Jonathan Horn, PDG et co-fondateur de Treefera – Série d’entretiens

Jonathan Horn, PDG et co-fondateur de Treefera, est un entrepreneur en technologie et ancien dirigeant de banque d’investissement avec une expertise approfondie en gestion des risques, intelligence artificielle et analyse de données à grande échelle. Avant de fonder Treefera en 2022, il a occupé des postes de direction chez J.P. Morgan et Citigroup, où il s’est concentré sur les risques, les données et les systèmes financiers complexes. S’appuyant sur son expérience dans la modélisation des risques de grade financier, Horn a lancé Treefera pour répondre à l’un des points aveugles les plus persistants des chaînes d’approvisionnement mondiales : le “premier mile”, où les matières premières sont originaires. Sous sa direction, l’entreprise a rapidement grandi pour devenir un fournisseur de premier plan d’intelligence de chaîne d’approvisionnement alimentée par l’IA, aidant les entreprises à obtenir une visibilité en temps réel sur l’approvisionnement, les risques environnementaux, les exigences de conformité et la résilience opérationnelle.

Fondée à Londres en 2022, Treefera est une entreprise d’intelligence de chaîne d’approvisionnement alimentée par l’IA qui se concentre sur la transparence du premier mile des chaînes d’approvisionnement mondiales de matières premières. Son tissu de données propriétaire combine des images satellite, des données spatiales et temporelles, des modèles d’IA et des analyses de risques pour fournir aux organisations des informations en temps réel sur l’approvisionnement, la conformité, la durabilité et les risques de chaîne d’approvisionnement. La plateforme aide les entreprises à surveiller tout, des expositions à la déforestation et des impacts carbone aux risques d’approvisionnement en matières premières, permettant une prise de décision plus éclairée dans les domaines de l’approvisionnement, de la finance et des opérations. En transformant les données environnementales et de chaîne d’approvisionnement fragmentées en informations actionnables, Treefera vise à renforcer la résilience de la chaîne d’approvisionnement dans une économie mondiale de plus en plus volatile et réglementée

Vous avez fondé Treefera après avoir occupé des postes de direction en risques, en IA et en analyse de données chez J.P. Morgan et Citi. Quel était le problème spécifique que vous avez identifié dans la façon dont les entreprises comprenaient les risques agricoles et les matières premières qui vous a convaincu que Treefera devait exister ?

Les matières premières basées sur la nature représentent 2 100 milliards de dollars de commerce mondial, mais les données qui sous-tendent l’évaluation des risques pour ces actifs étaient manuelles, retardées et structurellement inexactes. En travaillant avec des modèles de risques chez J.P. Morgan et Citi, j’ai vu des décisions de prix et d’exposition qui dépendaient de données provenant du premier mile des chaînes d’approvisionnement agricoles : collectées à la main, sujettes à omission et souvent plusieurs semaines ou mois en retard par rapport à la réalité. Soixante pour cent des risques d’approvisionnement proviennent du premier mile, avant que les matières premières n’atteignent un port ou une bourse, et c’est précisément là que la visibilité était la plus faible.

Ce qui m’a convaincu de construire Treefera, c’est la convergence de deux choses : l’ampleur du problème et l’arrivée d’outils capables de le résoudre. La résolution et la couverture des satellites avaient atteint un point où l’on pouvait observer les conditions des cultures au niveau des champs dans les principales régions de production à un coût minimal. L’IA avait mûri au point où elle pouvait transformer ce signal brut en quelque chose d’interprétable financièrement. Personne ne connectait ces points de manière rigoureuse et scientifique. Les entreprises étaient toujours en train de tarifier les risques en fonction de rapports gouvernementaux qui avaient des mois de retard par rapport aux conditions réelles, de moyennes nationales qui masquaient les variations locales et de modèles linéaires qui ne pouvaient pas gérer la volatilité climatique. L’écart entre ce qui était connaissable et ce qui était connu était énorme. C’est là que se situe Treefera.

Treefera est souvent décrite comme une plateforme d’intelligence alimentée par l’IA, mais votre approche est explicitement centrée sur les modèles d’IA prédictifs pour les chaînes d’approvisionnement et non sur les systèmes d’IA génératifs qui dominent actuellement la conversation. Pouvez-vous expliquer la différence entre l’IA prédictive pour les chaînes d’approvisionnement et les systèmes d’IA génératifs ?

Les systèmes d’IA génératifs et les grands modèles de langage résolvent un problème fondamentalement différent. Ils sont des outils de productivité : extrêmement utiles pour simplifier les tâches répétitives, comme la rédaction et la synthèse. Le défi commercial pour ces systèmes est l’adoption, faire changer les gens leur façon de travailler. C’est un problème d’éducation du marché, pas de science.

