IA et climat : modéliser, anticiper et optimiser pour la planète

Il y a une image qui résume à elle seule ce qui est en train de se jouer entre l'intelligence artificielle et le climat. Pour prévoir le temps à dix jours, les grands centres météorologiques mobilisent depuis des décennies des supercalculateurs qui résolvent, heure après heure, les équations de la physique de l'atmosphère. En 2023, un réseau de neurones entraîné sur des archives météorologiques a produit une prévision équivalente à dix jours d'échéance en moins d'une minute, sur une seule puce spécialisée, et s'est révélé plus précis que le modèle de référence mondial sur la grande majorité des critères testés. Ce n'est pas un remplacement de la science physique par la statistique : c'est une nouvelle manière de lire la planète, plus rapide, moins coûteuse en énergie, et capable de démultiplier le nombre de scénarios que l'on peut explorer. Cet article vous propose un panorama de ce que l'IA apporte concrètement à la climatologie, à l'adaptation et à l'optimisation énergétique — sans rien cacher de sa propre empreinte.

L'ambition de ce texte est double. D'abord, montrer que l'intelligence artificielle est devenue un instrument de recherche et d'action climatique à part entière, avec des résultats mesurés, publiés et parfois déjà déployés. Ensuite, tenir la promesse d'une lecture honnête : l'IA consomme de l'électricité, ses centres de calcul pèsent sur les réseaux, et prétendre le contraire reviendrait à trahir la rigueur que mérite le sujet. Comprendre l'IA et le climat, c'est tenir les deux bouts en même temps : un levier d'optimisation puissant, et un poste de consommation qu'il faut piloter avec sérieux.

Nous procéderons par couches, du plus fondamental au plus appliqué. La modélisation du système Terre d'abord, là où l'IA réinvente la prévision. L'observation ensuite, avec les satellites qui deviennent des sentinelles capables de détecter une fuite de méthane ou une parcelle défrichée. L'optimisation enfin, sur les réseaux électriques, dans les bâtiments, dans la découverte de nouveaux matériaux pour le stockage et le solaire. Puis nous regarderons en face l'empreinte de l'IA elle-même, avant de tirer quelques repères pour lire ce domaine avec lucidité.

Modéliser le climat : quand l'IA apprend la physique de l'atmosphère

La prévision météorologique est l'un des plus vieux défis du calcul scientifique. Elle repose sur une idée simple à énoncer et redoutable à mettre en œuvre : décrire l'atmosphère par un ensemble d'équations — celles du mouvement des fluides, de la thermodynamique, du rayonnement — puis les résoudre pas de temps après pas de temps sur une grille couvrant le globe. Cette approche, dite numérique, a fait des progrès considérables et reste la colonne vertébrale des services météorologiques. Mais elle exige une puissance de calcul colossale : chaque prévision de haute résolution mobilise un supercalculateur pendant de longues minutes, voire des heures.

C'est précisément là que l'apprentissage automatique change la donne. Plutôt que de résoudre les équations à chaque exécution, un modèle d'IA apprend, à partir de décennies d'archives de réanalyse, la relation entre l'état de l'atmosphère à un instant donné et son état quelques heures plus tard. Une fois entraîné, il applique cette relation en une fraction du temps. GraphCast, développé par Google DeepMind et publié dans la revue Science en décembre 2023, en est l'illustration la plus commentée : il produit une prévision globale à dix jours, à une résolution de 0,25° (environ 28 kilomètres à l'équateur), en moins d'une minute sur une seule puce de calcul.

Un gain de précision mesuré, pas seulement de vitesse

Le point remarquable n'est pas seulement la rapidité, c'est la qualité. Dans une comparaison en tête-à-tête portant sur 1 380 cibles de vérification, GraphCast a surpassé le modèle de haute résolution HRES du Centre européen pour les prévisions météorologiques à moyen terme (ECMWF) sur plus de 90 % d'entre elles, selon Google DeepMind. Autrement dit, un système entièrement appris a dépassé, sur la plupart des variables et échéances, le meilleur modèle physique opérationnel de la planète. Pour un domaine aussi mature que la météorologie, c'est un basculement dont on mesure encore les conséquences.

