Tirer parti de l’IA pour décarboner le secteur de l’énergie : Opportunités, défis et recommandations

17 février 2026

Temps de lecture : 32 minutes

Préface

Veuillez noter que cette article est une reproduction d’une publication intitulée « L’intelligence artificielle au service de l’énergie, de l’eau et des déchets », le fruit d’une collaboration entre l’Institut Veolia et Microsoft. Les auteur.e.s conservent les droits d’auteur sur leur article. Tous les contenus peuvent être copiés et utilisés à condition d’être correctement cités. Le présent document est fourni
« en l’état ».

Citation : Nilushi Kumarasinghe, Ursula Eicker, Shahin Masoumi-Verki, Kathryn Kaspar, Suchit Ahuja, Damon Matthews. (2026). Tirer parti de l’IA pour décarboner le secteur de l’énergie : Opportunités, défis et recommandations. Microsoft Corporation et l’Institut Veolia. https://www.institut.veolia.org/fr/tirer-parti-lia-decarboner-secteur-lenergie

Auteur.e.s

Éditeurs

Collaboration entre l’Institut Veolia et Microsoft.

Résumé

Répondre à la croissance de la demande d’énergie tout en assurant sa décarbonation est l’un des principaux défis écologiques contemporains. Cet article examine les moyens par lesquels l’intelligence artificielle (IA) peut y contribuer, mais aussi les risques et les défis qu’elle est susceptible d’engendrer. Nous étudions pour ce faire des exemples d’applications basées sur des données probantes de l’IA dans les manières d’approvisionner, de produire et de consommer de l’énergie. Mais la mise en place de ces mesures fait face à de multiples contraintes : les inégalités sociales, les disparités financières et liées aux infrastructures, ainsi que les incertitudes entourant les effets rebond de l’IA. Si ces technologies sont prometteuses, elles ne pourront contribuer pleinement aux objectifs de décarbonation qu’à condition de remédier aux inégalités actuelles et aux dynamiques politiques, sociales et économiques non durables.

Introduction

Le secteur de l’énergie est au cœur de la lutte contre le changement climatique. Il demeure en effet le plus grand contributeur d’émissions de dioxyde de carbone (CO₂) (les deux tiers des émissions mondiales)¹ et la deuxième source anthropique d’émissions mondiales de méthane (CH4)², ce qui en fait le principal moteur du changement climatique. Bien que la part des énergies renouvelables ait connu une croissance rapide, et qu’elle ait commencé à réduire l’empreinte carbone du secteur énergétique, les émissions issues des énergies fossiles (charbon, pétrole et gaz) ne cessent d’augmenter, même si leur rythme de croissance est en baisse. Mais le secteur de l’énergie est à son tour touché par le changement climatique, alors que dans le même temps, la demande en électricité augmente. Nous étudions les différents facteurs en jeu, comme la croissance démographique, le développement économique et l’électrification des secteurs du bâtiment et des transports¹. Le secteur énergétique doit répondre à la croissance de la demande d’énergie, tout en réduisant considérablement ses émissions.

Cet article explore la manière dont l’IA peut jouer un rôle décisif pour aider à surmonter ces défis, voire même accélérer la transition de l’industrie énergétique. Nous identifions alors les situations dans lesquelles l’IA peut intervenir, tout en présentant des applications existantes et des exemples de réussite. Mais nous étudions aussi les risques et les défis que peuvent engendrer les innovations portées par l’IA, et nous proposons des pistes de réflexion importantes pour les décideurs politiques et les parties prenantes du secteur énergétique.

L’intelligence artificielle et le secteur de l’énergie

Le secteur de l’énergie peut être subdivisé en trois domaines clés (voir Figure 1). L’approvisionnement en énergie et ressources minières désigne l’extraction des sources d’énergie telles que le pétrole et le gaz naturel, mais aussi les minéraux nécessaires à la production d’énergie renouvelable. La production d’énergie représente les façons dont les sources d’énergie sont transformées en vue de leur utilisation, par exemple le raffinage du pétrole brut pour produire du carburant, mais aussi l’acheminement du produit final vers les utilisateurs. La consommation d’énergie comprend, elle, les différentes façons dont l’énergie est utilisée par les consommateurs ou les industries, et désigne le chauffage des bâtiments, comme la conduite de véhicules et l’alimentation des industries³. Chacun de ces processus émet du CO₂, et l’IA peut être utilisée, et elle l’est déjà, de multiples façons pour aider à réduire ces émissions. La capacité de l’IA à apprendre rapidement à partir d’ensembles de données et à identifier des modèles peut améliorer l’efficacité de la prise de décisions et des systèmes complexes qui existent dans l’ensemble du secteur de l’énergie⁴.