Treefera utilise l’IA pour résoudre des problèmes scientifiques avec des exigences d’exactitude de grade financier. Nos modèles d’apprentissage profond sont formés pour interpréter les images satellite, les signaux climatiques et la biologie des cultures pour produire des prévisions de rendement et de superficie de production suffisamment précises pour éclairer les décisions d’allocation de capital. La question que nous répondons n’est pas “que dit ce document ?” mais “quel sera le rendement de cette région dans trois mois, et à quel point devriez-vous en être convaincu ?” Ce ne sont pas les mêmes problèmes et ils n’exigent pas les mêmes types de modèles. Les LLM sont optimisés pour le langage ; nos modèles sont optimisés pour l’interprétation du monde physique. Confondre les deux conduit à appliquer la mauvaise classe d’outils à un problème pour lequel ils n’ont pas été conçus.

De nombreuses entreprises d’IA affirment que de meilleures performances nécessitent plus de calcul, des modèles plus grands et un accès plus important aux GPU. Treefera semble remettre en question cette hypothèse. Qu’est-ce que le “calcul frugal” signifie dans la pratique, et pourquoi est-il important pour l’IA appliquée ?

L’hypothèse prévalente dans l’IA est que l’échelle égale les performances : plus de paramètres, plus de GPU, plus d’infrastructure cloud. Pour l’IA appliquée dans des contextes spécifiques à un domaine, cette hypothèse est fausse, et elle produit des coûts et des déchets d’énergie inutiles.

Le calcul frugal, dans la pratique, signifie trois choses pour nous. Premièrement, nous découplons le calcul du temps. La plupart de nos tâches de traitement n’ont pas besoin de se produire à une seconde précise. Plutôt que de faire tourner une infrastructure toujours active, nous identifions les périodes de capacité réseau excédentaire et empruntons du calcul pendant ces fenêtres.

Deuxièmement, nous décentralisons les charges de travail. Plutôt que de router tout par un hub cloud unique, nous distribuons sur un réseau de nœuds disponibles, y compris l’infrastructure blockchain, qui comporte une capacité significative inutilisée à certaines périodes. Si un nœud devient inefficace, les tâches sont redirigées dynamiquement.

Troisièmement, nous dimensionnons correctement le matériel. Nous utilisons des puces NVIDIA (NVDA ) AG6 plutôt que des puces de haut de gamme, où les performances sont équivalentes pour nos charges de travail à une fraction de l’énergie et du coût. La raison pour laquelle cela compte au-delà de l’efficacité est la précision. Le calcul frugal force la discipline quant au calcul dont vous avez réellement besoin. Cela produit des modèles plus légers, plus interprétables – le type de modèles que les décideurs financiers et opérationnels peuvent réellement utiliser. Ils n’ont pas besoin d’un modèle plus grand ; ils ont besoin d’une réponse plus précise.

Votre plateforme est censée fournir des sorties prédictives sur le rendement des cultures, l’utilisation des terres et les risques d’approvisionnement sans s’appuyer sur une infrastructure cloud toujours active. Comment découplez-vous le calcul du temps tout en fournissant une intelligence commercialement utile en quasi-temps réel ?

L’intelligence en quasi-temps réel et le calcul continu ne sont pas la même chose. Nos clients ont besoin de prévisions mises à jour chaque semaine ; ils n’ont pas besoin que le calcul qui génère ces prévisions soit en cours d’exécution en continu.

Nous cartographions nos cycles de traitement sur le rythme naturel des données. Les images satellite arrivent sur une cadence. Les entrées météorologiques se mettent à jour sur une cadence. Les questions analytiques que nos modèles répondent sont également déterminées par la cadence : quelle est la trajectoire du rendement pour cette région, qu’est-ce qui a changé cette semaine en termes de superficie plantée. Nous planifions donc les tâches de calcul pour s’exécuter contre ces fenêtres de données, en empruntant de la capacité à l’infrastructure distribuée pendant les périodes de faible demande. La sortie pour le client est un flux de données hebdomadaire qui est actuel, actionnable et prêt pour les modèles. L’infrastructure derrière ne fonctionne que lorsque quelque chose de significatif est à traiter. Cette architecture est également plus résiliente. Une charge de travail distribuée qui contourne les nœuds défaillants est plus fiable qu’un serveur toujours actif unique avec un point de défaillance unique.

Les marchés agricoles et des matières premières douces dépendent encore fortement de données retardées, basées sur des enquêtes ou fragmentées. Comment l’IA change-t-elle la façon dont les entreprises, les banques, les assureurs et les commerçants peuvent évaluer les risques avant qu’ils ne deviennent visibles dans les rapports officiels ?

