Aller au contenu
neovekNous écrire

Diagnostic des maladies des plantes par l'IA : quelle fiabilité?

Partager

Le diagnostic des maladies des plantes par l’IA consiste à demander à un modèle ce qui ne va pas avec une culture à partir d’une image, et il n’exige plus d’application spécialisée : n’importe quel producteur peut envoyer la photo d’une feuille à Claude, à ChatGPT ou à Gemini et obtenir une réponse assurée en quelques secondes. Cet article examine à quelle fréquence ces réponses sont justes, à l’aide de bancs d’essai publiés en 2025 et en 2026. Il explique aussi pourquoi une photo seule ne suffit pas à trancher bien des problèmes de culture, et à quel moment une analyse de laboratoire, une analyse de sol ou un agronome demeure nécessaire, avec les règles du Québec comme exemple concret.

Anthropic a présenté le scénario optimiste le 17 novembre 2026 dans une vidéo de trois minutes, A season on the farm with AI. Une biologiste de Vienne, installée sur la ferme familiale de son conjoint en Slovénie, avait perdu deux saisons de patates douces d’affilée. À la troisième, environ le tiers de ses tubercules mères sont restés dormants. Elle les a donc photographiés et a demandé de l’aide à Claude, qui lui a proposé un protocole de prégermination. Plus tard, les jeunes plants ont montré des carences nutritives et il a fallu remanier le protocole. Elle décrit le résultat comme sa meilleure récolte à ce jour.

« Quand j’ai commencé à utiliser Claude, je n’avais absolument aucune compréhension approfondie du fonctionnement de l’IA. » - la productrice, dans la vidéo d’Anthropic

La vidéo d’Anthropic sur les patates douces montre un conseiller, pas un diagnostic

L’histoire est crédible, et plus franche que la plupart des publicités : la productrice admet que bien des idées qu’elle a eues avec l’agent conversationnel étaient irréalistes, et que son conjoint a dû toutes les mettre en œuvre. Cela demeure le film d’un fournisseur sur un seul succès. Le protocole n’apparaît jamais à l’écran. Rien ne le compare à ce qu’aurait recommandé un guide de culture standard ou un conseiller local. Et le seul poids qu’elle lit sur une balance n’a aucun point de comparaison.

Le détail révélateur, c’est le deuxième problème. La première réponse n’a pas prévenu la carence. D’après ce que montre la vidéo, celle-ci a été repérée en observant les plants, et non grâce à un diagnostic par photo. C’est exactement la tendance que la recherche ne cesse de constater. Un agent conversationnel généraliste est un bon partenaire pour peser les options et planifier la prochaine étape, mais un piètre juge de ce qui cloche avec la plante que vous avez sous les yeux.

Le diagnostic des maladies des plantes par l’IA atteint au mieux 30 % en questions ouvertes

Le test récent le plus vaste vient d’Earl Ranario et de J. Mason Earles, de l’Université de Californie à Davis (UC Davis), dans une étude révisée en mai 2026. Ils ont soumis des modèles vision-langage généralistes à 26 collections d’images agricoles du projet AgML. Ces collections totalisent 121 classes et environ 248 000 images couvrant des maladies des plantes, des dégâts d’insectes ravageurs ainsi que des espèces cultivées et des mauvaises herbes.

Lorsque les modèles devaient nommer le problème librement, comme le ferait un producteur, GPT-5 et Gemini 3 Pro ont donné la réponse exacte environ 21 % du temps. Quand un second modèle évaluait le sens plutôt que la formulation, Gemini 3 Pro montait à 30 % et GPT-5 à 25 %. Tous les modèles sont restés sous le score qu’on obtiendrait en nommant systématiquement la classe la plus fréquente de chaque collection. Devant une liste à choix multiples, Gemini 3 Pro a plutôt atteint environ 62 %, GPT-5, 54 % et Claude Haiku 4.5, 34 %. Un classificateur YOLO11 entraîné séparément sur chaque collection a obtenu en moyenne 97,8 %.