IA et approvisionnement énergétique

Les applications de l’IA dans le domaine de l’approvisionnement énergétique soutiennent les efforts de décarbonation, tout en les rendant plus difficiles à atteindre. En effet, l’utilisation de l’IA dans la production d’énergie renouvelable et dans l’extraction de minéraux essentiels peut accélérer les efforts globaux de décarbonation du système énergétique. Mais l’application de l’IA dans les efforts de réduction des coûts d’extraction de combustibles fossiles va à l’encontre des efforts de décarbonation (voir Figure 2 pour une étude de cas). Le potentiel global de l’IA pour décarboner l’approvisionnement énergétique n’est donc pas acquis, et nécessite plutôt l’expression d’une volonté politique explicite d’atteindre les objectifs de lutte contre le changement climatique et d’appliquer délibérément les technologies d’IA en ce sens.

L’IA a déjà des conséquences importantes dans l’exploration et l’extraction minière. La demande en minéraux et métaux précieux, tels que le lithium, le cuivre et les terres rares, devrait tripler d’ici 2030 afin de répondre aux besoins croissants en énergies propres et renouvelables³. Les gisements découverts s’épuisent déjà et l’exploration de nouveaux sites s’intensifie. Cependant, les méthodes traditionnelles d’exploration minière sont lentes, et les vastes zones à examiner, ainsi que les processus géologiques à l’œuvre ajoutent à la complexité et à l’incertitude du processus. De plus, les taux de réussite dans l’identification de nouveaux sites sont en berne. L’IA a le potentiel de lever ces obstacles et d’aider à identifier de nouveaux sites d’exploration minière avec plus de succès en combinant des algorithmes d’apprentissage avec de vastes ensembles de données scientifiques sur les processus de minéralisation critiques. Par exemple, la plateforme d’IA de DeepIQ a surclassé les outils industriels les plus avancés (un taux de vrais positifs de 97,6 % et un taux de faux positifs de 20 %, contre un taux de vrais positifs de 90 % et un taux de faux positifs de 25 %) lors de l’identification de nouveaux sites pour l’extraction de minéraux critiques dans des contextes à forte incertitude³.

Mais l’IA est déjà utilisée massivement par les industries pétrolière et gazière. Les grands producteurs de pétrole et de gaz exploitent l’IA pour améliorer les opérations de forage, mais aussi pour estimer les réserves et accroître la précision de l’exploration, ce qui permet de réduire les coûts de développement. La puissance de l’IA est également mise à profit pour faire progresser l’exploration de ressources non conventionnelles, rarement exploitées par le passé, telles que les réserves de pétrole et de gaz dans des réservoirs perméables comme le schiste. Ces applications de l’IA constituent un risque pour les progrès réalisés dans le domaine des énergies propres et renouvelables (voir la deuxième partie sur les défis pour plus d’informations)⁵.

Malgré ces préoccupations concernant l’utilisation de l’IA pour améliorer l’extraction et la consommation de pétrole et de gaz, il existe également des moyens de tirer parti de l’IA pour réduire l’empreinte climatique actuelle de l’approvisionnement en pétrole et en gaz. Un exemple notable est son utilisation pour diminuer ou prévenir les fuites de méthane dans les opérations pétrolières et gazières. En analysant en continu les données provenant de capteurs déportés et d’images satellites, l’IA peut prédire ou identifier rapidement les fuites de gaz. Ces émissions fugitives représentent jusqu’à 20 % de l’ensemble des émissions de méthane dans les opérations pétrolières et gazières, ce qui en fait une application à fort potentiel³. Des applications et des services de ce type sont également proposés sur le marché, par exemple par des organisations telles que GHGSTAT.

IA et transformation énergétique

Les applications de l’IA dans la transformation (ou la production) énergétique sont les plus étudiées dans le secteur de l’énergie⁶.

Les applications de l’IA dans le secteur des énergies renouvelables en sont un exemple majeur. Si la production et l’utilisation des énergies renouvelables sont en hausse, des défis persistent. En particulier, les fluctuations des conditions météorologiques et l’intermittence de la production nuisent à la fiabilité des énergies renouvelables. L’IA peut jouer un rôle important dans la prévision de l’intermittence de ces ressources, permettant une utilisation plus efficace des énergies propres et une meilleure intégration au réseau électrique^3,4. À mesure que les bâtiments et les quartiers déploient également de plus en plus d’énergies renouvelables locales et participent à des projets solaires communautaires ou à des microréseaux, la prévision de la production renouvelable locale constitue un enjeu crucial.

