Données agricoles : bâtir le socle avant de promettre l'IA aux agriculteurs

En bref

• Le problème n'est pas le manque de données, mais leur dispersion : parcelles, intrants, collecte, météo, images satellite et crédits vivent dans des outils qui ne se parlent pas.
• Le socle tient en quatre couches : collecte terrain, référentiel (exploitation, parcelle, produit), plateforme de données avec gestion du consentement, puis usages métier.
• Le référentiel décide de tout. Sans identifiant d'exploitation et parcelle géolocalisée stables, aucun modèle d'IA ne produit un résultat exploitable. Le Registre national agricole (loi 80-21) fournit ce point d'ancrage.
• Le consentement est une condition d'adoption, pas une formalité juridique : l'agriculteur partage ses données s'il voit ce qu'il en retire et qui les utilise.
• Commencer par un cas d'usage où la donnée existe déjà et où la décision revient souvent (traçabilité de la collecte, prévision des volumes) avant les projets plus exigeants (scoring de crédit, assurance indicielle).

Pourquoi la donnée agricole devient un sujet de direction générale

La stratégie Génération Green 2020-2030 inscrit le numérique au cœur des « mécanismes d'accompagnement » : le ministère de l'Agriculture vise à connecter au moins 2 millions d'agriculteurs à des plateformes de services digitaux et à faire émerger 5 000 conseillers agricoles privés.

Le cadre institutionnel s'est structuré en parallèle. La loi 80-21 institue le Registre national agricole (RNA), dont le décret d'application a été publié en 2022. Le RNA attribue un identifiant numérique à chaque exploitation, s'appuie sur des exploitations et parcelles géolocalisées, et doit servir au ciblage des aides, au conseil agricole, à la traçabilité et à la gestion des crises (sécheresse, inondations, suivi sanitaire du cheptel), selon le ministère. Le document méthodologique du Recensement général de l'agriculture évoque environ 1,5 million d'agriculteurs sur 8,7 millions d'hectares de surface agricole utile.

Conséquence pour les acteurs privés : un référentiel public commun se met en place, et les organisations qui alignent leurs propres données sur ce référentiel pourront échanger, financer et tracer beaucoup plus facilement que les autres.

Les six familles de données à réconcilier

Famille	Exemples	Qui la produit	Fréquence	Sensibilité
Exploitation et parcelle	identifiant, limites géolocalisées, statut foncier, cultures	agriculteur, administration (RNA)	annuelle	élevée (données personnelles et foncières)
Pratiques et intrants	semences, engrais, traitements, irrigation	agriculteur, conseiller, fournisseur	saisonnière	moyenne
Capteurs et eau	humidité du sol, débits, stations météo, compteurs	équipements connectés	continue	faible à moyenne
Observation de la Terre	images satellite, indices de végétation, météo	fournisseurs de données	quotidienne à hebdomadaire	faible
Collecte et transactions	livraisons, qualité, prix, contrats	coopérative, agro-industriel	à chaque livraison	moyenne (commerciale)
Financement et assurance	crédits, remboursements, sinistres, garanties	banque, assureur	mensuelle	élevée

Chaque famille pose une difficulté différente : la parcelle pose un problème d'identité, les intrants un problème de saisie, les capteurs un problème de volume, le satellite un problème de rattachement à la bonne parcelle, la collecte un problème de qualité, le financement un problème de confidentialité. Un projet qui traite ces six familles comme un seul « lac de données » bute presque toujours sur la première.

Le socle en quatre couches

1. Collecte terrain. La donnée doit être saisie là où se trouve l'agriculteur : application mobile hors ligne, saisie par le conseiller, SMS, et de plus en plus la voix. Pour une grande partie des exploitants, une interface vocale en darija lève davantage de freins qu'un formulaire en français. Nous avons détaillé les modèles disponibles dans notre article sur l'IA en darija. Capteurs et images satellite complètent la saisie humaine sans la remplacer.

2. Référentiel commun. C'est la couche la plus sous-estimée. Elle définit trois objets de manière stable : l'exploitation (alignée sur l'identifiant du RNA quand il est disponible), la parcelle (géométrie, culture, campagne) et le produit (espèce, variété, qualité). Toute donnée entrante doit être rattachée à l'un de ces objets, faute de quoi elle ne pourra jamais être croisée.

3. Plateforme de données. Elle assure l'ingestion, le contrôle de qualité (doublons, parcelles qui se chevauchent, rendements aberrants), l'historisation par campagne, la gestion du consentement et l'exposition par API. Le choix d'hébergement (cloud, hybride ou sur site) dépend de la sensibilité des données foncières et financières : voir notre offre cloud et infrastructures.

4. Usages métier. Tableaux de bord de collecte, prévision des volumes, conseil d'irrigation, détection d'anomalies, scoring. C'est la seule couche visible pour l'utilisateur, et c'est pourtant celle qui dépend le plus des trois autres.

Le consentement, condition d'adoption

Au Maroc, les données relatives à un agriculteur identifié relèvent de la loi 09-08 sur la protection des personnes physiques à l'égard du traitement des données à caractère personnel, sous le contrôle de la CNDP. Au-delà de la conformité, l'expérience française montre que la confiance se construit par des mécanismes explicites : la charte Data-Agri, portée par la profession agricole, reconnaît à l'agriculteur un droit de contrôle sur la collecte, l'accès et l'usage de ses données, et des intermédiaires comme Agdatahub proposent une gestion des consentements dédiée.