La lignée s'est poursuivie. GenCast, en 2024, a introduit une approche probabiliste : au lieu d'une prévision unique, il génère un éventail de scénarios plausibles, ce qui est précieux pour estimer l'incertitude et anticiper les phénomènes rares. Puis WeatherNext 2, dévoilé en novembre 2025, a consolidé ces avancées avec, selon Google DeepMind, une amélioration moyenne d'environ 6,5 % de la précision (score CRPS) par rapport à GenCast, tout en produisant des centaines de scénarios physiquement cohérents en moins d'une minute sur une seule puce. La cadence de progrès, dans ce sous-domaine, est spectaculaire.

Un modèle appris a dépassé le meilleur système physique mondial sur plus de 90 % des critères de prévision. Cela ne signe pas le déclin de la physique atmosphérique : c'est un nouvel outil qui la complète, en explorant en minutes ce qui prenait des heures.

Ce que l'IA ne sait pas encore faire aussi bien

La rigueur commande de nommer les limites, car elles sont réelles et documentées. Les modèles météorologiques appris restent moins performants sur certains points précis : les épisodes de pluies extrêmes, les phénomènes très localisés à petite échelle, et les configurations rares peu représentées dans les archives d'entraînement. Surtout, ils ne fonctionnent pas en vase clos : ils dépendent, pour leurs données d'entrée, des systèmes d'observation et de réanalyse construits par les modèles physiques traditionnels. L'IA météorologique ne remplace donc pas l'infrastructure existante ; elle s'y greffe et la prolonge.

Cette complémentarité est la clé de lecture juste. Les grands centres, comme l'ECMWF, développent désormais leurs propres modèles appris et les font tourner aux côtés de leurs modèles physiques. On assiste moins à une substitution qu'à une hybridation : la physique fournit le socle observationnel et la cohérence, l'apprentissage apporte la vitesse et la capacité d'explorer un grand nombre de scénarios. Pour la recherche climatique, cette explosion du nombre de simulations possibles ouvre des perspectives inédites d'étude des futurs possibles.

Du temps qu'il fera au climat qui vient

Il faut distinguer soigneusement météo et climat. La météo, c'est l'état de l'atmosphère à quelques jours ; le climat, c'est la statistique de ce système sur des décennies. Les modèles appris ont d'abord brillé sur la météo, mais leurs principes commencent à irriguer la modélisation climatique. Une technique particulièrement prometteuse est ce que les chercheurs appellent la descente d'échelle, ou downscaling : à partir de projections climatiques globales, dont la résolution grossière peine à décrire une vallée ou une ville, un modèle appris reconstruit des détails fins, plus utiles pour l'adaptation locale.

Cette montée en résolution assistée par l'IA a une portée très concrète. Une collectivité qui doit dimensionner un réseau d'assainissement, planifier des espaces de fraîcheur ou anticiper le risque d'inondation a besoin de projections à l'échelle de son territoire, pas d'une moyenne continentale. En apprenant à traduire le grossier vers le fin, l'IA aide à rendre la science climatique actionnable là où les décisions se prennent : dans les territoires.

Observer la planète : les satellites deviennent des sentinelles intelligentes

Modéliser, c'est bien ; observer, c'est le préalable. Or notre capacité à surveiller l'état réel de la planète a été transformée par la rencontre de deux flux : l'explosion du nombre de satellites d'observation, et la maturité des algorithmes de vision par ordinateur capables d'interpréter leurs images. Chaque jour, des satellites produisent une quantité d'images que jamais aucune équipe humaine ne pourrait analyser à la main. L'IA, elle, y repère des motifs, des changements et des anomalies à l'échelle du globe.

