Blog Des données à la décision : Institutionnaliser les recommandations d'engrais intelligents par le biais de HaFAS en Éthiopie
L’Éthiopie ouvre la voie à une nouvelle ère d’agriculture fondée sur les données grâce à l’institutionnalisation du cadre Harmonized Digital Fertilizer and Agronomic Solutions, HaFAS. En intégrant des analyses avancées, l’intelligence artificielle et les connaissances agronomiques locales, HaFAS transforme les recommandations en matière d’engrais en informations opérationnelles qui permettent à des millions d’agriculteur.rice.s de bénéficier de conseils adaptés aux contextes locaux et intelligents face au climat.
Introduction : Transformer les données en informations agronomiques exploitables
Le secteur agricole de l'Éthiopie est en pleine transformation numérique. Pendant des décennies, les recommandations en matière d'engrais étaient souvent fragmentées, généralisées et déconnectées des diverses réalités des champs des agriculteurs. Aujourd'hui, la situation est en train de changer. Le pays passe d'outils de conseil isolés à un système national unifié, axé sur les données et évolutif, qui associe la science, la technologie et les connaissances locales pour donner aux agriculteurs des conseils agronomiques adaptés au contexte.
Au centre de cette transformation se trouve l'évolution de l'outil d'aide à la décision NextGen Fertilizer Advisory (DST) vers le cadre Harmonized Digital Fertilizer and Agronomic Solutions (HaFAS). Développé conjointement par l'Alliance de Bioversity International et le CIAT dans le cadre de l'initiative CGIAR Excellence in Agronomy (EiA), HaFAS représente une nouvelle ère dans la vulgarisation agricole axée sur les données. C'est une pierre angulaire de la stratégie d'agriculture numérique de l'Éthiopie (2025) qui modernise la manière dont le pays fournit à l'échelle des recommandations d'utilisation d'engrais intelligentes sur le plan climatique, efficaces et rentables.
L'agriculteur Alemu Anore de Lemo woreda, dubancho kebele, a été témoin de la meilleure performance de la parcelle de blé de la recommandation d'engrais spécifique au lieu (LSFR) par rapport à sa parcelle adjacente plantée avec leur propre taux d'engrais. Il a déclaré : "À ce stade précoce, je peux observer une grande différence sur la même parcelle. Je vais continuer à évaluer le rendement en grain et je déciderai d'utiliser la LSFR pour tous mes champs de blé.
Le moteur piloté par les données : NextGen DST
Le NextGen DST constitue la base technique du cadre HaFAS. Il génère des recommandations d’engrais intelligentes face au climat et spécifiques au site, adaptées aux conditions des exploitations individuelles, des domaines de recommandation et des pôles de commercialisation agricole.
Reposant sur l’analyse de mégadonnées et l’apprentissage automatique, le système intègre :
- plus de 100 000 essais de réponse des cultures,
- plus de 20 000 profils de sols historiques,
- des couches de données agroclimatiques et environnementales à haute résolution.
Cette infrastructure de données robuste permet au système de fournir des recommandations dynamiques, fondées sur l’intelligence artificielle, concernant les types de nutriments, les doses d’application et les pratiques agronomiques complémentaires. L’outil peut également être connecté à des services financiers et de gestion des risques, tels que le crédit, la fourniture d’intrants et l’assurance agricole, favorisant ainsi une approche écosystémique de l’aide à la décision au niveau des exploitations.
À la fin de l’année 2024, le système avait touché plus de 72 800 agriculteur.rice.s dans plusieurs régions, dont 10 800 utilisateur.rice.s actif.ve.s accédant à des conseils personnalisés en matière de fertilisation. Des évaluations indépendantes ont mis en évidence des augmentations de rendement de 16 à 38 pour cent et des gains de profit pouvant atteindre 669 dollars américains par hectare, soulignant le potentiel transformateur de l’outil pour améliorer la productivité et les revenus des petit.e.s producteur.rice.s.