Les méthodes conventionnelles de prévision de la production solaire et éolienne reposent principalement sur des modèles météorologiques, qui combinent les conditions météorologiques observées avec la connaissance scientifique du processus de circulation atmosphérique. Les approches basées sur l’IA peuvent intégrer un éventail plus large de sources de données et mettre en évidence des tendances subtiles que les modèles traditionnels basés sur la physique négligent souvent⁷. Les modèles d’apprentissage IA combinant les outils de prévision et les données météorologiques peuvent améliorer considérablement les prévisions de radiation solaire, en analysant, par exemple, des images du ciel et des données satellitaires en temps réel, avec plusieurs minutes, voire plusieurs heures d’avance sur une résolution spatiale beaucoup plus élevée. Cela permet à un microréseau solaire de quartier d’anticiper les moments où la couverture nuageuse réduira la production, afin de précharger les batteries ou d’ajuster les charges en conséquence. Une avancée importante dans la prévision des énergies renouvelables consiste à adopter des approches probabilistes plutôt que de se fier à des approches déterministes. Les architectures d’apprentissage profond (deep learning) offrent un cadre flexible pour produire de telles prévisions probabilistes en repérant la distribution des données de sortie du système en fonction des données des capteurs. Le résultat est une capacité de prévision plus robuste, où le système anticipe non seulement le scénario le plus probable, mais se prépare également à des scénarios moins probables⁷.

Parmi les autres tendances émergentes dans les méthodes de prévision des énergies renouvelables, on peut citer les méthodes fondées sur une connaissance de la physique et sur des modèles de prévision. L’IA basée sur la physique intègre des connaissances physiques dans les modèles d’apprentissage automatique afin d’améliorer le traitement des données, et d’en réduire les besoins pour l’entraînement. Les modèles de prévision transférables désignent les situations où un modèle global est entraîné à partir des données de centaines de systèmes photovoltaïques (PV) à travers le monde, qui sert de base commune de données, avant d’être affiné pour s’adapter à une situation spécifique (à l’instar de l’apprentissage par transfert)^8,9. La prévision des énergies renouvelables basée sur l’IA rend l’énergie propre produite sur site plus prévisible et plus facile à intégrer dans les réseaux. En anticipant les fluctuations de l’énergie solaire et éolienne, les gestionnaires de bâtiments et les systèmes automatisés peuvent prendre des mesures en temps voulu pour maintenir l’équilibre, qu’il s’agisse de planifier des charges flexibles ou de charger / décharger les batteries. Cette meilleure anticipation permet de minimiser le gaspillage d’énergie (renouvelable disponible) et de réduire la dépendance aux systèmes de secours alimentés par des combustibles fossiles, contribuant ainsi directement à la décarbonation.

L’IA a également le potentiel d’accroître l’efficacité de systèmes énergétiques hautement complexes, et d’en limiter les émissions grâce à une planification optimale des processus. L’identification de stratégies de réduction des émissions pour les centrales à charbon grâce à l’IA a démontré des gains d’efficacité opérationnelle pouvant conduire à des réductions des émissions de CO2 sur des centrales à charbon¹⁰. Par exemple, dans un modèle de centrale à charbon équipée d’un système de capture de carbone postcombustion, l’utilisation de l’IA pour optimiser la planification a permis d’augmenter le taux de capture et de réduire de 51 % le gaspillage d’énergie renouvelable⁵. La capture et le stockage de carbone dans les centrales à combustibles fossiles constituent une autre application énergétique de l’IA pour explorer des options viables en vue de réduire les émissions de la production d’électricité³. L’IA peut également être mise au profit de la maintenance prédictive dans les centrales électriques, où les défaillances des infrastructures énergétiques sont anticipées et la maintenance planifiée en amont d’une panne potentielle⁴.

IA et consommation d’énergie

Les applications de l’IA pour lutter contre la consommation d’énergie, et en particulier celle d’électricité, ont un grand potentiel. En 2024, l’AIE a signalé que la consommation d’électricité avait augmenté deux fois plus vite que durant la dernière décennie¹¹. Les effets du changement climatique, comme les phénomènes météorologiques extrêmes (vagues de chaleur, tempêtes), stimulent la demande en raison du besoin croissant de chauffage ou de climatisation dans les bâtiments¹. Mais la croissance industrielle, l’électrification du secteur des transports et la numérisation comptent aussi parmi les facteurs à l’origine de la croissance de la demande en électricité³. La consommation des bâtiments représentait 60 % de la croissance de la consommation en 2024¹¹.