Traquer les émissions à la source

L'un des projets les plus emblématiques de cette convergence est Climate TRACE, une coalition indépendante qui combine intelligence artificielle, imagerie satellite et données de télédétection pour estimer les émissions de gaz à effet de serre en quasi temps réel, secteur par secteur et souvent installation par installation. Là où l'inventaire des émissions reposait sur des déclarations et des moyennes tardives, l'IA permet une observation plus directe : elle croise les signaux visibles depuis l'espace — combustion, torchage, activité industrielle — pour attribuer des émissions à des sources identifiées.

Le méthane illustre particulièrement bien l'apport de ces méthodes. Ce gaz au fort pouvoir de réchauffement fuit souvent de manière ponctuelle et invisible, sur des infrastructures pétrolières et gazières. Des modèles de vision entraînés sur l'imagerie hyperspectrale — capable de « voir » des signatures chimiques que l'œil ignore — repèrent désormais les panaches de méthane et les localisent. Des travaux de recherche présentés dans des conférences spécialisées décrivent des architectures dédiées, capables d'identifier des sites d'émission potentiels et de cartographier les panaches. Détecter une fuite, c'est la première étape pour la colmater ; l'IA raccourcit le délai entre l'émission et sa correction.

Veiller sur les forêts

Les forêts tropicales sont à la fois d'immenses réservoirs de carbone et des écosystèmes sous pression. Les surveiller sur des millions d'hectares relève de l'impossible sans automatisation. Ici encore, la vision par ordinateur a franchi un cap : des algorithmes de détection appliqués à l'imagerie satellite suivent l'exploitation forestière et la dégradation des forêts, y compris en Amazonie, avec des taux de fiabilité élevés rapportés dans la littérature. Combinés aux programmes officiels de suivi de la déforestation, ils permettent des alertes plus précoces et une meilleure estimation des émissions associées.

L'intérêt profond de ces outils, c'est qu'ils rendent le monde plus lisible pour ceux qui agissent. Une autorité qui reçoit une alerte fiable dans les jours suivant une coupe illégale peut intervenir ; un investisseur qui dispose d'une mesure indépendante des émissions d'un site peut orienter ses choix ; un négociateur climatique qui s'appuie sur des données observées plutôt que déclarées gagne en crédibilité. L'IA d'observation ne réduit pas les émissions par magie : elle donne aux décideurs une vue plus nette du terrain, condition nécessaire de toute action efficace.

• Prévision et alerte précoce : détecter tôt un événement extrême — crue, canicule, tempête — pour protéger les populations et les infrastructures.
• Détection de fuites : repérer les émissions de méthane des installations pétrogazières pour accélérer leur correction.
• Suivi des forêts : alerter sur la déforestation et la dégradation, et mieux quantifier le carbone stocké et perdu.
• Inventaires d'émissions : passer de déclarations tardives à une mesure indépendante, secteur par secteur, à l'échelle mondiale.

Optimiser l'énergie : le terrain où l'IA rend déjà des services mesurables

Si la modélisation et l'observation nourrissent la compréhension, l'optimisation, elle, produit des effets immédiats sur les émissions. C'est peut-être le domaine où l'IA a le plus tôt démontré une valeur chiffrée, parce que les systèmes énergétiques sont complexes, dynamiques et pleins de marges d'amélioration invisibles à l'œil humain.

Donner plus de valeur à l'énergie éolienne

Le cas d'école est celui des parcs éoliens. L'éolien a une faiblesse structurelle : il est variable et difficile à programmer, car le vent ne se commande pas. Or un réseau électrique fonctionne d'autant mieux qu'il peut anticiper l'offre. En 2019, Google DeepMind a rapporté avoir appliqué un réseau de neurones à un ensemble de parcs éoliens du centre des États-Unis. Entraîné sur des prévisions météorologiques publiques et l'historique des turbines, le modèle prédit la production éolienne 36 heures à l'avance et recommande des engagements de livraison horaire au réseau. Résultat rapporté : une hausse d'environ 20 % de la valeur économique de l'énergie éolienne concernée, grâce à des livraisons mieux planifiées.

