- IA
- Agroalimentaire
Architecturer l'intelligence autour des données : retour sur un projet d'assistants GPT pour le secteur agricole
7 juillet — 2026
Les organisations ne manquent pas d'outils d'IA. ChatGPT, Claude, Gemini : les modèles de langage sont accessibles, et leurs capacités impressionnent. Pourtant, beaucoup d'entreprises peinent à concrétiser leurs projets d'intelligence artificielle. La raison? Elle est rarement technologique.
C'est exactement le type de défi qu'a rencontré Gestion Agricole du Canada (GAC), un organisme national qui accompagne les exploitations agricoles canadiennes dans la gestion de leurs entreprises. Un défi qui a révélé où se situe la vraie expertise en IA : pas nécessairement dans la maîtrise de la technologie, mais dans la capacité à concevoir des systèmes intelligents qui savent utiliser les données.
Un projet d'IA pour le secteur agricole canadien
Gestion Agricole du Canada collabore avec Mirego depuis plusieurs années, notamment pour le développement d'AgriBouclier (AgriShield), une plateforme de gestion des risques agricoles lancée en 2018. Cette relation de longue date a naturellement mené à un nouveau projet lorsque GAC a voulu explorer comment l'intelligence artificielle pourrait bonifier son offre. L'organisation disposait d'une masse importante de ressources éducatives sur la transition générationnelle et la gestion des risques agricoles, mais ces contenus restaient dispersés sur son site web, accessibles uniquement par recherche documentaire. L'idée : créer des assistants conversationnels capables de répondre aux questions des membres de manière interactive, en s'appuyant sur ces ressources existantes tout en respectant un ton et un positionnement précis. Deux outils distincts pour deux besoins spécifiques : un assistant pour accompagner les discussions sur la relève, et un autre pour guider l'évaluation des risques.
« Nous avions initialement approché Mirego pour développer un outil d'IA sur mesure. Face à des contraintes budgétaires strictes et à la nécessité de s'intégrer dans un écosystème déjà connu et utilisé par les agriculteurs, l'équipe de Mirego nous a proposé une alternative qui nous permettrait de mener l'idée à terme, tout en nous évitant les coûts de gestion pour maintenir l'outil par la suite. »
— Mathieu Lipari, Gestionnaire des programmes chez GAC
La solution : deux GPTs personnalisés, déployés sur le GPT Store d'OpenAI. Ce choix présentait plusieurs avantages : pas de serveurs à gérer, pas d'infrastructure à maintenir, un déploiement rapide, et des outils disponibles publiquement sans barrière d'accès.
Deux outils d'IA au service des exploitations agricoles
Cet assistant accompagne les familles agricoles dans leurs réflexions sur la relève. Son positionnement est crucial : il agit comme un guide, pas comme un consultant. La distinction est importante. Un consultant donne des réponses; un guide pose des questions qui aident à trouver ses propres réponses. Cette approche encourage les utilisateurs et utilisatrices à structurer leur pensée plutôt que de recevoir passivement de l'information. Elle réduit aussi considérablement l'exposition légale en positionnant l'outil comme éducatif plutôt que consultatif. L'assistant aide à faciliter les conversations familiales, à clarifier la vision pour la transition, et à préparer des documents organisés avant de consulter des professionnels comme des avocats ou des comptables.
Cet outil s'appuie sur la base de connaissances d'AgriBouclier pour guider l'évaluation et la gestion des risques agricoles. Il aide à remplir des grilles d'analyse en vulgarisant des concepts théoriques et académiques, en rendant accessibles des méthodologies qui autrement resteraient enfouies dans des documents PDF. L'outil oriente également vers des ressources pertinentes selon le contexte de l'utilisateur ou l'utilisatrice.
Une richesse documentaire à rendre intelligible
GAC a fourni une quantité importante de documents de référence : guides de transition, ressources provinciales, méthodologies de gestion des risques, contenus éducatifs, informations sur les programmes disponibles. Toute l'expertise était là, mais sous forme de documentation statique.
Le défi technique est apparu rapidement. OpenAI impose une limite de 8 000 caractères pour les instructions d'un GPT. Impossible d'y caser l'ensemble des contenus, des garde-fous, du positionnement, et des nuances contextuelles. Il fallait donc hiérarchiser : déterminer ce qui devait être systématiquement connu par le modèle (les instructions de base, le ton, les limites éthiques et légales) et ce qui pouvait être stocké dans les fichiers de connaissances, consultés au besoin selon les questions posées.