L’IA peut améliorer l’efficacité énergétique des bâtiments en optimisant les méthodes de regroupement des données et de prévision de la consommation. Les bâtiments modernes produisent des flux de données grâce à des compteurs intelligents, des capteurs IoT (Internet of Things) et d’autres infrastructures numériques, offrant ainsi une vue précise sur la manière et le moment où l’énergie est consommée. Ces données permettent d’obtenir des informations précieuses, notamment grâce au regroupement des modèles basés sur l’IA, qui vise à mettre en évidence la structure de la consommation énergétique sans s’appuyer sur des catégories prédéfinies. En appliquant des techniques d’apprentissage à des ensembles de données à grande échelle, les chercheurs peuvent étudier simultanément les jours, les bâtiments ou les utilisateurs en fonction de comportements de consommation similaires, révélant ainsi des profils de charge communs, des tendances saisonnières et des anomalies qui, autrement, resteraient cachés.

Par exemple, les chercheurs ont pu mettre en évidence des profils de consommateurs clairs parmi les utilisateurs d’énergie résidentiels, en fonction de leur comportement de consommation, en appliquant des techniques d’exploration de données à des ensembles de données à l’échelle de la ville. En apprenant les facteurs spécifiques à l’origine de chaque profil, qu’ils soient liés au comportement humain, aux conditions environnementales ou au fonctionnement des systèmes, les modèles d’IA peuvent prédire la demande future avec une plus grande précision¹². Parallèlement, les chercheurs enrichissent les méthodes de clustering en intégrant des informations contextuelles, telles que la taille des bâtiments, leur année de construction, leurs systèmes de chauffage ou leurs modes d’occupation, aux données de consommation. Cette approche multidimensionnelle vise à clarifier les facteurs physiques ou comportementaux qui influencent la consommation d’énergie, permettant à l’IA de relier les modèles aux caractéristiques spécifiques des bâtiments. Ces progrès contribuent à une compréhension plus détaillée et plus exploitable de la façon dont les bâtiments consomment l’énergie, jetant ainsi les bases de stratégies de décarbonation ciblées.

S’appuyant sur ces principes de regroupement, l’IA joue désormais un rôle de plus en plus central dans la prévision de la demande énergétique. La prévision de la charge à court terme, allant de quelques minutes à quelques jours, est cruciale pour l’efficacité et la flexibilité des réseaux. Les modèles d’apprentissage automatique ont montré d’excellents résultats dans ce domaine, surpassant les techniques statistiques classiques en modélisant efficacement des influences non linéaires, telles que les conditions météorologiques et le comportement des personnes. Il a été démontré que l’IA améliore la précision des prévisions de consommation à court terme de plus de 30 % par rapport aux modèles génériques¹³. Les méthodes avancées d’IA, notamment le gradient boosting et les réseaux de neurones profonds (deep neural networks), peuvent réduire les erreurs de prévision de 20 à 30 % dans les bâtiments commerciaux¹⁴. Au niveau des quartiers, l’IA permet une prévision hiérarchique, captant la demande à la fois à l’échelle individuelle et agrégée, avec des techniques telles que les réseaux neuronaux graphiques qui modélisent les relations entre les bâtiments. Cela est particulièrement bénéfique dans les zones à usage mixte, où les consommations résidentielles et commerciales suivent des tendances différentes. L’apprentissage par transfert améliore encore l’utilité de ces modèles en permettant d’adapter les connaissances issues d’un jeu de données à de nouveaux bâtiments, même avec des données historiques limitées¹⁵.

L’un des piliers de la décarbonation des systèmes énergétiques consiste à exploiter la flexibilité de la demande, c’est-à-dire la capacité à modifier le moment et la manière dont l’énergie est consommée. Une application efficace de la gestion de l’énergie du côté de la demande est le transfert de charge, qui consiste à déplacer la consommation d’énergie des périodes de pointe (lorsque l’électricité est chère ou à forte intensité carbone) vers les périodes creuses¹⁶. Les programmes de réponse à la demande visent à réduire la consommation d’électricité pendant les périodes critiques en incitant ou en contrôlant directement les appareils, par exemple en abaissant à distance la température des thermostats ou en mettant temporairement en veille les chauffe-eau électriques¹⁵. Grâce aux progrès de l’IA, des approches plus optimisées peuvent être utilisées afin d’améliorer à la fois la participation et l’efficacité des programmes de réponse à la demande.

