Entre 2019 et 2023, trois à cinq robots TerraSentia ont parcouru des champs pour observer le maïs à grande échelle, combinant données génétiques et conditions climatiques. Ils ont collecté des données sur 198 249 parcelles dans 142 sites, selon une étude publiée dans Communications Biology par DeBruin et ses coauteurs. Les équipes humaines peuvent effectuer ces mesures, mais les contraintes de temps et de travail limitent fortement leur déploiement à grande échelle et sur de multiples environnements. Ce volume de données améliore l’efficacité du phénotypage et rend possible l’analyse des interactions entre variétés, apports d’azote et conditions environnementales, notamment les variations de précipitations, à une échelle inaccessible aux méthodes manuelles.

L’essentiel

  • Entre 2019 et 2023, trois à cinq robots TerraSentia ont mesuré 198 249 parcelles de maïs sur 142 sites, selon DeBruin et al., Communications Biology (2025).
  • Ce volume permet de distinguer statistiquement les interactions entre variétés, apports d’azote et conditions environnementales, ce que les mesures manuelles rendent fortement limité et coûteux.
  • Le goulot d’étranglement de la sélection variétale n’est pas la génétique mais l’observation terrain : les robots s’attaquent à ce maillon.
  • L’étude documente une ouverture partielle des données et un code propriétaire, sans établir une opposition binaire entre mutualisation publique et capture par des chaînes propriétaires intégrées.
  • Les signaux à surveiller sont le coût par parcelle, la part des protocoles réutilisables librement et le nombre de variétés testées sous stress hydrique ou faible intrant.

Le goulot qui bloquait la sélection variétale

La propriété de ces données et l’orientation agricole qu’elles produiront restent indéterminées.

La génétique du maïs a progressé à un rythme soutenu depuis les années 1990. Les outils de séquençage ont rendu la lecture du génome rapide et peu coûteuse. Mais la sélection ne s’arrête pas au génome : elle exige de savoir comment une plante se comporte dans un champ réel, sous une pluie réelle, avec une dose d’azote donnée. C’est le phénotypage, et il restait lent, cher et humain.

Un sélectionneur qui veut tester mille variétés dans vingt environnements différents doit observer vingt mille parcelles. Avec des équipes terrain, cela prend des saisons entières et des budgets que seules les grandes semencières peuvent mobiliser. Les instituts publics et les coopératives laissent tomber des hypothèses faute de moyens d’observation, pas faute d’idées. C’est ce goulot que l’étude de DeBruin et ses coauteurs quantifie en démontrant à cette échelle la faisabilité de réduire le goulot d’étranglement du phénotypage par un déploiement robotique.

Les robots TerraSentia mesurent ou estiment la hauteur des plantes, l’indice foliaire, le diamètre de tige et l’architecture du couvert ; ces traits peuvent servir à estimer la biomasse, sans constituer une mesure directe de la biomasse aérienne. Ils se déplacent entre les rangs de manière autonome, captent des données multisenseurs, et produisent des séries comparables d’un site à l’autre. Pour 4 826 unités, les auteurs estiment environ 20 heures de collecte robotique contre 150 heures de mesures manuelles d’une hauteur d’épi. La robotique réduit fortement le temps de travail humain pour certaines mesures et est présentée comme une approche à faible coût, réduisant la barrière d’entrée à des expérimentations plus ambitieuses.

Les données de 198 249 parcelles au service de l’observation

Le volume n’est pas une fin en soi. Le grand nombre de parcelles et d’environnements rend possible l’analyse d’interactions qui exigent une collecte phénotypique à grande échelle.

Les agronomes cherchent depuis longtemps à comprendre les interactions entre le génotype d’une plante, la dose d’azote qu’elle reçoit et les conditions climatiques du site. Ces interactions, notées GxExM dans la littérature, sont au cœur de la sélection pour des agricultures à intrants réduits. Une variété peut exceller avec beaucoup d’azote et s’effondrer en conditions de stress ; une autre peut tenir sous la sécheresse mais décevoir en année favorable. Distinguer ces profils exige de les tester dans beaucoup d’environnements simultanément.

Avec 142 sites et 418 campagnes, l’étude publiée dans Communications Biology fournit exactement ce contexte de comparaison. Les données multisenseurs permettent de relier les caractères morphologiques mesurés aux rendements finaux, et de tester si cette relation est stable ou variable selon les environnements. Des caractères comme l’indice de surface foliaire ou la hauteur à la panicule deviennent des prédicteurs du rendement final, utilisables bien avant la récolte pour orienter les croisements.

