Trouver un pesticide relevait jusqu’ici de la loterie : il fallait tester physiquement des millions de molécules pour repérer ce qui fonctionne. L’IA inverse la démarche : elle part de la protéine à cibler chez le ravageur pour ensuite trouver la molécule adéquate, ce qui constitue une totale révolution pour la recherche.
L’icafolin – icafolin-méthyl, de son nom complet – est un herbicide de post-levée que Bayer présente comme le premier doté d’un mode d’action réellement nouveau depuis une trentaine d’années. Mais ce qui le rend intéressant au premier chef tient moins à sa nature – un inhibiteur de la polymérisation de la tubuline – qu’à la façon dont il a été trouvé. « C’est l’un de nos premiers produits qui a pu profiter d’une nouvelle approche de recherche baptisée « CropKey », qui s’appuie sur l’intelligence artificielle », se félicite ainsi Frédéric Derolez, directeur des affaires agricoles pour la division agriculture du groupe allemand. La molécule est en phase d’homologation au Brésil, où un lancement est prévu dès 2028, mais aussi aux États-Unis et au Canada. Quant à l’Union européenne, son dossier d’homologation n’a été déposé qu’en juillet 2025.
Cette molécule réunit en elle les deux mouvements contraires qui caractérisent la protection des plantes en Europe : une recherche en pleine révolution et un cadre réglementaire qui pose des défis pour l’intégration des innovations.
Une recherche en panne
Pour bien saisir le premier, il faut rappeler qu’au cours de la dernière décennie, les quelques nouvelles matières actives homologuées dans le monde avaient généralement des modes d’action similaires. Les rares modes d’action « nouveaux » ajoutés récemment à la classification correspondent en fait à de vieilles molécules, dont on vient seulement d’élucider le mécanisme (par exemple le cinmethylin, identifié tardivement comme inhibiteur de l’acyl-ACP thioestérase), tandis que les premières chimies véritablement inédites, le tetflupyrolimet et le cyclopyrimorate, ne sont apparues qu’après 2020, et d’abord sur le riz en Asie et dans les Amériques. Mais aucune des deux n’a été à ce jour approuvée dans l’Union européenne. Le nombre de familles nouvelles autorisées dans l’Union européenne en vingt ans se résume donc à un chiffre rond : zéro !
La fin de la loterie
Cette absence n’est pas un accident. Elle tient aux limites mêmes de la recherche : trouver une molécule capable d’intervenir sur une protéine particulière afin de bloquer une fonction vitale de son propriétaire, un ravageur ou une adventice, relevait jusqu’ici de la loterie.
Pour chaque organisme cible, les chercheurs étaient obligés de tester physiquement d’immenses collections de composés (des molécules de structures connues et distinctes faisant partie d’un stock qu’une firme a synthétisées ou achetées au fil des décennies), de repérer empiriquement ce qui fonctionne, puis de tenter de comprendre pourquoi. Faute de découvrir des nouvelles protéines vitales spécifiques, l’industrie s’est principalement concentrée sur ces mêmes protéines nourrissant mécaniquement les résistances croisées, alors que la nature nous fournit pourtant un univers chimique gigantesque. Ainsi, devant une sous-commission de la Chambre des représentants américaine, en mai 2025, Brian Lutz, vice-président chargé des solutions agricoles chez Corteva, rappelait qu’il existe de l’ordre d’un décillion de molécules, c’est-à-dire 10⁶⁰ ou un million de milliards de milliards de milliards de milliards de milliards de milliards, un nombre très supérieur à celui des grains de sable de la planète, estimé au minimum à 10²¹. Pour comparaison, la bibliothèque de Bayer, l’une des plus vastes du secteur, en aligne à peine 2,6 millions ! Le criblage physique n’explore donc qu’une infime fraction du possible.