Les chercheurs ont utilisé l’apprentissage par renforcement (RL), qui désigne des algorithmes d’autoapprentissage optimisant les stratégies de contrôle grâce à une interaction continue et à l’apprentissage de l’environnement, pour le contrôle de la consommation des bâtiments. Dans un cadre RL, un agent (représentant par exemple un système de gestion énergétique d’un bâtiment) apprend à prendre les mesures optimales, telles que le réglage des thermostats, la réduction de l’éclairage ou la recharge des véhicules électriques, afin de minimiser une fonction de coût spécifique (par exemple, le coût de l’énergie, la demande électrique de pointe ou les émissions de carbone) sous certaines contraintes (par exemple, le maintien du confort)¹⁷. Des recherches récentes ont démontré que les contrôleurs RL sont nettement plus performants que les stratégies basées sur des règles fixes pour la réponse à la demande. Par exemple, Madani et al.¹⁸ ont développé un cadre de contrôle basé sur le RL pour les petits bâtiments commerciaux qui optimise simultanément le coût de l’énergie, l’écrêtage des pics de charge et le confort des occupants. En appliquant l’apprentissage par renforcement profond (DRL) aux données réelles des bâtiments, le système a pu apprendre de manière indépendante comment réduire les pics de demande du matin et ajuster les opérations en fonction des tarifs horaires. Leur modèle a surpassé le contrôle heuristique conventionnel d’environ 15 à 25 % en termes de réduction de la demande de pointe et du coût énergétique total, tout en maintenant la température intérieure dans des plages de confort acceptables. Cela démontre la capacité de l’IA à apprendre des stratégies de contrôle complexes tout en s’adaptant à des conditions changeantes. Ces stratégies incluent le prérefroidissement d’un espace avant une période de prix élevé, et l’équilibrage intelligent de la variation de l’éclairage avec les réglages du système CVC pour minimiser l’inconfort. Des entreprises telles qu’Uplight déploient déjà des systèmes de réponse à la demande basés sur l’IA en regroupant des milliers de foyers et d’entreprises pour les services de réseau¹⁹. Les déploiements sur le terrain ont en outre montré comment ces réseaux gérés par l’IA peuvent répondre efficacement aux événements du réseau, en offrant une flexibilité et une stabilité à une vitesse et à une échelle que les méthodes manuelles ne peuvent égaler²⁰.

Si les applications de l’IA pour la décarbonation évoquées ci-dessus présentent un potentiel important, sans une mise à l’échelle et une adoption à grande échelle, les avantages escomptés au niveau régional ou mondial ne se concrétiseront pas. La deuxième partie examine les défis et les implications liés à cette intégration et à la mise à l’échelle potentielle de l’IA dans le secteur de l’énergie.

Défis et conditions favorables à la décarbonation assistée par l’IA dans le secteur de l’énergie

Bien qu’il existe des implémentations prometteuses de solutions d’IA dans le cadre de projets pilotes et de certaines applications spécifiques, leur déploiement à plus grande échelle dans le secteur de l’énergie reste limité, ce qui souligne la nécessité d’étendre les démonstrations sur le terrain afin de valider les performances, de renforcer la confiance dans la technologie et de créer des cadres standardisés pour une mise en œuvre à grande échelle.

La rareté des données de haute qualité nécessaires pour entraîner des modèles d’IA robustes dans divers contextes opérationnels complique l’adoption à grande échelle et la fiabilité de ces modèles. Un autre obstacle majeur subsiste : la difficulté à généraliser les approches actuelles à des zones climatiques différentes, des types de bâtiments, des profils de charge et des objectifs de réseau variables, les modèles étant souvent entraînés ou testés uniquement dans leurs environnements spécifiques. Renforcer la confiance dans les technologies numériques telles que l’IA constitue un autre défi. Les solutions d’IA doivent être explicables et transparentes afin que les producteurs et les consommateurs d’énergie puissent leur faire confiance et les adopter.

Il existe une fracture numérique profonde et persistante entre les régions du monde en termes d’inégalité d’accès, de connaissances, de compétences et de données pour les technologies numériques²¹. Malheureusement, la fracture numérique a un impact négatif sur les personnes les plus vulnérables et marginalisées, tant dans les pays du Nord que dans ceux du Sud, et de nouvelles formes de fracture numérique apparaissent (par exemple, l’inégalité des données, la sensibilisation aux algorithmes et la qualité de l’accès au numérique) en raison de l’évolution rapide des technologies.^22,23 Ensuite, il existe des défis liés à l’acquisition responsable, à l’accessibilité, à la conception et à l’utilisation de données et d’algorithmes appropriés pour l’entraînement de l’IA²⁴. De plus, un déficit de confiance envers l’IA et d’autres technologies dotées de capacités prédictives et analytiques s’est déjà installé au sein de la société et des institutions publiques, certains appelant même à l’interdiction pure et simple de technologies telles que l’IA générative et l’analyse prédictive dans le secteur public, et plus particulièrement dans le secteur énergétique. Par exemple, pour les communautés isolées du Canada et les populations des Premières Nations et autochtones, l’usage de l’IA dans leurs systèmes énergétiques locaux entraîne des risques supplémentaires. Ces derniers concernent la souveraineté des données, la protection de la vie privée et le manque de formation appropriée aux compétences en IA, et ils sont liés au contexte local et aux particularités culturelles de chaque communauté.²⁵ Par conséquent, une approche désinvolte de l’introduction de l’IA dans les systèmes énergétiques des communautés marginalisées peut entraîner d’importants problèmes sociaux et économiques, exacerbant encore davantage les relations déjà tendues entre ces communautés et les gouvernements fédéraux, provinciaux et locaux.

