« L’IA doit avant tout faire gagner du temps » David Joulin, co-fondateur et président d’Ekylibre

Entretien avec David Joulin, co-fondateur et président d’Ekylibre

Le projet Gaia vise à démocratiser l’usage de l’IA dans le monde agricole. Comment se traduit-il concrètement sur le terrain et en quoi peut-il aider les technico-commerciaux dans leur organisation quotidienne ?

Le projet Gaia a pour ambition de démocratiser l’usage de l’ intelligence artificielle dans le monde agricole. Il se décline en plusieurs initiatives, dont des hackathons organisés lors de grands salons comme le SIA, Tech’Elevage ou le Space. Pendant 48 heures, des équipes travaillent sur des problématiques issues du terrain afin de développer des applications capables d’y répondre grâce à l’IA.

L’objectif est très concret : par exemple, structurer automatiquement des rapports pour faire gagner du temps aux conseillers et aux technico-commerciaux. Plus largement, Gaia vise à faciliter le partage et l’exploitation des données agricoles.

Le projet s’appuie également sur l’association OsFarm, qui regroupe des bibliothèques et des communs numériques utiles au secteur, ainsi que sur un écosystème de start-up agricoles. Une autre action majeure consiste à piloter un Grand Défi IA, mené avec l’Inria, l’Inrae et le ministère, afin de déployer à grande échelle des solutions basées sur la data agricole, via des cafés IA, des hackathons ou encore le financement de projets émergents.

À travers ses hackathons, ses projets et le Grand Défi IA, quels cas d’usage concrets ont déjà émergé pour répondre aux problématiques agricoles ?

« L’enjeu est ensuite d’accompagner les organisations pour “monter les marches de l’IA” : se former, développer leurs propres cas d’usage et s’approprier les outils afin de générer des gains de temps pour les équipes. »

Ces événements permettent avant tout d’expérimenter rapidement des cas d’usage et d’en mesurer le potentiel. Les applications développées portent souvent sur l’automatisation de tâches à faible valeur ajoutée ou sur la structuration de données complexes.

L’enjeu est ensuite d’accompagner les organisations pour “monter les marches de l’IA” : se former, développer leurs propres cas d’usage et s’approprier les outils afin de générer des gains de temps pour les équipes.

Le monde agricole fait encore face à un fossé numérique. Quels sont aujourd’hui les principaux freins à l’adoption de l’IA et comment Gaia contribue-t-il à accompagner la montée en compétences des acteurs ?

Le principal obstacle reste le fossé numérique entre le monde agricole et les technologies digitales. Le niveau d’utilisation est encore inférieur à celui d’autres secteurs, notamment par manque de temps pour se former, mais aussi en raison de processus parfois anciens ou déconnectés des nouveaux usages.

Cette distance entretient une certaine crainte : beaucoup entendent parler de l’IA sans vraiment connaître les outils. Certains redoutent même de perdre leur emploi. Pourtant, cette appréhension s’atténue dès lors qu’ils perçoivent les bénéfices concrets en matière d’organisation et de gain de temps.

Des freins technologiques subsistent également. Les systèmes d’information ne sont pas toujours prêts, les outils manquent d’interopérabilité et l’encadrement de l’usage de l’IA reste souvent inexistant. La question de la souveraineté des données est centrale : certaines informations stratégiques ne doivent pas sortir de l’entreprise via des chatbots publics.

La question de la souveraineté des données est centrale : certaines informations stratégiques ne doivent pas sortir de l’entreprise via des chatbots publics.

Si certaines coopératives disposent déjà des moyens nécessaires pour structurer leurs équipes, d’autres amorcent seulement cette transition. Gaia cherche justement à sensibiliser largement les acteurs, indépendamment de leur structure, en leur offrant des espaces d’expérimentation. Tester un cas d’usage permet de mieux comprendre le potentiel de l’IA avant d’aller vers des formations plus approfondies et un déploiement opérationnel.

À court terme, quels usages de l’IA pourraient transformer le travail des réseaux commerciaux, notamment en matière de gestion des demandes, de production de contenus ou de valorisation des données ?

Les workflows automatisés figurent parmi les applications les plus prometteuses. Concrètement, lorsqu’un agriculteur envoie un mail pour obtenir un renseignement, un agent IA peut récupérer la demande, formuler une réponse en se connectant à la base de données de l’entreprise, puis proposer un lien de commande ou un contact téléphonique. Le technico-commercial n’a plus qu’à personnaliser la réponse.

Pour sécuriser ces usages et éviter toute dérive, il est possible d’intégrer des “guardrails”, autrement dit des consignes de contrôle qui garantissent des réponses conformes au cadre défini. Ces consignes, comme toutes les modifications, peuvent être facilement intégrées sans code, en le demandant simplement à l’agent IA comme si l’on discutait avec une personne de l’équipe technique.

L’IA peut également synthétiser des dossiers volumineux, exploiter des bases documentaires de plusieurs milliers de pages ou encore automatiser la veille en générant des résumés à destination des clients. Selon les besoins, certains modèles de langage seront plus performants que d’autres. C’est un domaine en constante évolution et les progrès sont quotidiens.

En revanche, il est bon de rappeler qu’un usage professionnel suppose de recourir à des interfaces et à des modèles sécurisés, afin de préserver la confidentialité des données.

Quel premier pas recommanderiez-vous à un technico-commercial ou à une coopérative qui souhaite se lancer dans l’IA sans se laisser dépasser ?

Participer à des hackathons constitue une excellente porte d’entrée pour comprendre concrètement ce que l’IA peut apporter. Pour les coopératives, il est également conseillé de se rapprocher d’organismes capables d’accompagner cette montée en compétences.

Le programme IA Agri Boost, par exemple, vise à former les coopératives de Nouvelle-Aquitaine à travers un parcours en trois étapes : découverte, prise en main des outils et développement de cas d’usage adaptés à leur structure.

Ces sujets peuvent sembler complexes, à l’image de l’agriculture elle-même, mais ils deviennent rapidement accessibles dès lors que l’on commence à expérimenter.