Dans une ferme de Fredericton, au Canada, une machine surveille les plantes en continu. Suspendue à des câbles tendus au-dessus de la culture, elle glisse lentement et scanne chaque feuille d’une installation de 8 000 mètres carrés. Son nom : le Spyder. Et depuis son arrivée, l’exploitant affirme avoir vu ses rendements bondir de 20 %.
Des millions de points de données par jour
Le Spyder est construit par Neatleaf, une startup de Santa Cruz fondée par Elmar Mair, ancien responsable de la perception chez Google X. Le robot ne dort jamais. Vingt-quatre heures sur vingt-quatre, il génère des millions de mesures : hauteur des plantes, signes de chlorose, premières traces de moisissure, écarts de température entre l’air et la surface des feuilles. Toutes ces données alimentent un système d’intelligence artificielle qui suggère ensuite des actions aux cultivateurs.
Pour mesurer ce que cela représente, un point de comparaison aide. Là où une équipe de trois ou quatre techniciens met une demi-heure à relever quelques paramètres sur un mètre carré, le Spyder en capture bien davantage en une seule passe. La surveillance manuelle, aussi experte soit-elle, ne peut pas être partout à la fois.
Plus de 30 sites équipés, et une liste d’attente
Neatleaf a déployé son Spyder dans plus de trente installations. Le carnet de commandes s’allonge, et il inclut désormais des producteurs de fruits rouges. Aux États-Unis, le groupe iAnthus a fait entrer le système dans sa ferme du New Jersey et rapporte une réduction des pertes de récolte grâce à la détection précoce des anomalies. En Arizona, le responsable de culture de 22Red décrit l’outil comme un moyen d’échapper à la corvée du croisement manuel de dizaines de relevés environnementaux.
D’autres acteurs occupent des segments voisins. AgEye Technologies développe l’imagerie spectrale pour le suivi des cultures, tandis que des sociétés comme iUNU ou AEssenseGrows misent sur la vision par ordinateur pour repérer les infestations de nuisibles à un stade invisible à l’œil humain.
Prédire la récolte avant qu’elle n’arrive
Certains cultivateurs vont plus loin et mesurent directement la composition des plantes sur pied. En novembre 2025, des chercheurs de l’université d’Adélaïde ont publié une méthode combinant balayage hyperspectral des feuilles et apprentissage automatique. Résultat : une prédiction des concentrations recherchées plusieurs semaines avant la récolte, avec une précision de près de 95 %.
Appliquée à grande échelle, cette précision change la façon dont les exploitants planifient leurs récoltes et gèrent leur conformité. Reste une question de fond, que pose l’arrivée de ces robots dans les champs et les serres : assistent-ils vraiment les agriculteurs, ou finissent-ils par les remplacer ? Pour l’instant, la machine relève surtout ce qu’aucune équipe humaine ne pourrait suivre en continu.