Institutionnalisation à l'échelle nationale : Le cadre HaFAS
L'intégration formelle de la DST NextGen dans le cadre HaFAS en 2025 marque une étape institutionnelle stratégique pour l'Éthiopie. Elle transforme une solution technologique autonome en une innovation numérique coordonnée au niveau national et dirigée par le gouvernement, conçue pour être étendue, durable et inclusive.
L'initiative HaFAS est dirigée par le Ministère de l'agriculture (MoA) et lInstitut éthiopien de recherche agricole (EIAR), avec le leadership technique de CGIAR centers principalement l'Alliance Bioversity International et CIAT et ICRISAT et une forte collaboration avec les systèmes nationaux de recherche et de vulgarisation.
Au cœur de ce cadre se trouve le système LAFA (Localized Agronomy and Fertilizer Advisory), qui rend opérationnelle la gestion des éléments nutritifs spécifiques au site (SSNM) pour les diverses zones agro-écologiques de l'Éthiopie. Le système LAFA est le moteur opérationnel du HaFAS et fournit des recommandations précises en matière d'engrais et d'agronomie qui tiennent compte de la fertilité des sols, des régimes pluviométriques, des systèmes de culture et de la disponibilité des ressources à l'échelle locale.
L’agriculteur Abate Ajajew, à Lemo, dans le kebele de Shurmu Dacho, a constaté comment la recommandation d’engrais spécifique au site, Location Specific Fertilizer Recommendation, a amélioré les performances du blé. Il a déclaré : « Sur ce champ, je n’ai jamais vu une telle performance du blé à ce stade. » Il a ajouté : « Même si on me forçait à arrêter d’utiliser cette recommandation d’engrais spécifique au site, je l’appliquerais la nuit. »
L’agent de développement du kebele de Debub Belesa, dans le woreda de Lemo, a constaté de meilleures performances de la parcelle utilisant la recommandation d’engrais spécifique au site, Location Specific Fertilizer Recommendation, par rapport aux pratiques locales.
Validation et mise à l'échelle : Du projet pilote à l'impact national
Avant son déploiement national, le système HaFAS LAFA a fait l’objet d’une validation rigoureuse sur plusieurs sites, couvrant 1 570 parcelles d’agriculteur.rice.s représentatives des principales régions céréalières. Ces essais ont confirmé la précision, la faisabilité et l’acceptabilité par les agriculteur.rice.s des recommandations, constituant ainsi la base scientifique de la mise à l’échelle à grande échelle.
Principales étapes de validation et de pilotage :
- Portée de la validation : des instituts nationaux et régionaux de recherche ont validé le système d’aide à la décision harmonisé auprès de 938 agriculteur.rice.s pour les principales cultures vivrières de l’Éthiopie, à savoir le blé (372), le teff (347), le maïs (124) et le sorgho (95).
- Portée des projets pilotes : des projets pilotes collaboratifs avec Digital Green, Precision Development, GIZ et des instituts nationaux de recherche ont permis d’atteindre collectivement 116 997 agriculteur.rice.s grâce à des modèles hybrides de vulgarisation numérique.
S’appuyant sur ces résultats, HaFAS entre désormais dans une phase de mise à l’échelle massive. La feuille de route nationale vise à atteindre 4 millions d’agriculteur.rice.s d’ici 2030 et 15 millions d’ici 2040, en cohérence avec l’agenda de transformation agricole de l’Éthiopie.
Grâce à une architecture numérique ouverte et interopérable, des partenaires tels que Digital Green et Kifiya Financial Technology ont obtenu un accès par interface de programmation aux bases de données de conseil de HaFAS, leur permettant de diffuser des recommandations personnalisées via des plateformes mobiles, des centres d’appel et des dispositifs communautaires. Digital Green, par exemple, prévoit de piloter le système LAFA dans huit régions, touchant environ 88 500 agriculteur.rice.s grâce à une approche combinant outils numériques et accompagnement humain.
