Le secteur agricole comprend plusieurs types de travail qui ont peu en commun. Il y a le travail physique en étable, sous serre ou aux champs, lié à la saison, à la météo et à des processus biologiques qui ne se laissent pas accélérer. Il y a le travail administratif autour de l'enregistrement, des demandes de subventions, de la comptabilité des engrais et de la conformité à une réglementation qui varie selon la culture, l'animal ou la région. Et il y a une troisième couche : la planification, les achats, les choix de culture et l'évaluation des données issues des capteurs, des images satellite et des prix du marché. Cette troisième couche croît, tandis que la première couche reste limitée dans sa scalabilité en raison de la nature même du travail.
Les circonstances qui déterminent le résultat ne sont pas uniformes. Une exploitation céréalière disposant de nombreuses données ouvertes sur le sol et la météo présente d'autres points d'ancrage pour l'automatisation qu'un élevage où la surveillance du bien-être animal est légalement réservée aux humains. Une exploitation horticole équipée d'ordinateurs climatiques pilote déjà depuis des années sur la base de données de capteurs ; un céréalier qui décide manuellement parcelle par parcelle ne le fait pas. Cette différence détermine où l'IA reprend déjà des tâches aujourd'hui et où cela reste encore lointain.
Trois catégories traversent le travail dans ce secteur. Premièrement, les tâches que l'IA peut exécuter de manière autonome : l'interprétation des données de capteurs pour l'irrigation, la reconnaissance de symptômes de maladies à partir d'images, l'établissement de premières versions de rapports pour les demandes de subventions. Deuxièmement, les tâches où l'IA fait une proposition et où un humain approuve ou rejette avec motivation : un conseil de culture soumis à la connaissance locale, une proposition d'achat évaluée sur le risque de livraison. Troisièmement, le travail qui reste un travail humain : la surveillance physique du bien-être animal, l'évaluation de la qualité du sol sur le terrain, la négociation avec un acheteur sur un contrat de longue durée.
Cette répartition n'est pas une photographie instantanée qui évolue partout de la même façon. Les entreprises qui travaillent déjà avec des données de capteurs et des logiciels d'aide à la décision voient la première catégorie croître, car la structure de données est déjà en place. Les entreprises qui fonctionnent encore sur l'expérience et l'enregistrement manuel voient surtout émerger la deuxième catégorie, car il faut d'abord que quelqu'un établisse ce qui est suffisamment fiable pour être confié à un système. La différence entre les entreprises ne réside donc pas dans l'ambition, mais dans la mesure où le travail sous-jacent est déjà consigné sous une forme qu'un système peut lire.
Une stratégie qui part d'un besoin fixe en personnel pour des tâches administratives ou de surveillance repose sur une hypothèse que personne n'a explicitement formulée : que ce travail ne peut être effectué que par des humains, à un certain rythme et à un certain coût. Dès que l'IA reprend ou soutient une partie de ce travail, cette hypothèse ne devient pas caduque avec une annonce. Elle devient caduque progressivement, tandis que le plan reste inchangé sur le papier.
C'est le schéma que ce secteur partage avec d'autres secteurs où l'IA touche le niveau des tâches plutôt que le niveau des fonctions. Des évolutions comparables se produisent dans le secteur informatique, où l'IA reprend en partie le travail de codage et de test, dans les services financiers, où la surveillance des évaluations automatisées reçoit un nouveau rôle, et dans le secteur des loisirs, où la planification et le contact client sont répartis différemment entre système et humain. Le secteur agricole a son propre rythme, déterminé par la saison et la réglementation, mais le mécanisme est identique : une hypothèse qui était autrefois juste n'est pas retirée, elle n'est simplement plus vérifiée.
Il ne s'agit pas ici de savoir si une entreprise doit réduire ses effectifs ou les déployer différemment. Cette décision relève des propres obligations légales en matière de droit du travail et de concertation sociale, régies par des règles qui ne sont pas traitées ici. Il s'agit de quelque chose qui précède cela : savoir quel travail est aujourd'hui effectivement effectué par l'IA, quel travail s'effectue sous surveillance, et quel travail reste un travail humain. C'est une question factuelle, pas une décision de personnel.
La question de savoir quel travail dans cette entreprise peut réellement être repris par l'IA trouve sa réponse, tâche par tâche, dans le scan de travail de FTE TO AI, afin que les hypothèses sur la capacité ne reposent plus sur une estimation. Ceux qui souhaitent savoir plus précisément ce qu'est réellement une hypothèse stratégique trouveront l'explication dans la présentation de ce qu'est une hypothèse stratégique et comment vérifier si elle tient encore, et ceux qui veulent savoir comment une stratégie en cours est confrontée à la situation actuelle peuvent le lire dans l'explication sur la vérification d'une stratégie existante.
La première étape n'est pas un plan entièrement révisé, mais un bref inventaire des hypothèses sur lesquelles repose le plan actuel. FTE TO AI propose à cet effet un contrôle d'hypothèses gratuit : une brève session au cours de laquelle vous identifiez vos principales hypothèses et voyez, pour chacune, quand elle a été confirmée pour la dernière fois. Cela ne donne pas de jugement sur la stratégie elle-même, mais offre une vision de quels éléments nécessitent de l'attention avant d'être ajustés. L'épreuve de résistance complète, avec un regard extérieur à côté de l'auto-évaluation de la direction, est en cours de préparation.
Stel uw vraag. Vaak zit de echte vraag een laag dieper — daar mag ik naar vragen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.