Le problème structurel des rapports basés sur les enquêtes est qu’ils sont par nature rétrospectifs. Dès que l’agence gouvernementale publie une estimation de l’offre, les conditions physiques qui la sous-tendent sont déjà anciennes de plusieurs semaines ou mois. Les marchés qui se déplacent sur ces données réagissent à l’histoire.

L’IA change cela en déplaçant la source d’information des enquêtes à l’observation directe. Les images satellite, les signaux climatiques et les données sur le développement des cultures sont disponibles maintenant, et non dans six semaines lorsque le rapport est compilé et publié. Ce que nos modèles font, c’est traduire ces données physiques en langage financier que les commerçants, les souscripteurs et les analystes utilisent réellement : des prévisions de rendement avec des intervalles d’incertitude spécifiés, des estimations de superficie de production avec des mises à jour hebdomadaires, des scores de stress qui quantifient le risque à l’origine avant qu’il ne se manifeste dans les prix.

En 2022, nos modèles de maïs américain ont signalé une révision à la baisse cinq semaines avant que le USDA ne publie la sienne. En janvier 2025, nos modèles ont mis en évidence un score de stress de 0,76 dans la ceinture de cacao du Ghana ; COCOBOD n’a pas révisé sa prévision de saison jusqu’en juin. L’avantage informationnel n’est pas marginal ; il est structurel. Les entreprises qui attendent toujours les rapports officiels pour prendre des décisions d’approvisionnement et de tarification opèrent avec un retard que leurs contreparties ne partagent peut-être pas.

Le “premier mile” des chaînes d’approvisionnement a historiquement été l’un des domaines les moins transparents pour les entreprises mondiales. Pourquoi la visibilité du premier mile devient-elle si critique maintenant, en particulier à mesure que la volatilité climatique, la réglementation et l’incertitude géopolitique augmentent ?

Trois forces convergent et chacune est individuellement significative.

La volatilité climatique augmente la fréquence et la gravité des chocs de production à l’origine. Le même événement météorologique a maintenant un impact plus important sur l’approvisionnement parce que les systèmes de cultures sont plus stressés et les événements extrêmes sont moins prévisibles à partir des moyennes historiques. Les modèles de risque linéaires basés sur les normes historiques sont structurellement mal équipés pour gérer cela. Vous avez besoin d’une observation physique en temps réel pour voir ce qui se passe réellement dans le champ.

La réglementation crée un lien de responsabilité direct entre ce qui se passe au premier mile et ce qu’une entreprise peut vendre ou financer. L’EUDR, le CSRD, le TCFD : ces cadres exigent que les entreprises sachent, avec preuves, d’où viennent leurs matières premières et quelles étaient les conditions à l’origine. “Nous avons fait confiance au fournisseur” n’est plus une position défendable. Cette responsabilité pousse la traçabilité et la provenance de l’approvisionnement d’une préférence de l’approvisionnement à une exigence légale.

La perturbation géopolitique a rendu la dépendance à une seule origine un risque pour le conseil d’administration. Lorsqu’une région représente une part dominante de l’approvisionnement mondial d’une matière première et que cette région devient politiquement ou physiquement peu fiable, les entreprises sans visibilité du premier mile n’ont aucun mécanisme d’alerte précoce. Elles ne le découvrent que lorsque le marché a déjà repris.

Il y a également un changement plus large en cours dans l’écosystème des données lui-même. Le lancement récent par Google (GOOGL ) Earth AI de cartes de matières premières pan-tropicales – empreintes de culture annuelles de 10 mètres pour le cacao, le café, le palmier à huile et le caoutchouc, publiées en tant que données ouvertes – est un indicateur utile de la direction que prennent les choses. Le monde physique est de plus en plus lisible depuis l’espace, et la demande de transparence de la chaîne d’approvisionnement est désormais suffisamment mainstream pour attirer des investissements à grande échelle de la part des grandes technologies. Treefera s’en réjouit. Une couche de données fondamentales plus riche relève le plancher pour l’ensemble du marché et crée une conscience partagée que de meilleures informations ne sont pas seulement possibles, mais disponibles.

Ce que les cartes de découverte ouvertes ne peuvent pas faire, c’est combler le fossé des connaissances. Savoir où les cultures sont plantées n’est pas la même chose que savoir comment cette saison se développe, ce que les conditions à l’origine signifient pour votre exposition à l’approvisionnement ou où votre portefeuille est à risque. La traduction de l’observation en insights de grade financier est ce pour quoi Treefera est conçu.

