L'intelligence artificielle fait son entrée dans le secteur agricole au début des années 2010, portée par trois révolutions  technologiques : l'explosion des capacités de calcul, la démocratisation  des capteurs connectés (satellites Sentinel-2, drones, stations météo IoT)  et les avancées algorithmiques du deep learning (AlexNet 2012, ResNet 2015). 

Même si les premières applications d'aide à la décision existent depuis les années 1990, l'IA moderne change la donne en exploitant des volumes massifs de données pour construire des modèles prédictifs sophistiqués. En France, selon Agreste (2024), l’utilisation de l’IA s’est élargie à partir de 2018-2020. Alors que seulement 8% des exploitations utilisaient des outils numériques avancés en 2015, ce taux atteint 28% en 2024 (42% en grandes cultures, 18% en légumes industriels). 

Cette démocratisation s'accélère suite à plusieurs facteurs. Tout d’abord la nécessité d'optimiser les rendements face aux changements climatiques croissants, mais aussi la réduction d’utilisation de produits chimiques imposée par les réglementations environnementales, et le besoin de traçabilité exigé par les consommateurs. Le marché mondial de l'IA agricole, qui n’existait presque pas en 2010 représente aujourd'hui 2,3 milliards d'euros (MarketsandMarkets, 2023) et devrait atteindre 8,5 milliards en 2030.

L'agriculture de précision commence à émerger 90 avec l'introduction du GPS différentiel, qui permet le guidage automatisé des tracteurs et la création des premières cartes de rendement intraparcellaire. Les systèmes à base de règles (si-alors) et les modèles statistiques classiques (régression linéaire) posent les fondations de la modélisation agronomique, mais restent limités à peu d’exploitations  principalement à cause du coût de la technologie et de la complexité technique.

Les premières applications agricoles d'intelligence artificielle apparaissent en France avec des applications mobiles pour reconnaître les maladies sur photos (Arvalis, Terres Inovia), la détection automatique d'adventices, et  des capteurs connectés sur les tracteurs. Mais l’utilisation reste faible (moins de 10% des exploitations) parce que les solutions coûtent cher et nécessitent des smartphones et une connexion internet ( qui est encore rare en zone rurale) (Agreste).

Le lancement du programme Copernicus et la gratuité des images Sentinel-2 (résolution 10m, revisite tous les 5 jours) démocratisent l'accès aux données satellites pour tous les agriculteurs (CDSE). En plus, la montée des capteurs IoT connectés (humidité du sol, stations météo) et des plateformes cloud permettent une collecte massive de données terrain à des coûts beaucoup plus abordable qu’avant , ce qui fait passer l’usage de l’IA de 8% à 18% des exploitations françaises.

Les modèles de Machine Learning atteignent désormais de très bonnes performances (R²>0,90) grâce aux algorithmes de Gradient Boosting (XGBoost, LightGBM) optimisés sur des GPU, mais l'enjeu se déplace vers l'explicabilité des prédictions avec des méthodes comme SHAP et LIME pour gagner la confiance des agriculteurs (INRAE, SHAP).

L’utilisation des Large Language Models (LLM) agricoles permettra aux exploitants d'interagir en langage naturel avec leurs données ("Quel est le meilleur moment pour irriguer ma parcelle n°12 ?"), ce qui rend l'IA accessible sans compétences techniques. Les jumeaux numériques simuleront dynamiquement l'impact de décisions culturales sous différents scénarios climatiques, avec une optimisation avec plusieurs objéctifs (rendement + empreinte carbone + biodiversité), en visant 40% d’utilisation et un marché mondial de 8,5 milliards d'euros d'ici 2030 (Ademe).