Si l’IA peut contribuer à introduire et à accélérer des innovations importantes en faveur de la décarbonation, elle peut également, si elle est utilisée sans précaution, remettre en cause nos efforts et créer de nouveaux obstacles. En plus de la consommation énergétique croissante de l’IA elle-même, son utilisation pour optimiser les opérations dans des industries très polluantes, comme celles des combustibles fossiles, peut retarder la suppression progressive de ces derniers – pourtant essentielle pour atteindre nos objectifs climatiques²⁶. Un autre effet rebond potentiel concerne le secteur du bâtiment, où une importance excessive accordée à l’amélioration de l’efficacité énergétique pourrait pérenniser les systèmes énergétiques alimentés au pétrole et au gaz dans les bâtiments, et retarder la transition vers les systèmes renouvelables qui sont finalement nécessaires pour soutenir les efforts de décarbonation. Compte tenu de l’expansion rapide de l’IA et d’autres technologies numériques, ces effets rebond, parmi d’autres, n’ont pas encore été entièrement mesurés ni répertoriés²⁷.

Les problèmes complexes liés au déploiement de l’IA dans le secteur de l’énergie nécessitent donc des solutions innovantes et une réflexion créative. Heureusement, il existe déjà des plateformes et des outils offrant une IA responsable, ouverte et démocratisée pour le secteur de l’énergie et au-delà. En Afrique du Sud, des entreprises ont déployé des modèles de centrales électriques virtuelles (VPP) alimentées par l’IA. Les VPP créent un système intégré et interconnecté qui permet de partager des ressources (panneaux solaires, éoliennes, systèmes de stockage, etc.) sur de vastes zones géographiques, grâce à des algorithmes d’IA qui aident à optimiser et à prévoir en temps réel la dynamique de l’offre et de la demande²⁸. De même, en Inde, les microréseaux alimentés par l’IA dans des villages transforment la relation entre le gouvernement et les consommateurs en matière d’énergie, et établissent un écosystème autonome où les communautés partagent les ressources et s’engagent à utiliser l’électricité de manière responsable²⁹. Les innovations communautaires visant à atteindre les objectifs de développement durable des Nations Unies ont pris un essor considérable depuis la pandémie mondiale et de nombreuses communautés à travers le monde, en particulier celles qui sont isolées, rurales, marginalisées ou mal desservies, cherchent à développer de nouveaux mécanismes locaux, afin de co-créer de la valeur au sein de leurs propres écosystèmes^30,31.

Cependant, l’utilisation aveugle de l’IA peut être dangereuse et nuire aux communautés mêmes qu’elle est censée aider. Par exemple, le First Nations Technology Council du Canada a exprimé de vives inquiétudes concernant l’adoption de systèmes d’IA basés sur des références occidentales qui ne reflètent pas nécessairement les besoins des communautés autochtones, et qui excluent les connaissances, les valeurs et les modèles de gouvernance autochtones³². Il est donc essentiel d’adopter une approche responsable dans l’usage de l’IA au service des communautés vulnérables. Cette approche responsable commence par l’inclusion des communautés dans les processus décisionnels liés à l’IA, ainsi que par leur participation aux actions de plaidoyer, d’éducation et de sensibilisation concernant les bénéfices et les risques potentiels de ces technologies^33,34. Il est également important de garantir la protection des données d’entraînement et de répondre aux préoccupations en matière de sécurité et de confidentialité. Enfin, les algorithmes doivent être développés selon une approche « ne pas nuire » (do no harm), qui atténue les biais et les préjugés et garantit une participation équitable des communautés, afin qu’elles se sentent autonomisées plutôt qu’exploitées^34,35.

Malgré les progrès de l’IA, l’intervention et l’expertise humaines resteront nécessaires pour faire face à des circonstances imprévues et répondre aux préoccupations éthiques et sociales liées à la numérisation3. Aligner l’IA et les technologies numériques sur les principes du développement durable, atténuer les impacts négatifs de l’IA et tirer parti de l’IA pour accélérer les projets durables nous aidera à adopter l’IA de manière plus réfléchie36 (voir Figure 3).