Diagramme à barres de la justesse sur 26 ensembles d'images de cultures : YOLO11 97,8 %, Gemini 3 Pro 62 %, GPT-5 54 % et Claude Haiku 4.5 34 % en choix multiples, Gemini 3 Pro 30 % et GPT-5 25 % en questions ouvertes Le meilleur modèle généraliste double son score lorsqu’il choisit dans une liste, et reste tout de même loin derrière un classificateur entraîné. Source : Ranario et Earles, UC Davis, 2026.

Deux mises en garde s’imposent. Pour limiter les coûts, les modèles commerciaux ont été évalués sur un dixième des images, tiré au hasard. De plus, Claude Haiku 4.5 est le petit modèle rapide d’Anthropic. Le résultat en dit donc peu sur le Claude plus puissant que la productrice a probablement utilisé. Le verdict des auteurs sur les modèles généralistes reste néanmoins sans détour :

« pas encore adaptés comme systèmes de diagnostic agricole autonomes » - Ranario et Earles, UC Davis

Une courte liste de suspects double environ l’exactitude d’un agent conversationnel

L’écart entre les réponses ouvertes et les choix multiples est la constatation la plus utile pour un producteur. Un modèle à qui l’on demande de choisir parmi quelques candidats nommés fait bien mieux qu’un modèle à qui l’on demande d’inventer la réponse. L’équipe d’UC Davis a aussi glissé une option « aucune de ces réponses » dans les séries à choix multiples. C’était la bonne réponse dans 30 % d’entre elles, ce qui permet de vérifier si un modèle admet qu’aucune des causes proposées ne convient.

Une équipe attribuée à l’Université du Zhejiang a poussé l’idée plus loin avec ChatLD, décrit dans un communiqué de novembre 2025 au sujet d’un article paru dans Plant Phenomics. Plutôt que d’entraîner un modèle d’images, elle a fourni à GPT-4o des descriptions écrites des symptômes de chaque maladie et des règles pour évaluer une photo en fonction de ces descriptions. Sur six maladies de la tomate, ce cadre a atteint 88,9 %, alors que GPT-4o utilisé directement plafonnait à 45,9 % et Gemini 1.5 Pro à 56,1 %. Sur des photos prises au champ tirées du jeu de données PlantSeg, avec des arrière-plans encombrés et des feuilles qui se chevauchent, il s’est maintenu à 77,3 %. Ces modèles ont maintenant une génération de retard et le test ne portait que sur une seule culture, si bien que les chiffres vieillissent vite. La méthode, elle, reste valable : dites au modèle quels problèmes sont plausibles et comment les distinguer.

Les applications spécialisées échouent aussi sur des photos différentes de leurs images d’entraînement

Les applications consacrées aux plantes ne sont pas automatiquement le choix le plus sûr. La mise en garde classique est l’article de Mohanty, Hughes et Salathé paru en 2016 dans Frontiers in Plant Science. Leur réseau a appris à partir de 54 306 images de PlantVillage couvrant 14 cultures et 38 paires culture-maladie. Chaque image montrait une seule feuille sur fond uni. Sur des images de cette même collection mises de côté pour l’évaluation, il a obtenu 99,35 %. Sur 121 photos recueillies ailleurs, il a chuté à 31,4 %.

L’article a dix ans, mais la leçon tient toujours : le classificateur YOLO11 d’UC Davis a dépassé 95 % sur chaque collection parce qu’il a été testé sur des images semblables à celles qui ont servi à l’entraîner. Votre champ, votre éclairage, votre appareil photo et votre cultivar ne figurent dans l’ensemble de validation de personne. Quand une application annonce une exactitude de 95 %, la question utile est : mesurée sur quelles photos?