L’agriculteur Bizuayehu Gature, dans le woreda de Lemo, kebele d’Andegna Omoshera, a déclaré : « La recommandation d’engrais spécifique au site, Location Specific Fertilizer Recommendation, contribue à une très bonne performance de mon champ de blé cette année. Avant l’an dernier, je cultivais le blé sur cette parcelle de 0,5 hectare en utilisant la recommandation standard et j’ai récolté 2,5 tonnes de grain. Cette année, j’ai utilisé la recommandation spécifique au site, les performances sont très bonnes et, avec la volonté de Dieu, j’espère récolter environ 4 tonnes sur la même parcelle. »
Journée sur le terrain à Lemo, dans le kébélé de Lereba : Des agriculteurs, des vulgarisateurs et des administrateurs locaux visitent la parcelle de recommandation d'engrais spécifique au lieu (LSFR).
L'avenir de la vulgarisation agricole alimentée par l'IA
HaFAS n'est pas seulement une plateforme, c'est un système d'apprentissage. Il continue d'évoluer grâce à l'intégration de l'intelligence artificielle (IA) et des grands modèles linguistiques (LLM) qui améliorent à la fois la précision et l'accessibilité des conseils agronomiques.
Une étape majeure de l'innovation a été le déploiement d'un prototype de chatbot sur les engrais, qui fournit des conseils conversationnels en temps réel sur les recommandations en matière d'engrais pour différentes cultures et différents types de nutriments. Le chatbot peut traiter les demandes des agriculteurs dans les langues locales, fournir des recommandations spécifiques au lieu et permettre une interaction bidirectionnelle entre les utilisateurs et les experts, comblant ainsi le fossé entre les connaissances scientifiques complexes et la prise de décision pratique dans les exploitations agricoles.
En intégrant l'IA et l'apprentissage automatique dans l'architecture nationale de vulgarisation de l'Éthiopie, HaFAS renforce l'épine dorsale technique de l'agriculture numérique, en veillant à ce que les services de conseil soient informés par les données, adaptatifs et centrés sur l'agriculteur.
Conclusion : Un modèle de transformation agricole basé sur les données
L'institutionnalisation du HaFAS représente plus qu'une réalisation technologique - c'est une innovation systémique. Elle démontre comment la science, les données et les technologies numériques peuvent être intégrées dans les institutions publiques pour améliorer durablement la prise de décision agricole à l'échelle nationale.
Grâce à des partenariats stratégiques entre le ministère de l'Agriculture, l'EIAR et les centres du CGIAR, le HaFAS crée un écosystème numérique unifié qui non seulement améliore l'efficacité de l'utilisation des engrais, mais accélère également la voie de l'Éthiopie vers une agriculture résiliente, productive et intelligente face au climat.
Alors que l'Éthiopie continue de montrer la voie en matière d'agronomie numérique et de systèmes de conseil fondés sur des données probantes, HaFAS se présente comme un modèle reproductible pour d'autres pays cherchant à institutionnaliser les cadres de données à la décision pour la transformation des petits exploitants à travers l'Afrique.
La parcelle de recommandation d'engrais spécifique au lieu (LSFR) par rapport à la recommandation générale dans un champ de blé à Siyadebr woreda, Wole kebele, montre une grande différence de performance à un stade précoce.
Le Dr Feyera Merga explique la recommandation d'engrais spécifique au lieu (LSFR) aux participants de la journée sur le terrain à Siyadebr woreda, Rome kebele.
Remerciements
Ce travail a été soutenu par le CGIAR Sustainable Farming Program, le projet III Supporting Soil Health Interventions in Ethiopia, financé par la Fondation Bill et Melinda Gates, et géré par Deutsche Gesellschaft für Internationale Zusammenarbeit (GIZ) et le programme AICCRA (Accelerating the Impact of CGIAR Climate Research in Africa). Nous reconnaissons également le soutien du ministère éthiopien de l'agriculture et des bureaux zonaux et de district de l'agriculture, du système national de recherche agricole et de tous les partenaires impliqués dans la validation et le pilotage de la recommandation sur les engrais.
L'équipe de l'Alliance
Lulseged Tamene Desta
Directeur, Paysage multifonctionnel
Wuletawu Abera
Senior Scientist, Country Representative for Ghana
Degefie Tibebe
Research SpecialistContinuer à explorer