Architecturer l'intelligence autour des données
Un modèle d'IA ne lit pas l'information comme un humain. Il cherche des récurrences, des relations sémantiques, des contextes précis.
Une idée répandue veut qu'il faille attendre d'avoir des données parfaitement nettoyées et organisées avant de lancer un projet d'IA. En réalité, tant que les données sont fiables, il existe des façons de travailler qui permettent de créer des systèmes intelligents efficaces. L'approche traditionnelle, qui met l'accent sur la transformation et l'organisation des données, reste pertinente dans certains contextes. Mais avec l'arrivée des modèles de langage performants, une nouvelle approche a émergé : l'AI engineering. Plutôt que de transformer les données, on ajoute des couches d'intelligence autour de ce qui existe déjà. On conçoit comment le modèle va naviguer dans l'information, quelles instructions vont guider son comportement, où placer les limites.
Ces deux approches ne s'opposent pas. Elles répondent à des besoins différents et peuvent même être combinées au sein d'un même projet, selon le volume de données, leur stabilité, et les objectifs visés.
Deux assistants, deux approches complémentaires
Dans le cas du projet avec GAC, les deux approches ont été combinées selon les besoins de chaque assistant.
Le Navigateur de relève agricole s'appuyait sur une quantité limitée de documents stables : l'approche a consisté à compresser et restructurer l'information tout en ajoutant des couches d'intelligence pour guider le comportement du modèle.
Le Navigateur de gestion des risques, quant à lui, devait pouvoir consulter une base de connaissances plus vaste liée à AgriBouclier : une architecture de récupération d'information (RAG) a été privilégiée, permettant au modèle de récupérer dynamiquement l'information pertinente selon les questions posées.
Le travail d'expertise s'est concentré sur plusieurs axes clés :
Rédactique (prompt engineering) : Définir le ton, le positionnement (guide vs consultant), et les garde-fous éthiques et légaux dans les instructions systémiques.
Définition de limites claires : Refuser les conseils légaux, admettre l'incertitude plutôt qu'inventer, orienter vers des ressources humaines qualifiées.
Architecture de récupération d'information (RAG) : Déterminer ce qui devait être immédiatement accessible versus ce qui pouvait être consulté en profondeur. Les limites légales? Dans les instructions. La liste des catégories de risques, sous-catégories et bonnes pratiques (plus de 600 éléments au total)? Dans les fichiers de connaissances.
Compression et structuration : Respecter la limite de 8 000 caractères des instructions OpenAI en allant à l'essentiel tout en préservant les nuances critiques, puis découper, annoter et organiser les documents pour que le modèle sache où chercher selon la question posée.
Tests utilisateurs rigoureux : Des experts du domaine, tant internes qu'externes à GAC, incluant des spécialistes en gestion de risques et en transition agricole, ont testé les deux assistants avec des questions prédéfinies. Ces tests ont mené à plusieurs itérations d'amélioration pour valider le bon comportement des assistants et l'exactitude des réponses générées.
« Ce type de projet montre que l'expertise en développement d'IA fait toute la différence. Ce n'est pas une question d'outils ou de technologie accessible à tous. Il faut une compréhension approfondie de comment les modèles de langage fonctionnent réellement, savoir quand combiner les approches, et maîtriser l'architecture de systèmes intelligents. C'est cette expertise qui permet d'arriver à des résultats aussi efficaces en aussi peu de temps. »
— Pascal Hamel, VP Intelligence Artificielle chez Mirego
Un déploiement rapide et une autonomie complète
Le projet a été réalisé en moins de 50 heures. Deux assistants fonctionnels, disponibles publiquement en français et en anglais, sans infrastructure de maintenance complexe.
« L'équipe de Mirego nous a également accompagnés et a formé l'ensemble des membres de notre équipe lors d'une formation d'une heure sur comment maintenir et gérer les GPTs afin de garder l'information à jour. Grâce à ça, notre équipe est maintenant 100 % autonome dans la gestion de cet outil, qui en plus demande un effort de gestion minime. »
— Mathieu Lipari, Gestionnaire des programmes chez GAC
Ce projet illustre une réalité applicable bien au-delà du secteur agricole : les organisations n'ont pas besoin d'attendre d'avoir des données parfaites pour lancer des projets d'IA efficaces. Tant que les données sont fiables, l'expertise en développement d'IA permet de concevoir des systèmes intelligents qui répondent aux besoins réels, rapidement et de manière durable.