Ignorer le premier mile était autrefois commercialement tolérable lorsque le monde était plus prévisible. Il ne l’est plus.

Votre base de clients comprend des organisations majeures telles que JP Morgan, Microsoft (MSFT ), Bayer et Anew. Quels sont les problèmes les plus courants que les entreprises tentent de résoudre avec Treefera : conformité, risque d’approvisionnement, prévision, durabilité, approvisionnement ou autre chose ?

Le problème de base que les entreprises nous posent est une version de la même chose : elles ont une exposition financière significative à ce qui se passe au premier mile des chaînes d’approvisionnement agricoles et n’ont pas de mécanisme fiable pour le voir avant qu’il ne leur coûte. Le cadrage spécifique diffère selon le secteur.

Pour les commerçants et les institutions financières exposées aux matières premières, la question est l’avantage informationnel : voir les changements d’approvisionnement avant qu’ils n’apparaissent dans les prix ou les données officielles. Pour les prêteurs agricoles et les assureurs, il s’agit d’évaluation des risques ; ils souscrivent ou financent des opérations dont la performance est directement gouvernée par des conditions qu’ils ne peuvent pas observer. Pour les entreprises avec des obligations de durabilité ou de conformité, la question est la preuve : prouver, avec des données défendables, que leurs chaînes d’approvisionnement répondent aux normes que les régulateurs et les contreparties exigent maintenant.

La réponse traditionnelle – faire confiance au fournisseur, attendre le rapport gouvernemental, acheter l’estimation de consensus – n’est plus suffisante. La précision et la rapidité dont ils ont besoin n’existent pas dans l’écosystème de données public. Elle existe au premier mile.

Treefera a signalé une croissance de 6 fois d’une année sur l’autre, un taux de rotation nul et un financement de série B surabondé en deux ans. Qu’est-ce que ce niveau d’adoption suggère sur la demande des entreprises pour des systèmes d’IA qui sont précis, efficaces et ancrés opérationnellement plutôt que simplement à grande échelle ?

Un taux de rotation nul est le signal le plus révélateur. La croissance des revenus peut refléter l’exécution commerciale ; un taux de rotation nul reflète l’adéquation du produit au marché. Les clients qui ont utilisé les données pour une saison complète, les ont testées contre leurs propres modèles et ont pris des décisions basées sur elles, et qui ont ensuite renouvelé, nous disent que le signal est réel et qu’il change la façon dont ils opèrent.

Cela montre également une demande significative non satisfaite des entreprises pour une IA qui est précise, auditable et intégrable opérationnellement – une demande mal servie par un paysage fortement orienté vers les outils génératifs et les modèles généraux à grande échelle. Les professionnels de la chaîne d’approvisionnement et des risques ont besoin d’une prévision avec un intervalle d’incertitude spécifié qu’ils peuvent défendre dans un comité de risques. Lorsque cette barre est atteinte – données spécifiques au domaine, exactitude de grade financier, méthodologie transparente – les entreprises la priorisent. Le financement de série B surabondé reflète la reconnaissance des investisseurs de la même dynamique : le marché est large, le problème est structurel et l’infrastructure de données existante n’a pas été conçue pour le résoudre.

En regardant vers l’avenir, croyez-vous que la prochaine phase de l’IA appliquée sera définie moins par l’échelle des modèles et plus par l’efficacité opérationnelle, les données spécifiques au domaine et les résultats commerciaux mesurables ?

Oui, et les preuves en sont déjà visibles.

L’IA à grande échelle commence à atteindre les limites de ce que la pure échelle peut résoudre. Ajouter des paramètres n’améliore pas une prévision de rendement des cultures si les données sous-jacentes sont grossières, retardées ou mal alignées géographiquement. La valeur marginale du calcul diminue lorsque le goulet d’étranglement est la qualité des données et la précision du domaine, et non la taille du modèle.

La prochaine phase sera définie par des données d’entraînement spécifiques au domaine, des modèles de la bonne taille et des sorties vérifiables. Dans des secteurs comme l’agriculture, la finance et la chaîne d’approvisionnement, où les décisions ont des conséquences financières et opérationnelles, la question n’a jamais été “quelle est la taille du modèle ?” mais “quelle est la fiabilité de la réponse et à quelle rapidité puis-je agir ?” L’échelle seule ne peut pas répondre à cela. Les entreprises qui mèneront l’IA appliquée au cours des cinq prochaines années auront construit des pipelines de données propriétaires dans le monde physique, entraîné des modèles sur ces données avec une rigueur scientifique appropriée et démontré une précision mesurable dans des conditions réelles. La technologie est de plus en plus une commodité ; les données et l’expertise du domaine ne le sont pas.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Treefera.