Conclusion

L’IA permet le déploiement d’une multitude de solutions intégrées susceptibles d’accélérer la décarbonation du secteur de l’énergie, mais des défis persistent. Outre les enjeux sociaux, financiers, des infrastructures et des technologies évoqués précédemment, il convient également de prêter attention aux règles existantes, aux structures de pouvoir et aux modes de pensée qui régissent notre société et nous maintiennent sur une trajectoire fortement carbonée^11,37. Si ces règles, structures de pouvoir et modes de pensée ne sont pas transformés, les changements systémiques recherchés ne pourront être atteints, en dépit des avancées réalisées en matière d’IA et d’autres technologies³⁷. Des décisions éclairées, fondées sur une théorie du changement clairement définie, sont nécessaires de la part de l’ensemble des acteurs clés – États membres, secteur privé et société civile – afin d’opérer une transition vers une trajectoire zéro carbone bénéfique à l’ensemble des populations et à notre planète.

À propos des auteur.e.s

Damon Matthews est directeur par intérim de Future Earth Canada et professeur au département de géographie, d’urbanisme et d’environnement de l’Université Concordia.

Nilushi Kumarasinghe est consultante chez Future Earth Canada et a travaillé comme associée de recherche à l’Université Concordia (2022-2025).

Ursula Eicker est titulaire de la Canada Excellence Research Chair in Smart, Sustainable and Resilient Cities and Communities (CERC) à l’Université Concordia et professeure au département de génie civil, du bâtiment et de l’environnement de l’Université Concordia.

Kathryn Kaspar est doctorante au département de génie civil, du bâtiment et de l’environnement de l’Université Concordia.

Shahin Masoumi-Verki a travaillé comme assistant de recherche à l’Université Concordia.

Suchit Ahuja est professeur agrégé à la John Molson School of Business et directeur du programme de maîtrise (MSc) en Business Analytics & Technology Management à l’Université Concordia.

Cet article a été dirigé par Future Earth Canada, une organisation qui œuvre pour mobiliser la recherche afin d’agir à l’intersection de la durabilité et de la numérisation. Future Earth Canada est hébergée par l’initiative « Durabilité à l’ère numérique » (DEN) de l’Université Concordia.

