L’intelligence artificielle (IA) suscite des inquiétudes croissantes en raison de sa forte consommation énergétique, notamment celle des centres de données alimentant les modèles d’IA générative. Toutefois, loin d’être uniquement un consommateur d’énergie, l’IA peut jouer un rôle clé dans l’optimisation du réseau électrique, en améliorant son efficacité, sa résilience face aux événements climatiques extrêmes et son intégration croissante des énergies renouvelables. Priya Donti, professeure au MIT spécialisée en apprentissage automatique appliqué au réseau électrique, explique que le réseau doit maintenir un équilibre parfait entre production et consommation en temps réel, un défi accru par l’incertitude liée à la demande, aux variations de coût des combustibles et surtout à la production intermittente du solaire et du vent. En outre, des pertes par effet Joule sur les lignes électriques ajoutent à la complexité. L’IA peut aider à surmonter ces défis en améliorant la prévision de la production renouvelable grâce à l’analyse combinée de données historiques et en temps réel, permettant une meilleure utilisation de ces ressources. Elle peut aussi résoudre des problèmes d’optimisation complexes — tels que le choix des centrales à activer, la charge des batteries ou la gestion des consommations flexibles — avec une précision supérieure aux approximations actuelles, souvent inexactes et insuffisantes face à l’essor des énergies renouvelables. Grâce à des modèles plus rapides et plus fiables, l’IA peut soutenir une gestion proactive du réseau. En planification, elle accélère les simulations de nouveaux réseaux électriques, tandis que pour la maintenance prédictive, elle détecte les anomalies avant qu’elles ne provoquent des pannes. Par ailleurs, l’IA peut accélérer la recherche de batteries plus performantes, essentielles pour stocker l’énergie renouvelable. Cependant, les bénéfices dépendent fortement du type d’IA utilisée. Les modèles spécialisés, peu coûteux en énergie, offrent un meilleur rapport coût-bénéfice dans le secteur énergétique, notamment en favorisant la décarbonation. En revanche, les grands modèles généraux (comme les LLM) sont extrêmement gourmands en ressources sans apporter proportionnellement de gains pour le réseau. Selon Donti, les investissements actuels en IA ne sont pas toujours alignés sur les enjeux climatiques. Elle insiste sur la nécessité de concevoir des algorithmes respectant les lois physiques du réseau électrique, car une erreur même mineure dans l’optimisation peut déclencher une panne massive. L’avenir réside donc dans des modèles hybrides, combinant IA et connaissance physique du système. Enfin, elle appelle à une IA plus démocratique, développée et déployée en lien avec les besoins réels des opérateurs et des communautés, afin de maximiser son impact positif sur la transition énergétique.