Énergie et services publics

L'IA appliquée aux réseaux électriques n'est pas un problème de logiciel. C'est un problème de physique doté d'une interface logicielle. Le black-out ibérique d'avril 2025 — au cours duquel 2 200 MW de production ont disjoncté en 20 secondes, privant d'électricité 60 millions de personnes — a tranché un débat qui durait depuis des années. Le rapport final du panel d'experts de l'ENTSO-E (mars 2026) a confirmé que la cause fondamentale était une surtension en cascade provoquée par des générateurs en mode facteur de puissance fixe, et non l'intermittence des énergies renouvelables.

La leçon pour tout distributeur déployant l'IA dans la conduite du réseau est directe : un modèle d'optimisation qui ignore la stabilité de la tension, les flux de puissance réactive et la dynamique de commande des onduleurs peut préconiser des actions qui semblent économiquement optimales sur le plan logiciel et provoquent des défaillances en cascade sur le matériel (nos recherches sur l'ingénierie de la résilience du réseau après le black-out ibérique). Veriprajna conçoit des systèmes d'IA sur mesure pour les distributeurs d'électricité, de gaz et d'eau autour de la conformité NERC CIP, de la physique du réseau et des contraintes opérationnelles.

Le problème NERC CIP que personne n'avait anticipé

Les normes NERC CIP ont été rédigées pour des systèmes de contrôle déterministes. Un moteur d'inférence d'IA implanté sur la liaison ICCP entre votre centre de conduite et une autorité d'équilibrage peut déclencher une classification de système cybernétique BES à « impact moyen » au titre de la norme CIP-002-5.1, engendrant des obligations de conformité que ni le distributeur ni le fournisseur d'IA n'avaient anticipées.

• La norme CIP-003-9, en vigueur le 1er avril 2026, étend la gouvernance pour l'accès électronique à distance des fournisseurs.
• La norme CIP-015-1 impose la surveillance de la sécurité des réseaux internes pour les systèmes à impact élevé et moyen disposant d'une connectivité routable externe, avec une conformité totale d'ici octobre 2028.
• La norme CIP-013-2 exige des plans documentés de gestion des risques liés à la chaîne d'approvisionnement, avec des pénalités pouvant atteindre 1 M$ par jour en cas de non-conformité.

Notre approche accorde la priorité absolue à l'architecture de conformité lorsqu'un gestionnaire de réseau intègre l'IA à ses opérations — intégrée dès la conception et non greffée a posteriori après le pilote. Une mission cartographie chaque composant du système d'IA par rapport aux critères de classification CIP, conçoit une segmentation réseau satisfaisant à CIP-005 tout en accordant à l'IA l'accès aux données nécessaire, et produit les livrables documentaires de conformité que les auditeurs examinent effectivement.

Prévision de charge dans un monde bouleversé du jour au lendemain

La demande d'électricité des centres de données américains sur le réseau atteindra 75,8 GW en 2026 (S&P Global) et pourrait atteindre 106 GW d'ici 2035 (BloombergNEF). PJM attribue 12 GW de demande supplémentaire liée aux centres de données pour la seule période 2026/2027, expliquant un doublement des coûts de capacité. Goldman Sachs estime à 720 milliards de dollars les modernisations de réseau nécessaires d'ici 2030.

Le problème pour les planificateurs de réseaux réside dans le fait que la charge de l'IA ne suit pas les schémas historiques : les délais de réalisation des centres de données sont plus courts, les puissances raccordées sont plus massives et les profils de demande sont plus plats que ceux des charges commerciales classiques. Les délais moyens d'attente dans la file d'interconnexion ont explosé, passant de moins de 2 ans en 2008 à plus de 5 ans aujourd'hui, avec plus de 2 000 GW de ressources en attente. L'ordonnance FERC 2023 s'attaque à cet engorgement, mais PJM commence seulement à explorer des outils assistés par l'IA pour rationaliser les études d'interconnexion.

La plupart des modèles de prévision de charge des distributeurs ont été entraînés dans un monde où la demande progressait de 1 % par an. Ce monde est révolu. Nous concevons des systèmes de prévision capables d'intégrer les profils de charge atypiques, les montées en puissance rapides et les dynamiques de demande corrélées générées par l'infrastructure d'IA (voir nos recherches sur le déficit de PJM et la crise de l'ERCOT) — car commettre une erreur de prévision d'à peine 5 % à cette échelle se traduit par des milliards d'allocations de capitaux erronées.

Pression connexe : les projets qui manquent les dates de mise en service 2026-2028 pour les crédits d'impôt pour l'énergie propre 45Y et 48E font face à des hausses de coûts de 30 à 50 %. L'IA peut accélérer l'analyse des études en grappes, identifier les positions de la file susceptibles d'être abandonnées et automatiser l'analyse d'ingénierie qui exige actuellement des mois de travail manuel par cycle d'étude — bien qu'aucun ISO/RTO n'ait encore déployé de filtrage automatisé de faisabilité à grande échelle.

