Un gestionnaire de réseau britannique divise par deux l’erreur de prévision de la production solaire grâce à l’IA

Si vous présentez l’IA comme un moyen de réduire les émissions, la qualité du modèle ne suffit pas. Il faut montrer ce qui a changé dans les activités du client : combien de combustible il a cessé de brûler, combien d’électricité il a économisée et ce qu’ont coûté les calculs. La prévision de la production solaire en offre un exemple simple. Plus le gestionnaire de réseau sait précisément quelle quantité d’énergie les panneaux fourniront, mieux il peut planifier le fonctionnement des autres sources de production.

Dans une tribune du MIT Technology Review, Mary Nichols et Jeremy Tamanini examinent dans quelle mesure les promesses de bénéfices climatiques de l’IA sont étayées par des déploiements réels. Leur conclusion : certaines solutions fonctionnent, mais les éléments publics restent insuffisants pour considérer les grandes projections comme confirmées. Les fondateurs et les équipes produit peuvent en tirer une leçon utile : entre un bon modèle et un effet mesurable, il reste un travail qu’une présentation ne fera pas à leur place.

Là où l’IA apporte déjà une aide

L’exemple le plus concret de l’article est la collaboration entre le gestionnaire britannique National Grid ESO et Open Climate Fix. Selon les données citées par les auteurs, le projet a permis de diviser par deux l’erreur de prévision de la production solaire. Ils associent ce résultat à des centaines de milliers de tonnes d’émissions de dioxyde de carbone évitées chaque année.

Le mécanisme est très concret. Le gestionnaire doit équilibrer à l’avance la production et la consommation d’électricité. La couverture nuageuse varie, les centrales solaires délivrent une puissance fluctuante et les erreurs doivent être compensées par d’autres sources. Une prévision plus précise aide à exploiter la production solaire disponible. Toutefois, diviser par deux l’erreur de prévision ne signifie pas en soi diviser par deux les émissions : ce sont des indicateurs distincts, dont il faut établir le lien.

Il existe aussi des exemples dans les transports. Selon une étude indépendante présentée dans la tribune, l’optimisation des itinéraires de Didi Chuxing a réduit les émissions par trajet de 16% en moyenne. Le lien est ici facile à comprendre : moins de détours signifie moins de kilomètres parcourus et de combustible consommé. Mais un indicateur par trajet ne dit pas encore comment les émissions totales du service ont évolué avec la hausse du nombre de commandes.

Pourquoi une projection pour 2035 ne garantit encore rien

Les auteurs examinent une étude qui estime que l’IA pourrait réduire les émissions mondiales de 3,2–5,4 milliards de tonnes d’équivalent CO₂ par an à l’horizon 2035. Le calcul tenait compte de l’empreinte énergétique de l’IA elle-même. Les principales améliorations attendues concernent le secteur électrique, les filières de la viande et des produits laitiers, ainsi que les transports.

Le mot clé est « pourrait ». Dans l’alimentation, par exemple, le calcul suppose que l’IA aidera à rendre les protéines alternatives suffisamment savoureuses et bon marché pour que les consommateurs les substituent aux produits d’origine animale. Trouver la bonne formulation ne suffit pas : il faudra aussi une production, un prix accessible, une distribution et une demande durable.

L’examen des déploiements réalisé dans la tribune a lui aussi ses limites. Le second auteur a utilisé Claude Code pour analyser les informations publiques, puis les résultats ont été recoupés avec des documents et des publications. Il s’agit d’une revue des informations disponibles, pas d’un audit complet des secteurs concernés. L’absence de cas public ne prouve pas l’absence de projet. Et un cas de réussite identifié ne montre pas à quel point il sera facile de le reproduire chez un autre client.

Enfin, l’IA peut aussi contribuer à accroître l’extraction de pétrole et de gaz. Il ne suffit donc pas de comptabiliser ses seuls usages bénéfiques. On ne peut pas non plus attribuer automatiquement à la seule IA les émissions prévues pour l’ensemble des centres de données : ces infrastructures assurent aussi d’autres tâches informatiques.

Que mesurer dans votre produit

Pour une équipe, la leçon pratique est de convenir à l’avance avec le client du résultat physique à évaluer. Pour l’optimisation des itinéraires, il peut s’agir des kilomètres parcourus et de la consommation de combustible dans des conditions comparables. Pour un système électrique, des changements dans le recours aux différentes sources de production et des émissions associées. La précision du modèle reste un indicateur intermédiaire.

Il faut ensuite prendre en compte les ressources consacrées à l’entraînement et au fonctionnement du modèle, définir la période de comparaison et vérifier si l’effet persiste après le pilote. Il faut aussi consigner les hypothèses : la méthode de calcul des émissions, les données disponibles et les changements intervenus dans l’activité pendant l’expérimentation. Cette démarche donne au client des éléments pour décider d’un achat et à l’équipe une compréhension honnête de la valeur du produit. Selon les auteurs de la tribune, ce sont précisément ces liens entre déploiement et résultats qui manquent encore aux grandes promesses climatiques du secteur.