C’est ce premier verrou que l’intelligence artificielle fait sauter, en inversant justement la démarche. Au lieu de partir d’une molécule active pour découvrir après coup un effet sur sa cible, elle part de la biologie de l’organisme à combattre. En prédisant la structure tridimensionnelle de ses protéines – dans la lignée des travaux de type AlphaFold, un logiciel d’IA de Google DeepMind qui prédit l’architecture d’une protéine à partir de sa séquence en acides aminés –, l’IA repère celles qui sont à la fois vitales, « accrochables » et, surtout, différentes chez les organismes non cibles, ce qui constitue un élément clé dans l’évaluation de la sélectivité. Le fait de partir non plus de la matière active, mais de la protéine, permet de révéler des cibles inédites et ouvre la voie à des modes d’action véritablement nouveaux.
Au lieu de partir d’une molécule active pour découvrir après coup un effet sur sa cible, l’IA part de la biologie de l’organisme en repérant les protéines qui sont à la fois vitales et accrochables
Et ce n’est pas tout ! L’IA crible ensuite, par simulation de l’amarrage moléculaire, des milliards de candidats en quelques secondes, là où le test physique exigeait des années. L’algorithme cherche la position, l’orientation et la conformation que la molécule adopte dans la cavité de la protéine cible (autrement dit, la pose de liaison, sa géométrie), tandis qu’elle prédit l’affinité de liaison. Le gain de temps est considérable.
Les modèles les plus récents vont même déjà plus loin : ils inventent des structures inédites taillées pour la cible, et prédisent d’emblée leur toxicité et leur écotoxicité, écartant les mauvais candidats avant toute synthèse. L’approche « échouer tôt et à bas coût » comprime la phase la plus aléatoire de la découverte. Le tout fonctionne en boucle, chaque cycle d’essais réalimentant les modèles. C’est cette démarche qui distingue radicalement la conception assistée du tâtonnement d’hier.
L’IA dans les faits
L’icafolin ne constitue pas un cas isolé puisque toutes les firmes s’y sont mises. Le groupe Syngenta s’est associé dès 2021 à Insilico Medicine, société d’IA issue de la pharmacie, pour exploiter des modèles génératifs, puis à la jeune société Enko. En janvier 2024, les deux associés annonçaient la découverte d’une nouvelle molécule pour la lutte fongique dotée d’un mode d’action inédit, et le groupe indique désormais que l’ensemble de ses projets de recherche recourent à l’apprentissage automatique.
Enko affirme avoir identifié ce mode d’action inédit en quatre mois, laps de temps impensable avec les méthodes traditionnelles. Elle revendique ainsi une banque de 120 milliards de molécules distinctes, que, selon sa dirigeante Jacqueline Heard, « il faudrait plusieurs vies pour évaluer » par les méthodes traditionnelles. Le chiffre mérite une précision, car il ne désigne pas des molécules « virtuelles » existant seulement dans un ordinateur. Les 120 milliards de composés d’Enko constituent une banque codée par ADN (en anglais DNA-encoded library, ou DEL) : une collection de molécules bien réelles, physiquement synthétisées en quantités infimes, chacune portant, attaché à elle, un court fragment d’ADN unique qui sert de code-barres et identifie sa structure, sans participer à son action.
Enko affirme avoir identifié ce mode d’action inédit en quatre mois, laps de temps impensable avec les méthodes traditionnelles
Cette technologie empruntée à la pharmacie – la société Enko a acquis ses bibliothèques auprès du spécialiste X-Chem et fut la première à l’internaliser pour l’agriculture – permet de ne pas évaluer les molécules une à une : on les expose toutes ensemble, en mélange, à la cible biologique, et celles qui s’y fixent sont retenues, puis identifiées en séquençant leur étiquette ADN. Le criblage de cette banque physique se combine ensuite à l’apprentissage automatique, qui analyse les résultats et guide la conception. On a donc affaire à un procédé hybride, mariant chimie réelle et IA, distinct du criblage purement in silico où l’on évalue par le calcul des molécules jamais synthétisées.