Intégration des DER : quand la fragmentation des protocoles rencontre la physique

L'ordonnance FERC 2222 impose aux ISO/RTO d'autoriser les agrégations de ressources énergétiques distribuées (DER) sur les marchés de gros, mais les calendriers d'application varient considérablement. Sur le terrain, les plateformes DERMS doivent coordonner les onduleurs, les batteries et les charges pilotables à travers IEEE 2030.5, OpenADR, SunSpec Modbus et DNP3 — souvent simultanément. Aucun DERMS commercial ne prend en charge à lui seul l'ensemble de ces quatre protocoles avec des capacités temps réel complètes.

Le protocole lui-même continue d'évoluer : versions CSIP basées sur IEEE 2030.5-2018 et 2023, complétées par les évolutions introduites par CSIP 3.0 et CSIP AUS 1.2. Parallèlement, la capacité de stockage d'énergie de la Californie est passée de 500 MW en 2018 à plus de 16 900 MW à la mi-2025, les batteries fournissant plus de 12 GW lors de la montée en charge du soir le 29 mars 2025. Le CAISO a écrêté plus de 738 000 MWh d'énergie solaire pour le seul premier trimestre 2025.

À cette échelle, la qualité du dispatch par IA est critique pour le réseau et n'a rien de théorique, comme le détaillent nos recherches sur l'intelligence contrainte par la physique et la perturbation du réseau de Virginie (résilience structurelle grâce à une intelligence contrainte par la physique). Nous concevons la couche de coordination qui s'intercale entre le DERMS, l'ADMS et le parc physique de DER — en assurant la conversion des protocoles, l'application des contraintes en temps réel et l'optimisation du dispatch dans le respect à la fois des règles de marché et des limites électriques.

Comptage intelligent : au-delà des tableaux de bord constructeurs

Itron détient 35 % et Landis+Gyr 32 % de part de marché des compteurs intelligents en Amérique du Nord (GlobeNewsWire, juillet 2025). À eux deux, ils couvrent la majorité des plus de 100 millions de points de terminaison AMI déployés chez les distributeurs américains. Les plateformes analytiques qu'ils commercialisent sont conçues pour leurs propres écosystèmes matériels.

Le compteur Revelo de Landis+Gyr est le premier compteur IoT de surveillance du réseau doté d'edge computing, mais ses fonctionnalités analytiques au-delà du simple profilage de charge restent limitées. La plateforme analytique d'Itron traite l'effacement de consommation et la facturation — et non le type de détection d'anomalies multi-flux qui intercepte les pertes de revenus sans générer de faux positifs susceptibles de déclencher des coupures contraires aux règles de protection des consommateurs des commissions des services publics (PUC).

Le coût mondial du vol d'électricité atteint 89,3 milliards de dollars par an (IEEE Smart Grid), et les modèles de Machine Learning déployés pour la détection souffrent d'un déséquilibre extrême des classes : les fraudes étant rares dans les données d'entraînement, les taux de faux positifs sont élevés. Nous concevons des analyses AMI qui fusionnent les données de comptage avec la topologie du réseau, la météo et l'analyse des profils de consommation pour améliorer la précision de détection (détaillée dans nos recherches sur la résilience des infrastructures de comptage avancé) tout en maintenant les taux de faux positifs en dessous du seuil générateur de risques réglementaires et contentieux.

Incendies, méthane, eau : l'IA face aux risques physiques

Hawaiian Electric a engagé 450 millions de dollars sur trois ans (2025-2027) pour la prévention des feux de forêt, incluant des caméras d'IA et le renforcement structurel du réseau. SDG&E entraîne des modèles de feux de forêt sur une décennie d'archives pour prédire la probabilité de défaillance et d'embrasement à l'échelle du poteau et de la portée de ligne. Technosylva et AiDASH se sont associés pour combiner la modélisation des incendies avec la surveillance de la végétation par satellite. Pourtant, la plupart des distributeurs continuent de s'en remettre à des décisions sommaires de coupures d'électricité pour raison de sécurité publique (PSPS) pilotées par la météo, qui mettent hors tension des circuits entiers plutôt que de cibler des portées précises, faute d'une fusion de capteurs suffisante dans leurs modèles de risque.

Pour les distributeurs de gaz, le règlement EPA OOOOb impose une surveillance de détection des fuites compatible avec l'IA, avec des diagnostics initiaux obligatoires dès 2025 et un durcissement de la conformité LDAR tout au long de 2026. Les systèmes d'imagerie optique des gaz de dernière génération de Bridger Photonics et Opgal recourent à l'IA pour la détection automatisée image par image des signatures de méthane.

Pour les services d'eau, la détection des fuites par IA a démontré des résultats chiffrés : Walla Walla a abaissé ses volumes d'eau non facturée de 40 % à moins de 10 %, et des déploiements chez des régies individuelles affichent des économies de 213 000 $/an (Oldcastle Infrastructure). La détection des fuites basée sur SVM atteint une précision de 94 à 100 % sur 53 études évaluées par des pairs (MDPI). Nous concevons les systèmes de fusion de capteurs et d'évaluation des risques qui transforment des modèles de sécurité rudimentaires en décisions d'exploitation ciblées et défendables — que l'actif soit une portée de ligne de transport, une conduite principale de gaz ou une canalisation de distribution d'eau.

