Fondée en 2018 à Seattle, Carbon Robotics s’est imposée comme l’un des acteurs majeurs de l’agriculture de précision avec ses robots LaserWeeder, capables de désherber sans herbicides grâce à la vision par ordinateur et au laser. Co-fondée par Paul Mikesell, serial-entrepreneur technologique, et Shay Myers, agriculteur confronté aux contraintes du désherbage à grande échelle, l’entreprise incarne une nouvelle génération d’AgTech: des systèmes d’IA spécialisés, contextuels et directement opérants sur le terrain. Cette double expertise, ingénierie de pointe et connaissance intime du terrain, structure l’ADN de Carbon Robotics: des systèmes d’IA spécialisés, contextuels et directement opérants dans les champs.
Cette complémentarité a séduit les investisseurs. Après plusieurs tours de financement, Carbon Robotics a levé environ 157 millions de dollars, dont une série D de 70 millions de dollars annoncée fin 2024, avec la participation de NVentures, le fonds de capital-risque de Nvidia, aux côtés d’autres investisseurs internationaux. L’entreprise franchit aujourd’hui un nouveau cap avec le lancement de son Large Plant Model (LPM), une transposition explicite du paradigme des modèles de fondation – des modèles d’IA entraînés sur des volumes massifs de données et capables de généraliser à de nouvelles situations sans être ré-entraînés intégralement – au monde agricole.
Sur le plan technique, le LPM marque une rupture nette avec les approches traditionnelles de la vision agricole. Là où les systèmes existants reposaient sur des classifieurs spécialisés, entraînés culture par culture, le LPM est conçu comme un modèle générique de reconnaissance du vivant, entraîné sur des centaines de millions de plantes. Il apprend des invariants morphologiques, formes, textures, stades de croissance, et généralise à des contextes qu’il n’a jamais rencontrés. Résultat : un robot peut être déployé dans une nouvelle parcelle, par exemple en salade ou en oignons, et devenir opérationnel en quelques minutes, sans phase de calibrage longue, en ajustant ses décisions directement sur le terrain.
Déjà commercialisé, le LPM est déployé via mise à jour logicielle sur la flotte existante de LaserWeeder. L’investissement reste élevé, plusieurs centaines de milliers de dollars par machine, souvent accompagné de contrats de service, mais la promesse est désormais systémique: automatiser une tâche critique dans un contexte de pénurie de main-d’œuvre, de restrictions sur les herbicides et de pression croissante sur la durabilité des pratiques agricoles.
Avec le LPM, Carbon Robotics envoie un signal clair: l’IA appliquée à l’agriculture n’est plus un outil d’optimisation marginale, mais une infrastructure stratégique opérant directement sur le terrain. Cette bascule dépasse largement le cadre technologique et fait émerger plusieurs enjeux politiques structurants.
D’abord, celui de la substitution aux herbicides, devenue un sujet public à part entière. Même lorsque les cadres réglementaires évoluent, comme le retrait en 2024 de la proposition européenne SUR, la pression environnementale et juridique demeure forte, portée par l’usage durable, la lutte intégrée contre les ravageurs et la multiplication des contentieux autour des alternatives non chimiques.
Ensuite, celui de la souveraineté technologique agricole. Lorsque le “cerveau” des machines – modèles, données, mises à jour logicielles – est contrôlé par quelques acteurs privés extra-européens, la dépendance ne porte plus seulement sur les intrants, mais sur la capacité même à produire : compatibilité des équipements, accès aux données agronomiques, évolution des pratiques pilotée par le logiciel.
Enfin, celui de la régulation et de la compétitivité. Dans un contexte où l’Union européenne encadre désormais l’IA avec l’AI Act, entré en vigueur à l’été 2024, la question devient stratégique: qui développe, opère et contrôle ces modèles sur le terrain, et selon quels standards d’interopérabilité ?
On peut s’attendre à l’émergence d’une constellation de Large Plant Models, spécialisés par filière, climat ou bassin de production. Ces modèles pourraient devenir le socle cognitif des futures machines agricoles, du désherbage à la fertilisation ciblée, de la détection de stress à la récolte autonome, transformant les équipements en systèmes apprenants. Avec, en toile de fond, une question éminemment politique: qui contrôle les modèles, les données et les standards sur lesquels reposera l’agriculture de demain ?