Les modèles déclarent saines des feuilles malades, et rien ne signale l’erreur

Les mauvaises réponses ne s’annoncent pas. Des chercheurs de Texas A&M AgriLife ont testé quatre petits modèles ouverts en mai 2026 sur diverses tâches. L’une d’elles consistait à classer des feuilles de tomate comme atteintes de tache bactérienne ou saines, un choix entre deux options seulement. Sans exemples, les modèles ont obtenu entre 63 % et 75 %; avec quelques exemples étiquetés, le meilleur a atteint 86,8 %. Les erreurs allaient dans les deux sens : des feuilles malades étaient déclarées saines, et des infections étaient inventées sur un feuillage sain.

Le même article donne le jaunissement des feuilles comme exemple de piège. La chlorose peut venir d’une carence nutritive, d’une sécheresse ou d’un pathogène. Un modèle qui l’interprète mal oriente le producteur vers le mauvais engrais ou le mauvais calendrier d’irrigation. Bonne ou mauvaise, la réponse arrive sur le même ton assuré.

Une photo ne permet pas de distinguer une carence nutritive d’une maladie

Les spécialistes en vulgarisation agricole disent depuis longtemps ce que les bancs d’essai mesurent maintenant. Une fiche technique de l’Université du Delaware révisée en mars 2025 propose deux règles empiriques. D’abord, les dégâts causés par des insectes ou des bactéries ont tendance à être asymétriques, alors qu’une carence se manifeste habituellement de façon uniforme sur l’ensemble de la plante. Ensuite, la carence en éléments mobiles comme l’azote, le phosphore, le potassium et le magnésium se manifeste d’abord sur les feuilles plus âgées. Celle en éléments immobiles comme le calcium, le bore, le fer, le manganèse, le zinc et le cuivre apparaît d’abord sur les nouvelles pousses. La fiche prévient toutefois que bien des carences se ressemblent et qu’on les confond facilement avec la dérive d’herbicides ou une maladie. Elle précise aussi qu’une analyse de tissus est souvent nécessaire pour déterminer l’élément en cause.

Trois plantes schématiques : jaunissement sur les feuilles inférieures plus âgées pour les éléments mobiles N, P, K et Mg, sur les nouvelles pousses du haut pour les éléments immobiles Ca, B, Fe, Mn, Zn et Cu, et taches roses d'un seul côté pour les insectes ou les bactéries L’endroit où un symptôme apparaît en premier réduit la liste des causes, mais il en désigne rarement une seule. Source : service de vulgarisation (Cooperative Extension) de l’Université du Delaware.

Un spécialiste des sols de l’Université du Wisconsin décrit la même démarche. Il faut commencer par une photo de la plante entière et un gros plan d’une feuille. Si cela ne suffit pas à trancher, on analyse ensuite le sol et les tissus de plants atteints et de plants sains. Même alors, une valeur basse ne prouve pas que cet élément a causé le symptôme.

Les laboratoires de diagnostic le constatent tous les jours. Le rapport 2025 sur les grandes cultures de la clinique des plantes de l’Université du Missouri recense 522 échantillons physiques et 259 envois numériques. Pour le maïs, le résultat le plus fréquent était « aucun pathogène détecté » : 15 échantillons sur 42, devant toute maladie nommée. Pour le soya, 22 échantillons sur 130 ont donné le même résultat. La clinique demande d’abord des photos, puis la plante elle-même. La carence montrée dans la vidéo d’Anthropic est le cas d’école : aucune photo de feuille n’aurait pu révéler ce qui manquait au sol.

La documentation d’Anthropic elle-même vous dit de vérifier l’interprétation de Claude

Le manuel du fournisseur est plus prudent que sa publicité. La documentation sur la vision d’Anthropic indique que Claude peut se tromper ou halluciner avec des images de faible qualité ou pivotées, ainsi qu’avec des images de moins de 200 pixels. Elle ajoute que ses interprétations devraient être vérifiées chaque fois que les enjeux sont importants.

Les grandes photos sont réduites pour que leur côté le plus long tienne dans 1 568 pixels, ou 2 576 pixels avec Claude 4.7 et les modèles ultérieurs. Une vue d’ensemble d’une planche de culture entière peut donc réduire une lésion de deux millimètres à une poignée de pixels. Envoyez des gros plans recadrés sur le symptôme, et la vue d’ensemble dans une image distincte, plutôt qu’une grande photo qui tente de tout montrer.

