Le chiffre donne l’échelle du problème : 150 mu. Cette unité agricole chinoise correspond à environ dix hectares ou 24,7 acres. C’est la surface de sésame sur laquelle des jeunes plants ont dépéri après qu’un agriculteur de Chuzhou a appliqué une recommandation de traitement générée par une intelligence artificielle.
L’homme, âgé de 67 ans et identifié par le nom de famille Wu, utilisait l’application depuis environ un an, selon CTWANT, Tom’s Hardware et The Economic Times. Il l’interrogeait sur la météo, les engrais et les nuisibles. Les réponses jugées utiles se sont accumulées jusqu’à créer une confiance suffisante pour que la recommandation suivante ne soit plus contrôlée par un technicien agricole.
Cette fois, la question portait sur les mauvaises herbes et les insectes dans le sésame. L’IA a proposé une combinaison de produits. Le lendemain de l’application, les mauvaises herbes mouraient, mais les semis de sésame également.
Les sources publiques ne donnent ni le nom du service d’IA ni une estimation fiable du coût financier. Elles permettent en revanche d’identifier un élément technique : le fomesafen figure parmi les herbicides cités. Cette matière active est utilisée contre les mauvaises herbes à feuilles larges. La base chinoise d’homologation des pesticides l’associe à des usages précis, notamment en soja, avec des avertissements concernant des cultures sensibles.
Ce détail révèle la différence entre deux types de données. Une IA généraliste peut disposer de millions de textes décrivant ce qu’est le fomesafen. Une recommandation sûre exige en plus une donnée réglementaire structurée : sur quelle culture, à quelle dose, dans quelle formulation et selon quelle méthode le produit est-il autorisé ?
Une étude publiée en 2024 dans Henan Agricultural Sciences sur le désherbage de post-levée du sésame montre la même nécessité par l’expérimentation. Les traitements testés n’avaient pas tous le même niveau de phytotoxicité. Le nom de la mauvaise herbe ne suffit donc pas à choisir un produit.
La Chine a justement lancé en mai 2026 un modèle spécialisé, Green Shield, conçu pour la protection des cultures. Ses développeurs ont expliqué que les grands modèles de langage généralistes peuvent donner des réponses inexactes et des conseils de pesticides mal normalisés. Green Shield doit interroger la base nationale d’homologation et bloquer des suggestions non conformes.
Le cas Wu ajoute une donnée humaine à cette architecture. L’interface affichait, selon les médias, un avertissement général sur la possibilité d’erreurs. Pourtant, environ un an de bonnes réponses avait modifié le comportement de l’utilisateur. La probabilité perçue d’une erreur était devenue suffisamment faible pour supprimer l’étape de contrôle.
Pour les systèmes d’IA, l’enjeu n’est donc pas seulement d’améliorer la précision moyenne. Il faut aussi détecter les catégories d’action où une erreur rare produit un coût très élevé. Une réponse sur un pesticide n’a pas le même profil de risque qu’un résumé de texte.
Après dix hectares touchés, la leçon statistique devient très concrète : une performance élevée en moyenne ne protège pas d’un échec exceptionnel. Les outils agricoles les plus crédibles seront ceux qui associeront modèle de langage, données réglementaires, contraintes de sécurité et validation humaine avant que la recommandation ne quitte l’écran pour devenir une opération de terrain.