L'IA agentique et l'enjeu de la salle de commande

Le Laboratoire national d'Argonne a développé GridMind, un système d'IA multi-agents dans lequel des agents spécialisés prennent en charge la programmation, la supervision et le dispatch de manière autonome tout en se coordonnant grâce à un cadre de raisonnement partagé. C'est le prototype du DOE pour la « salle de commande du futur ». Le marché de l'IA agentique dans l'énergie et les services publics est évalué à 0,64 milliard de dollars en 2025 et devrait atteindre 3,14 milliards de dollars d'ici 2030 (Mordor Intelligence).

42 % des exploitants de réseaux envisagent des déploiements ciblés d'IA au cours des deux prochaines années, mais l'écrasante majorité manque d'expertise interne en IA (Utility Dive). Le chatbot d'IA de Duke Energy a géré plus de 280 000 interactions durant ses trois premiers mois et a réduit de 90 % les saisies manuelles, mais la satisfaction des usagers des services publics britanniques pour les réclamations traitées par IA est passée de 47 % à 44 % entre juillet 2024 et janvier 2025 (Qualtrics).

Le décalage entre ce que l'IA agentique accomplit en laboratoire et la confiance que les opérateurs lui accordent dans une salle de contrôle à 3 heures du matin lors d'une vague de froid polaire est bien réel ; le résorber exige une explicabilité rigoureuse, des garde-fous stricts et une conception maintenant l'humain dans la boucle, ce que la plupart des éditeurs d'IA omettent. Notre démarche consiste à concevoir des systèmes agentiques dotés de pistes de raisonnement que les opérateurs peuvent auditer, de limites opérationnelles infranchissables empêchant toute action autonome d'enfreindre les procédures de conduite, et de modes de dégradation progressive qui garantissent le maintien de la fourniture d'électricité en cas d'incertitude de l'IA.

Pourquoi pas l'éditeur de plateforme ou les grands cabinets de conseil ?

GE Vernova, Schneider Electric et Siemens développent chacun d'excellents logiciels de réseau — ils se sont classés aux rangs 1, 2 et 3 du classement 2026 de la numérisation des réseaux d'ABI Research. Mais les fonctionnalités d'IA de chaque plateforme sont conçues pour vous enfermer dans l'écosystème de cet éditeur. Une régie équipée de GE Vernova GridOS hérite de l'IA de GE. Un site sous ADMS Schneider hérite de l'IA de Schneider. Si votre réseau repose sur une infrastructure mixte — ce qui est le cas de la majorité —, aucun fournisseur n'a intérêt à bâtir la couche d'intégration inter-plateformes. Oracle et Hitachi Energy complètent le top 5 du classement ISG Power and Utilities Grid, avec des logiques d'enfermement propriétaires tout aussi marquées.

Les grands cabinets de conseil apportent gestion de programmes et cadrage stratégique, mais les consultants qui rédigent le cahier des charges ne déboguent pratiquement jamais d'incidents sur le protocole ICCP et ne savent pas concevoir de déploiements edge capables de supporter les perturbations électromagnétiques (EMI) d'un poste électrique. Accenture a racheté Orlade Group en septembre 2025 précisément pour le conseil en grands projets d'infrastructures d'énergie ; Deloitte, McKinsey et Capgemini animent tous des pratiques actives dédiées à l'IA pour l'énergie.

Notre positionnement est délibérément indépendant de tout éditeur : nous intervenons au cœur des environnements GE, Schneider, Siemens et des systèmes SCADA historiques plutôt que d'inféoder la solution à une seule pile logicielle. Notre approche érige l'architecture de conformité NERC CIP, la physique du réseau et les contraintes OT — qui distinguent fondamentalement l'IA industrielle de l'IA d'entreprise — en impératifs d'architecture initiaux, traités dès la conception et non greffés après coup à la suite d'un pilote. Ces réalisations reposent sur une équipe resserrée d'ingénieurs seniors, garante d'une maîtrise directe et affranchie de tout enfermement propriétaire.

Une plateforme unique pour les régies mixtes électricité, gaz et eau

Les services d'électricité, de gaz et d'eau font face à des défis d'IA similaires — détection de fuites, maintenance prédictive, service client et conformité réglementaire —, mais les offres des éditeurs demeurent strictement cloisonnées par filière. La détection de fuites d'eau par IA a fait la preuve d'une exactitude de 94 à 100 % (revue de 53 études par MDPI) et de 213 000 $/an d'économies par distributeur (Oldcastle Infrastructure) ; les réseaux gaziers affrontent les exigences LDAR du règlement EPA OOOOb qui imposent l'imagerie optique assistée par IA ; les gestionnaires électriques doivent garantir la conformité NERC CIP de leurs outils analytiques.

Une plateforme d'IA mutualisée qui partage l'infrastructure et les pipelines de données entre filières, tout en respectant les contraintes opérationnelles et réglementaires propres à chaque métier, évite de multiplier par trois les investissements de déploiement et la charge de maintenance.