Quatre règles pratiques pour un projet marocain :

1. Un consentement par finalité, et non une case unique : partager ses livraisons avec sa coopérative n'implique pas de les partager avec une banque.
2. Un bénéfice visible en retour : un conseil, un paiement plus rapide, un accès au crédit. Sans contrepartie, la saisie s'arrête après la première campagne.
3. Un journal consultable : l'agriculteur (ou son conseiller) voit qui a accédé à quoi.
4. La révocation effective : retirer son accord doit couper les flux, pas seulement modifier un statut.

Quel cas d'usage lancer en premier

La tentation est de commencer par le cas le plus spectaculaire, souvent le scoring de crédit ou la prévision de rendement par IA. La grille ci-dessous classe cinq cas d'usage courants selon quatre critères. Il s'agit d'une grille d'évaluation Novagios, à ajuster au contexte de chaque organisation, et non d'une mesure.

Cas d'usage	Donnée disponible	Décision fréquente	Sensibilité	Dépendance au référentiel	Priorité
Traçabilité de la collecte (coopérative, agro-industriel)	élevée	à chaque livraison	moyenne	moyenne	1
Prévision des volumes collectés	élevée	hebdomadaire	faible	moyenne	1
Conseil d'irrigation par parcelle	moyenne	hebdomadaire	faible	élevée	2
Scoring de crédit agricole	moyenne	par dossier	élevée	élevée	3
Assurance indicielle (météo, satellite)	moyenne	par campagne	élevée	élevée	3

La logique est simple : les premiers cas d'usage doivent construire le référentiel en même temps qu'ils produisent de la valeur. La traçabilité de la collecte oblige à identifier proprement les exploitations et les parcelles de chaque apporteur ; ce référentiel sert ensuite au conseil, puis au financement. L'inverse ne fonctionne pas : un scoring lancé sans référentiel fiable apprend sur des données mal rattachées.

Exemple d'application (fictif)

Exemple fictif, à visée illustrative. Une coopérative laitière regroupe plusieurs centaines d'éleveurs. Elle dispose des fiches de livraison, d'analyses de qualité et d'un fichier des adhérents, dans trois outils distincts.

• Semaines 1 à 4 : inventaire des sources, création du référentiel adhérent (identifiant unique, rattachement à l'identifiant RNA quand l'éleveur l'a communiqué), recueil du consentement par finalité.
• Semaines 5 à 8 : ingestion des livraisons et des analyses, contrôles de qualité, premier tableau de bord de collecte par centre et par éleveur.
• Semaines 9 à 12 : modèle de prévision des volumes à quatre semaines, alertes sur les baisses anormales, restitution à chaque éleveur de ses propres indicateurs.

À ce stade, la coopérative dispose d'un historique propre et consenti, qui rend envisageable, dans un second temps, un dossier de préfinancement avec une banque partenaire.

Les erreurs qui font échouer les projets

• Acheter une application avant de définir le référentiel : chaque outil crée sa propre liste d'exploitations, et la réconciliation devient impossible.
• Traiter le satellite comme une solution autonome : une image non rattachée à une parcelle identifiée ne sert à aucune décision.
• Demander à l'agriculteur de saisir sans rien lui rendre : la qualité des données chute dès la deuxième campagne.
• Oublier l'historisation par campagne : sans historique, aucun modèle de prévision ou de risque ne peut être entraîné.
• Centraliser toutes les données au même niveau de sécurité : les données foncières et financières exigent des droits d'accès plus stricts que la météo.

Questions fréquentes

Faut-il attendre que le Registre national agricole soit complet pour lancer un projet ?
Non. Il est préférable de concevoir son référentiel pour qu'il puisse accueillir l'identifiant RNA dès qu'il est disponible, et de commencer avec ses propres identifiants.

Une petite coopérative peut-elle se doter d'une plateforme de données ?
Oui, à condition de commencer par un cas d'usage limité (la collecte) et une architecture mutualisée ou hébergée, plutôt qu'une infrastructure propre.

Qui est propriétaire des données agricoles ?
La loi 09-08 encadre les données personnelles de l'agriculteur. Pour le reste, la réponse se règle par contrat et par consentement : il faut préciser, pour chaque finalité, qui collecte, qui accède et qui peut réutiliser.

L'IA est-elle nécessaire dès le départ ?
Rarement. Les premiers gains viennent de la réconciliation des données et des tableaux de bord. L'IA devient utile quand l'historique est suffisant, comme nous l'expliquions pour la supply chain.

Par où commencer

Pour cadrer un projet de données agricoles, trois questions suffisent à démarrer : quelle décision voulez-vous améliorer en premier, quelles données existent déjà pour l'éclairer, et quel bénéfice l'agriculteur en retirera-t-il. Les équipes Novagios accompagnent ces projets de bout en bout, du cadrage à l'exploitation : data et intelligence artificielle, intégration et automatisation des outils existants, et programmes publics avec notre pratique eGov et secteur public.

---

Sources

• Ministère de l'Agriculture, « Génération Green 2020-2030 », agriculture.gov.ma (consulté le 30 septembre 2026).
• Ministère de l'Agriculture, « Registre National Agricole », agriculture.gov.ma (13 janvier 2016).
• Le360, « Registre national agricole : le décret d'application publié au Bulletin officiel » (15 août 2022) — loi 80-21 et décret d'application.
• Ministère de l'Agriculture / FAO, document méthodologique du Recensement général de l'agriculture (campagne 2014-2015).
• Arvalis, « Comment les données agricoles sont-elles gouvernées ? » (22 décembre 2021) — charte Data-Agri.
• Agdatahub, « Confiance numérique auprès des 400 000 exploitations françaises : le rôle de l'intermédiaire de données » (11 juillet 2024).
• Loi n° 09-08 relative à la protection des personnes physiques à l'égard du traitement des données à caractère personnel.