Le robot génère des données ; les sélectionneurs décident. La machine est un instrument d’observation, non un décideur agronomique. Cette collecte robotisée peut rendre le phénotypage plus dense et moins exigeant en travail, avec un potentiel d’accélération de la sélection.

L’économie de la recherche, avant la plante elle-même

Le résultat de DeBruin et ses coauteurs intéresse autant les économistes de la recherche que les agronomes. Il documente que l’observation phénotypique de terrain constitue un goulot d’étranglement majeur de la sélection et de la recherche sur le maïs. Résoudre ce goulot d’étranglement par la robotique pourrait modifier l’accès à l’observation terrain et les coûts associés pour différents acteurs de la recherche.

Une université publique du Midwest américain, un institut agronomique brésilien ou une coopérative céréalière française pourraient, en théorie, déployer quelques robots sur leurs réseaux d’essais et collecter des données comparables à celles des grandes firmes semencières. L’investissement reste significatif, mais il est beaucoup plus accessible que la construction d’une capacité de séquençage ou d’une plateforme de génomique. Rendre accessible l’observation terrain est possible, à condition que les protocoles et les formats de données soient standardisés et ouverts.

C’est précisément ici que les choix institutionnels jouent un rôle décisif. Les données de l’étude DeBruin et al., y compris des essais impliquant Corteva, sont déposées intégralement sur Dryad ; le code de traitement d’EarthSense reste propriétaire. En revanche, les données collectées par Bayer ou d’autres acteurs dans leurs essais propriétaires sont soumises à des restrictions d’accès et d’utilisation, tandis que certains résumés et résultats d’essais sont publiés. Les modèles qu’elles alimentent, les variétés qu’elles aident à sélectionner, les droits de propriété intellectuelle qui en découlent : tout cela reste dans la chaîne de valeur de la firme. La robotique accélère la recherche, mais elle accélère selon les priorités de ceux qui possèdent les robots et les données.

Ce débat n’est pas propre à l’agronomie. La question de qui contrôle les infrastructures de production de la connaissance traverse aussi la recherche fondamentale. La recherche française publie plus à l’international mais pèse moins sur les normes : un signal que la capacité à produire des résultats ne suffit pas si d’autres fixent les standards et capturent les usages.

Sobriété azotée et résilience : des objectifs agronomiques longtemps sous-dotés

La crise de l’azote est l’un des problèmes les plus coûteux de l’agriculture mondiale, mais aussi l’un des moins visibles dans le débat public. L’azote de synthèse a permis de nourrir plusieurs milliards de personnes supplémentaires au XXe siècle. Il consomme aujourd’hui environ 1 à 2 % de l’énergie mondiale pour sa fabrication, et son excès dans les sols et les eaux provoque des dégâts écologiques massifs, des zones mortes côtières aux pollutions des nappes phréatiques.

Sélectionner des variétés de maïs capables de produire convenablement avec moins d’azote est donc un objectif agronomique et environnemental de premier ordre. C’est aussi un objectif commercialement peu attractif pour les grandes semencières, dont les variétés star se vendent précisément dans des systèmes intensifs où l’azote est abondant. Les essais sous faible intrant ont longtemps été sous-représentés dans les programmes de sélection, faute de moyens d’observation à l’échelle nécessaire pour détecter des différences variétales subtiles.

Les 418 campagnes de l’étude incluent des conditions d’intrants variées. Cette approche peut aider à étudier les réponses variétales à l’azote et à des environnements contrastés, y compris des différences de précipitations. Les sélectionneurs publics, les coopératives et les instituts spécialisés dans les agricultures à bas intrants auraient un avantage si cette infrastructure d’observation devenait accessible à tous.

Le dataset sous-jacent à l’étude a été déposé sur Dryad, la plateforme de données ouvertes de référence pour les sciences de la vie. C’est un signal positif, mais partiel : les données d’une expérimentation ne suffisent pas à constituer une plateforme de phénotypage partagée. Des protocoles communs, des robots interopérables et une capacité de fonctionnement durable du réseau dans le temps restent à construire.

À qui appartiendra l’infrastructure d’observation du vivant

L’horizon 2030-2040 dessine deux trajectoires plausibles, et elles ne conduisent pas au même endroit.

