Par Philippe Vié, Vice President et Alexandra Bonanni, Manager, Capgemini Consulting

La vague du Digital a mis en avant différentes technologies, donnant parfois l’impression d’un foisonnement de solutions. L’Intelligence Artificielle fait partie de celles-ci, soudain revenue sur le devant de la scène après des dizaines d’années d’études et de recherches sans réels débouchés industriels. Depuis 2017, l’Intelligence Artificielle est entrée dans une phase d’industrialisation, suscitant un regain d’intérêt et ouvrant des champs pour de nouveaux potentiels de valeur dans le domaine de l’énergie.  Selon une définition commune, telle qu’on peut la trouver dans une source de type Wikipedia, l’intelligence artificielle – ou IA, (AI en Anglais) – est « l’ensemble des théories et des techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence ». La baisse des coûts de la puissance de calcul, l’explosion du volume de données – le big data, avec les objets connectés, et les nouvelles méthodes algorithmiques – sont à la genèse de l’IA moderne.

De nombreux cas d’usage tout au long de la chaîne de valeur de l’énergie

Instaurée comme une grande cause nationale par les pouvoirs publics à la suite de la publication du rapport Villani, avec un marché mondial chiffré à 35 mds€ en 2025 [1], l’IA recouvre les projets de 3 entreprises sur 4 [2] et déjà un tiers des entreprises du secteur de l’énergie déclarent y avoir recours à large échelle. En fait, plusieurs types d’algorithmes intelligents, plus ou moins matures et à valeur métier différenciée, se cachent derrière le terme générique d’IA[3]. Les cas d’usage sont à l’initiative de fournisseurs de logiciels, d’acteurs spécialisés de la chaîne de valeur ou encore des énergéticiens eux-mêmes. Trois grands axes se dégagent que sont les « interactions » conduites par des robots ; la partie « information / knowledge » qui permet des approches déductives ; et le « Learning from Data » où le traitement de la donnée donne lieu à toutes sortes de modèles prédictifs.

Interaction/ « demanisation » ou suppression de l’intervention humaine :

  • Robots de souscription
  • Robots de dialogue en langage naturel

Informations / « knowledge »

  • Optimisation des cycles de vente et prédiction du comportement des clients (« churn management », défaillances de paiement)
  • Connaissance client, offres micro-ciblées

« Learning from data »

  • Potentiel d’installation solaire à partir des images satellite, modèles de prévision de production renouvelable, optimisation de la production ou de l’utilisation de l’énergie produite
  • Diagnostic intelligent de fonctionnement d’une installation industrielle afin de prévoir les pannes et les prévenir (maintenance prédictive)
  • Prévision des fuites ou pertes avec plusieurs semaines d’avance en exploitant les données disponibles des actifs en fonctionnement
  • Prévision du comportement d’un réseau sous contraintes (climatique, charge, vétusté)
  • Automatisations variées selon moteurs algorithmiques, etc.

Nombre des cas d’usage listés ci-dessus, de façon non exhaustive, commencent à se déployer à large échelle, preuve s’il en est de la maturité de certaines applications de l’intelligence artificielle. C’est un peu plus vrai sur l’aval de la chaîne de valeur (réseaux, ventes, services) où les applications permettant de robotiser la relation-client se sont rapidement développées (« chatbot », reconnaissance vocale et langage naturel).

 

Un immense potentiel de valeur…à condition de se transformer

Le gisement de valeur est plus important à l’amont de la chaîne de valeur (production / gestion des infrastructures), là où les technologies correspondantes doivent encore un peu progresser (« knowledge » « engineering », « machine learning » jusqu’au « deep learning»)[4], et les applications passer à l’échelle. Tandis que l’IA entre dans une phase de maturité technologique, les questions de mise en œuvre opérationnelle se posent avant même de parler de gains possibles. Le premier écueil est d’aborder – de surmonter – la phase dite de la « vallée de la mort » où la mise sur le marché peine à se réaliser tandis que les technologies coûtent cher et ne permettent pas de dégager des retours sur investissements rapides. L’autre frein à la mise en œuvre de ces technologies est la nécessaire gestion des compétences dans un contexte où les scénarios de destruction d’emplois sont d’ores et déjà envisagés avec des volumes parfois importants[5] ; et ne pourraient de toutes façons pas être systématiquement compensés par des créations d’emplois de même volume. Dans le domaine de l’énergie, les process métier et les pratiques seront impactés sur toutes les chaînes d’activité[6]. Des compétences nouvelles sont nécessaires et les programmes de formation et de mise à niveau ne suffiront probablement pas. L’IA n’est pas tant une somme de solutions dont on tirera le meilleur parti en automatisant des maillons de process dans des fonctions prises individuellement, c’est d’abord une révolution de l’organisation et des métiers qu’il faut entreprendre, avec un fort enjeu social à la clé.

 

[1] https://www.grandviewresearch.com/press-release/global-artificial-intelligence-ai-market

[2] Capgemini Digital Transformation Institute Benchmark, 2017

[3] Les applications qui sont développées sont souvent des versions améliorées des précédentes, permettant de générer des modèles intelligents sur la base d’un historique de données partiel (« machine learning »), voire, et c’est la prochaine étape de ce continuum technologique, sans historique de données (« deep learning »).

[4] Ces applications permettent des gains de performance opérationnelle (maintenance préventive, optimisation, de l’exploitation, …) mais aussi une réduction de coûts capitalistiques (savoir où construire, savoir où forer, savoir où bâtir des infrastructures, tirer des lignes…).

[5] On parle de 38% d’emplois impactés aux US tous secteurs confondus (source :  https://www.pwc.co.uk/economic-services/ukeo/pwc-uk-economic-outlook-full-report-march-2017-v2.pdf), par la robotisation et l’IA

[6] Par exemple, toutes les compétences liées au support à la construction (étude, engineering), à l’exploitation, à la maintenance jusqu’à l’interface humaine (relations avec les fournisseurs et les sous-traitants, relations avec les clients).

 

Tribune publiée dans Enerpresse le Jeudi 2 août 2018, N°12128