Références

1. Clarke, L., Wei, Y.-M., De La Vega Navarro, A., Garg, A., Hahmann, A. N., Khennas, S., Azevedo, I. M. L., Löschel, A., Singh, A. K., Steg, L., Strbac, G., & Wada, K. (2023). Energy systems. In IPCC, Climate change 2022: Mitigation of climate change. Contribution of Working Group III to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change (pp. 613–746). Cambridge University Press. https://doi.org/10.1017/9781009157926.008
2. International Energy Agency. (2024a). Global methane tracker 2024. https://www.iea.org/reports/global-methane-tracker-2024
3. International Energy Agency. (2025). Energy and AI. https://www.iea.org/reports/energy-and-ai
4. Ferdaus, M. M., Dam, T., Anavatti, S., & Das, S. (2024). Digital technologies for a net-zero energy future: A comprehensive review. Renewable and Sustainable Energy Reviews, 202, 114681. https://doi.org/10.1016/j.rser.2024.114681
5. Chen, F., Sun, L., Jiang, B., Huo, X., Pan, X., Feng, C., & Zhang, Z. (2025). A review of AI applications in unconventional oil and gas exploration and development. Energies, 18(2), 391. https://doi.org/10.3390/en18020391
6. Alatalo, J., Heilimo, E., Rantonen, M., Väänänen, O., & Sipola, T. (2025). Reducing emissions using artificial intelligence in the energy sector: A scoping review. Applied Sciences, 15(2), 999. https://doi.org/10.3390/app15020999
7. Paletta, Q., Terrén-Serrano, G., Nie, Y., Li, B., Bieker, J., Zhang, W., Dubus, L., Dev, S., & Feng, C. (2023). Advances in solar forecasting: Computer vision with deep learning. Advances in Applied Energy, 11, 100150. https://doi.org/10.1016/j.adapen.2023.100150
8. Gijón, A., Pujana-Goitia, A., Perea, E., Molina-Solana, M., & Gómez-Romero, J. (2023). Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification. arXiv. https://doi.org/10.48550/arXiv.2307.14675
9. Osorio, J. D., Florio, M. D., Hovsapian, R., Chryssostomidis, C., & Karniadakis, G. E. (2025). Physics-informed machine learning for solar-thermal power systems. Energy Conversion and Management, 327, 119542. https://doi.org/10.1016/j.enconman.2025.119542
10. Ashraf, W. M., & Dua, V. (2023). Artificial intelligence-driven smart operation of large industrial complexes supporting the net-zero goal: Coal power plants. Digital Chemical Engineering, 8, 100119. https://doi.org/10.1016/j.dche.2023.100119
11. International Energy Agency. (2024b). World energy outlook 2024. https://www.iea.org/reports/world-energy-outlook-2024
12. Chen, Y., Gong, W., Obrecht, C., & Kuznik, F. (2025). A review of machine learning techniques for building electrical energy consumption prediction. Energy and AI, 21, 100518. https://doi.org/10.1016/j.egyai.2025.100518
13. Bae, H.-J., Park, J.-S., Choi, J., & Kwon, H.-Y. (2025). Learning model combined with data clustering and dimensionality reduction for short-term electricity load forecasting. Scientific Reports, 15(1), 3575. https://doi.org/10.1038/s41598-025-86982-0
14. Wang, Z., & Hong, T. (2020). Reinforcement learning for building controls: The opportunities and challenges. Applied Energy, 269, 115036. https://doi.org/10.1016/j.apenergy.2020.115036
15. Pan, S. J., & Yang, Q. (2010). A survey on transfer learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. https://doi.org/10.1109/TKDE.2009.191
16. Palensky, P., & Dietrich, D. (2011). Demand side management: Demand response, intelligent energy systems, and smart loads. IEEE Transactions on Industrial Informatics, 7(3), 381–388. https://doi.org/10.1109/TII.2011.2158841
17. Sutton, R. S., & Barto, A. G. (2018). Reinforcement learning: An introduction. MIT Press.
18. Madani, S., Pineau, P.-O., Charlin, L., & Desage, Y. (2025). Towards sustainable energy use: Reinforcement learning for demand response in commercial buildings. Energy and Buildings, 342, 115721. https://doi.org/10.1016/j.enbuild.2025.115721
19. Uplight. (2024). Uplight—Clean energy solutions for a decarbonized grid. https://uplight.com/
20. Johnson, L., Randhawa, S., Tyagi, P., & Walia, V. (2022, November 16). Unlocking sustainable power using Stem’s AI-driven clean energy platform on AWS. https://aws.amazon.com/blogs/industries/unlocking-sustainable-power-using-stems-ai-driven-clean-energy-platform-on-aws/
21. Dang, T. L. P., Sadreddin, A., & Ahuja, S. (2024). Readily available technologies in low-resource communities: A review and synthesis. Information Technology for Development, 30(1), 132–172. https://doi.org/10.1080/02681102.2023.2288843
22. Carter, L., Cantrell, C., & Dapeng, L. (2020). Exploring the intersection of the digital divide and artificial intelligence: A hermeneutic literature review. AIS Transactions on Human-Computer Interaction, 12(4), 253–275. https://doi.org/10.17705/1thci.00138
23. Lythreatis, S., Singh, S. K., & El-Kassar, A.-N. (2022). The digital divide: A review and future research agenda. Technological Forecasting and Social Change, 175, 121359. https://doi.org/10.1016/j.techfore.2021.121359
24. Mikalef, P., Conboy, K., Lundström, J. E., & Popovič, A. (2022). Thinking responsibly about responsible AI and the “dark side” of AI. European Journal of Information Systems, 31(3), 257–268. https://doi.org/10.1080/0960085X.2022.2026621
25. Ahuja, S., Chan, Y. E., & Krishnamurthy, R. (2023). Responsible innovation with digital platforms: Cases in India and Canada. Information Systems Journal, 33(1), 76–129. https://doi.org/10.1111/isj.12378
26. Future Earth, The Earth League, & World Climate Research Programme. (2023). 10 new insights in climate science 2023/2024. https://doi.org/10.5281/zenodo.10251586
27. Kaack, L. H., Donti, P. L., Strubell, E., Kamiya, G., Creutzig, F., & Rolnick, D. (2022). Aligning artificial intelligence with climate change mitigation. Nature Climate Change, 12(6), 518–527. https://doi.org/10.1038/s41558-022-01377-7
28. Ene, K. (2024). What role does AI play in improving Africa’s energy access? Oxford Policy Management. https://www.opml.co.uk/insights/what-role-does-ai-play-improving-africas-energy-access
29. Transitions Research. (2025). Can AI light up India’s energy shift? A pragmatic look at India’s AI and energy transitions. https://transitionsresearch.org/article/can-ai-light-up-indias-energy-shift-a-pragmatic-look-at-indias-ai-and-energy-transitions