Dans la première, des réseaux de phénotypage partagés émergent entre universités, instituts publics et coopératives. Les robots sont loués ou mutualisés, les protocoles de mesure sont standardisés, les données sont déposées dans des bases ouvertes et réutilisables. Le coût par parcelle mesurée continue de baisser, et les sélectionneurs travaillant sur des cultures dites négligées, le sorgho, le mil, le niébé, des variétés adaptées aux agricultures familiales africaines ou asiatiques, peuvent accéder au même type d’infrastructure que les grandes firmes. Cette trajectoire exige des soutiens publics stables et une volonté politique de conditionner les investissements à des standards de données ouverts.

Dans la seconde, les grands acteurs semenciers intègrent robots, capteurs, modèles d’apprentissage automatique et droits sur les variétés dans des plateformes propriétaires fermées. Ils innovent plus vite, et certaines de leurs innovations profitent effectivement aux agriculteurs. Mais les orientations de la sélection reflètent leurs marchés prioritaires : maïs grain en conditions favorables, rendement maximal, compatibilité avec leurs gammes de protection des cultures. Les variétés adaptées au stress et les cultures secondaires restent en dehors du radar, faute de données les concernant. La connaissance agronomique s’accumule, mais elle se concentre.

Les signaux qui permettraient de distinguer ces trajectoires sont observables. Le coût par parcelle et par caractère mesuré donnera une indication de la vitesse d’accès des acteurs non commerciaux. La part des protocoles de phénotypage déposés en libre accès, et des données effectivement réutilisables sous licence ouverte, dira si la communauté scientifique publique peut s’appuyer sur ces résultats ou doit les reproduire à ses frais. Le nombre de variétés testées sous stress hydrique ou faible azote dans les grands réseaux d’essais indiquera si la recherche suit les priorités alimentaires mondiales ou les marchés solvables.

Ces arbitrages ne se feront pas spontanément en faveur de l’ouverture. Orienter des plateformes de phénotypage partagées entre universités, instituts publics et coopératives, et conditionner les soutiens publics à l’agronomie à des standards de données réutilisables, sont des décisions politiques. Elles ressemblent aux débats autour des données de santé ou des données géographiques, où l’analogie avec l’infrastructure numérique s’impose. La fiche de lecture “Radical Infrastructure” rappelle que les choix d’architecture technique ne sont jamais neutres : ils prédisent qui pourra utiliser un système et pour quelles fins.

Les apports potentiels pour les sélectionneurs africains et asiatiques

La question de l’accès à l’infrastructure de phénotypage dépasse les débats entre firmes américaines et instituts publics occidentaux. Les cultures vivrières qui nourrissent la majorité de la population mondiale, dans des systèmes agricoles à faibles intrants, avec des stress hydriques croissants, sont précisément celles pour lesquelles les données de phénotypage sont les plus rares et les plus nécessaires.

Le Consultative Group on International Agricultural Research, le réseau mondial de centres agricoles internationaux, conduit depuis des décennies des programmes de sélection variétale pour des cultures comme le riz irrigué, le blé, le maïs tropical ou le manioc. Ces programmes travaillent avec des moyens humains contraints. L’accès à des robots de phénotypage à des coûts accessibles, et à des données produites selon des protocoles compatibles avec les leurs, pourrait accélérer substantiellement leur travail. Mais cet accès n’est pas automatique.

L’initiative DIGITAfrica documente comment des communautés scientifiques peuvent construire des infrastructures de données partagées pour réduire leur dépendance aux plateformes extérieures. Le phénotypage robotisé des cultures suit une logique comparable : les bénéfices seront d’autant plus largement distribués que l’infrastructure sera conçue dès le départ comme un bien partagé, avec des standards ouverts et un accès abordable.

La trajectoire de l’innovation agronomique pour les prochaines décennies se joue en partie maintenant, dans les choix de gouvernance que font les universités, les agences de recherche et les gouvernements autour des plateformes de données qui se constituent. L’étude de DeBruin et ses coauteurs montre ce qui devient possible techniquement. Elle ne dit pas qui en bénéficiera.

Sources

  1. DeBruin et al., « Breaking the field phenotyping bottleneck in maize with autonomous robots », Communications Biology, 2025. https://www.nature.com/articles/s42003-025-07890-7
  2. Dataset associé, Dryad. https://datadryad.org/dataset/doi:10.5061/dryad.m905qfvb6