Geco résout aussi un problème quelque peu différent. Il cherche à identifier des zones persistantes plutôt qu’à compter précisément chaque petite adventice présente le jour de l’application.

Cet objectif plus large peut être davantage compatible avec les données satellites. Les grandes zones récurrentes laissent des signaux spatiaux et historiques plus forts que des plantules isolées.

Toutefois, la précision au niveau des zones doit encore être vérifiée par rapport aux observations au sol. Un faux positif peut orienter des semences ou des herbicides coûteux vers une zone qui n’en avait pas besoin.

Un faux négatif entraîne un coût différent. L’exploitation peut laisser une population résistante sans traitement jusqu’à ce qu’elle produise davantage de semences et s’étende.

Ces erreurs ne sont pas symétriques. Leur importance varie selon l’espèce d’adventice, le coût de l’intervention, la valeur de la culture, le statut de résistance et la production de semences attendue.

C’est pourquoi Geco ne devrait pas être évalué uniquement à l’aide d’un score générique de précision. Les essais doivent relier les erreurs de prédiction aux conséquences financières et biologiques d’une action incorrecte.

La gouvernance des données constitue une autre incertitude. Les registres historiques de cultures, les cartes de préconisation et les images peuvent révéler des informations sensibles sur les performances et la gestion d’une exploitation.

Les agriculteurs ont besoin de conditions claires concernant la propriété, le stockage, la réutilisation et la portabilité. Ils doivent également pouvoir compter sur le transfert des données entre les logiciels agronomiques et les machines, sans préparation manuelle répétée.

La connectivité est moins contraignante lorsque les fichiers de préconisation peuvent être préparés avant les opérations au champ. Néanmoins, l’instabilité du haut débit en milieu rural peut ralentir les téléversements, le soutien et l’accès aux images mises à jour.

Les agronomes restent essentiels dans ce flux de travail. Ils peuvent remettre en question des zones inhabituelles, prendre en compte l’historique de résistance et déterminer si l’intervention recommandée correspond au plan de culture.

L’interprétation responsable relève donc de l’aide à la décision, et non d’une certitude automatisée. Geco estime où se situe une pression persistante, tandis que l’agriculteur et l’agronome conservent la décision de gestion.

Trois signaux détermineront la pérennité de la croissance de Geco

La prochaine phase sera déterminée par des résultats économiques répliqués, une précision interrégionale et l’intégration aux équipements agricoles en service.

Le premier signal sera constitué par les données des essais à taux variable de 2026. Les résultats devraient montrer si des taux de semis et des traitements d’herbicides résiduels plus élevés améliorent les rendements nets sur des parcelles répliquées.

Le rendement seul ne tranchera pas la question. L’analyse doit inclure les coûts additionnels des intrants et expliquer quelle part du résultat provient du ciblage plutôt que du traitement seul.

Des rendements constants renforceraient l’argument en faveur de la cartographie des adventices par IA de Geco comme outil d’allocation budgétaire. Des résultats mitigés indiqueraient que les préconisations exigent des critères plus restreints selon les cultures ou les champs.

Le deuxième signal sera la performance au sein des pôles de validation AIVA. Les zones détectées par satellite sont comparées au dépistage humain au Manitoba, en Alberta et en Ontario.

La liste des cultures couvre les céréales, les oléagineux, les légumineuses à grain, les pommes de terre et le soja. Cette diversité permettra de vérifier si le modèle se transpose au-delà de ses conditions initiales dans l’Ouest canadien.

Les lecteurs devraient surveiller les résultats par espèce, et non seulement de larges déclarations sur la végétation détectée. Ils devraient également rechercher les taux de faux positifs et de faux négatifs par culture et par région.

Des performances fiables d’une région à l’autre soutiendraient une commercialisation plus large. Des écarts importants entre les sites rendraient l’étalonnage local et la supervision agronomique plus importants.

Le troisième signal concerne l’intégration opérationnelle. Une prévision utile doit pouvoir être chargée dans les équipements existants, guider une intervention pratique et s’inscrire dans les fenêtres de temps restreintes des travaux agricoles.

L’expérience d’itinéraire robotisé d’AIVA est particulièrement instructive. Elle vérifie si les zones prédictives peuvent améliorer la détermination des priorités de travail d’une machine autonome, plutôt que de simplement générer un tableau de bord supplémentaire.

Les chiffres d’adoption nécessitent également davantage de précisions. Le nombre d’exploitations indique la portée, mais les superficies, l’usage récurrent, le renouvellement et les téléchargements répétés de préconisations révèlent un engagement plus profond.

Le marché canadien dans son ensemble reste ouvert mais prudent. Le faible taux national d’adoption de l’IA donne à Geco une marge de croissance, mais l’entreprise doit composer avec des obstacles liés aux infrastructures et à la confiance.

L’argument le plus solide de l’entreprise n’est pas que l’IA a sa place dans chaque exploitation. Il est que plusieurs années de données issues des champs peuvent rendre les interventions coûteuses contre les adventices plus sélectives.

Son plus grand risque est de promettre une précision avant que les essais publics définissent les limites d’erreur. Les agriculteurs peuvent tolérer l’incertitude lorsqu’elle est mesurée et intégrée au coût de la décision.

La cartographie des adventices par IA de Geco mérite l’attention, car elle relie la détection historique à de véritables machines et actions agronomiques. C’est plus concret qu’un assistant IA générique.

Le travail le plus difficile incombe désormais au réseau de validation. Il doit montrer quelles cultures en bénéficient, quelles adventices restent détectables et où le ciblage améliore le profit.

Pour les agriculteurs et les conseillers agricoles, l’action immédiate est simple. Comparez les prochains résultats d’essais avec l’historique local des adventices, la compatibilité des équipements et le coût total de chaque intervention prescrite.

Demandez-vous si la carte modifie une décision qui peut être mesurée sur plusieurs saisons. Si c’est le cas, consignez les résultats des zones traitées et non traitées plutôt que de vous fier à une visualisation attrayante.

La lutte prédictive contre les adventices devient précieuse lorsqu’elle réduit la pression future sans créer un coût actuel plus élevé. Les prochaines récoltes montreront si Geco peut atteindre cet équilibre à grande échelle.