Au Québec, un agent conversationnel ne peut pas rédiger la prescription de pesticides

Le diagnostic est aussi le point où la réglementation entre en jeu. Au Québec, la page du gouvernement sur la prescription agronomique a été mise à jour le 22 octobre 2026. Elle précise que certains produits de classe 1 à 3 exigent une prescription d’un agronome lorsqu’ils sont appliqués par voie terrestre ou aérienne : ceux qui contiennent de l’atrazine ou l’un de trois néonicotinoïdes (clothianidine, imidaclopride ou thiaméthoxame). La mise en terre de certaines semences enrobées d’insecticide l’exige aussi. Chaque prescription couvre une culture sur une parcelle ou un groupe de parcelles pour une durée maximale d’un an. Le vendeur doit en avoir une copie avant de vendre le produit, et le producteur la conserve pendant cinq ans. Aucune réponse d’agent conversationnel ne la remplace, aussi convaincante soit-elle.

Le Québec offre aussi les vérifications qu’un agent conversationnel ne peut pas faire. Le Laboratoire d’expertise et de diagnostic en phytoprotection du MAPAQ (LEDP) identifie les maladies, les insectes et les mauvaises herbes. Depuis la saison 2026, il analyse aussi la résistance des pathogènes des plantes aux fongicides. Le Réseau d’avertissements phytosanitaires publie des avertissements par réseau de cultures, des fraises aux pommes de terre en passant par les crucifères. C’est précisément la courte liste des suspects du moment dont un agent conversationnel devrait partir.

Liste de vérification du diagnostic des maladies des plantes par l’IA : sept étapes avant de traiter

La vraie leçon de la vidéo n’est pas que l’agent conversationnel connaissait la réponse, mais qu’une productrice curieuse a continué à poser des questions, à prendre des notes et à ajuster le tir. Ces étapes conservent cette habitude et comblent les lacunes que révèle la recherche.

  1. Photographiez à plusieurs échelles. Prenez une photo de la plante entière, des gros plans du dessus et du dessous d’une feuille atteinte, et une photo d’une plante saine pour comparer. Chaque image doit être nette et envoyée séparément.
  2. Donnez le contexte avant de poser la question. Précisez la culture, le cultivar, le stade de croissance, la météo des deux dernières semaines, l’historique de fertilisation et de pulvérisations, ainsi que la date de votre dernière analyse de sol. Un modèle qui recueille d’abord ces renseignements fait mieux, ce qui explique pourquoi un agent IA devrait poser des questions de clarification avant d’agir.
  3. Demandez une liste classée, pas un verdict. Demandez les trois à cinq causes les plus probables, y compris les causes abiotiques (non vivantes) comme le gel, la sécheresse, la dérive ou une carence. Demandez aussi quelle observation permettrait de les départager.
  4. Resserrez la liste avec les avertissements locaux. Vérifiez ce que le RAP signale pour votre culture et votre région, puis reposez la question avec cette courte liste, en laissant ouverte l’option « aucune de ces causes ».
  5. Faites analyser avant de dépenser. Une analyse de sol, une analyse de tissus comparant des plants sains et atteints, ou un échantillon envoyé à un laboratoire de diagnostic coûte moins cher qu’une saison de mauvais traitement.
  6. Ne traitez que ce qui est confirmé. Pour les produits soumis à une prescription, c’est l’agronome qui détermine le produit, la dose et le moment d’application.
  7. Consignez chaque photo, chaque réponse et chaque résultat. Les notes de cette saison seront votre meilleure requête la saison prochaine, et ce registre montrera si les suggestions de l’agent conversationnel ont réellement aidé.
Partager

Recevoir les nouveaux articles

Au plus un courriel par semaine, le lundi, avec les nouveaux articles de Neovek. Désabonnement en un clic. Confidentialité