Corteva, de son côté, revendique avoir modélisé 10 000 molécules en quelques semaines. Le groupe travaille avec AgPlenus, filiale de la société israélienne Evogene, dont le moteur ChemPass a permis d’identifier en mars 2024 une nouvelle famille d’herbicides à mode d’action inédit, baptisé APCO-12. En décembre 2025, Corteva a en outre annoncé la création d’une coentreprise avec Hexagon Bio, visant des modes d’action nouveaux inspirés de produits naturels microbiens. À côté de ces géants, surgissent aussi des jeunes pousses comme Bindwell, fondée en 2024, qui conçoit ses molécules en interne pour en licencier la propriété intellectuelle. La ligne de partage est instructive : Enko part de molécules physiques réelles, sa banque de 120 milliards de composés, tandis que Bindwell fait l’inverse, un criblage purement informatique que le laboratoire ne sert qu’à valider. Deux démarches mais un même but : viser une protéine propre au ravageur, pour la sélectivité comme pour la nouveauté.
Ce rapprochement du monde agricole avec le secteur du médicament n’est pas fortuit. C’est une véritable filiation. L’agrochimie a intégré les outils, les méthodes, parfois les équipes de la pharmacie, comme dans la collaboration de Syngenta avec Insilico Medicine ou celle de Bayer avec Iktos, une start-up française spécialisée dans l’IA pour la conception de nouveaux médicaments. Si le pipeline est identique de part et d’autre, l’analogie a néanmoins ses limites. Alors qu’un médicament est administré à un patient unique et consentant, un pesticide est pulvérisé dans un milieu ouvert, et doit épargner la culture, l’applicateur, les pollinisateurs, la vie aquatique et les sols. La sélectivité à optimiser est d’une tout autre dimension. Enfin, si l’IA explore plus vite la chimie, elle n’est pas – encore – en mesure de créer une biologie nouvelle. Pour l’instant, le nombre de cibles à la fois vitales, exploitables et sélectives demeure fini.
Le second verrou
Même si les promesses sont évidentes, le criblage et la conception ne représentent que 5 à 10 % du chemin vers la mise sur le marché d’un produit. Il reste la constitution des dossiers d’homologation, la formulation précise de la molécule et la montée en échelle industrielle. L’IA comprime la première phase, mais laisse le reste presque inchangé.
Ici apparaît le second verrou – sur lequel l’IA n’a aucune prise. Car, si la découverte redémarre partout, l’homologation, quant à elle, demeure identique, avec une Europe qui a de facto substitué à son évaluation fondée sur le risque, c’est-à-dire l’exposition réelle, une logique fondée sur le danger, c’est-à-dire la seule propriété intrinsèque de la substance. Sous l’empire d’une telle logique, une molécule peut être disqualifiée pour ce qu’elle est, indépendamment de la manière dont on l’emploie. Ce qui correspondrait à interdire une voiture au motif qu’elle est potentiellement à l’origine d’accidents.
Certes, l’IA permettra de concevoir des candidats plus conformes aux nouvelles exigences réglementaires, mais la barre pour l’homologation n’est pas seulement plus haute en Europe, elle est d’une tout autre nature. Le précédent des néonicotinoïdes le rappelle rudement : interdits dans l’Union en 2018, ils ont été bannis plus largement encore par la France, entraînant même la fin du sulfoxaflor et du flupyradifurone, en raison de leur mode d’action similaire, alors que ces familles de molécules continuent à être autorisées dans le reste du monde, et que l’Union européenne continue à importer des denrées alimentaires produites avec ces matières actives.
La conséquence de cette différence devient ainsi géographique, et elle est déjà visible : les grands groupes de la chimie réorientent d’ores et déjà leurs investissements hors d’Europe
La conséquence de cette différence devient ainsi géographique, et elle est déjà visible : les grands groupes de la chimie réorientent d’ores et déjà leurs investissements hors d’Europe. Cette hémorragie risque de s’amplifier avec l’IA, à moins que l’Union européenne revisite sa réglementation.