Ce chiffre mérite d'être compris finement. L'IA n'a pas produit plus de vent ni plus d'électricité ; elle a rendu l'énergie éolienne plus prévisible, donc plus valorisable et plus facile à intégrer au réseau. C'est un point capital pour la transition : les énergies renouvelables variables ne se déploieront massivement que si l'on sait gérer leur intermittence. En améliorant la prévision, l'IA lève l'un des obstacles les plus concrets à leur essor.

Piloter des réseaux de plus en plus complexes

À mesure que le mix électrique se décarbone, il se complexifie. Hier, quelques grandes centrales pilotables ; aujourd'hui, une myriade de sources variables — solaire, éolien —, des véhicules électriques qui se rechargent, des batteries stationnaires, des consommateurs devenus parfois producteurs. Équilibrer offre et demande à chaque seconde dans ce système foisonnant dépasse les méthodes classiques. La littérature scientifique récente décrit un recours croissant à l'apprentissage automatique, à l'apprentissage par renforcement et aux jumeaux numériques pour l'optimisation en temps réel des réseaux d'énergie renouvelable : prévision de production, contrôle adaptatif, décision intelligente sur de grands volumes de données.

La maintenance prédictive en est une application directe et rentable. En analysant les signaux des équipements — vibrations, températures, courants —, des modèles anticipent les pannes avant qu'elles surviennent. Des travaux de synthèse rapportent que la maintenance prédictive fondée sur l'apprentissage automatique peut réduire fortement les arrêts imprévus, ce qui améliore la disponibilité des installations et évite des réparations d'urgence coûteuses. Pour une éolienne en mer ou un onduleur solaire, éviter une immobilisation, c'est autant d'énergie propre qui continue de circuler.

Refroidir les bâtiments et les centres de données

L'optimisation touche aussi les grands consommateurs d'électricité, à commencer par les centres de données eux-mêmes — nous y reviendrons pour la part d'ombre du tableau, mais il y a ici une face constructive. Dès 2016, DeepMind et Google ont rapporté avoir appliqué l'apprentissage automatique au refroidissement des centres de données de Google. Le système, entraîné à prédire la température des installations à l'horizon d'une heure, recommandait puis ajustait les réglages de refroidissement. Le résultat rapporté est frappant : une baisse d'environ 40 % de l'énergie consacrée au refroidissement, soit, selon DeepMind, un recul d'environ 15 % du « PUE overhead » — la part de l'indicateur d'efficacité énergétique (le PUE) qui dépasse 1,0 — après prise en compte des pertes électriques et autres inefficacités hors refroidissement. Ce n'est donc pas le PUE global qui recule de 15 %, mais sa part de surcoût.

Ce principe — apprendre à piloter un système thermique complexe mieux qu'un réglage manuel — se transpose bien au-delà des centres de données : bâtiments tertiaires, réseaux de chaleur urbains, procédés industriels. Partout où l'on chauffe, refroidit ou transforme de l'énergie selon des règles figées, un modèle qui apprend les subtilités du système en temps réel peut grappiller des pourcentages qui, additionnés à l'échelle d'un pays, deviennent significatifs.

L'IA ne crée pas d'énergie. Elle rend celle que l'on produit plus prévisible, celle que l'on consomme mieux ajustée, et celle que l'on gaspille plus visible. Sur des réseaux devenus foisonnants, ces pourcentages gagnés changent d'échelle.

Découvrir les matériaux de la transition

Il existe une contribution plus discrète mais possiblement décisive de l'IA à l'action climatique : accélérer la découverte des matériaux dont dépendent les technologies bas-carbone. Une meilleure batterie, un panneau solaire plus efficace, un catalyseur pour produire de l'hydrogène ou capter le carbone — tout cela repose, en dernier ressort, sur la chimie des matériaux. Or explorer l'espace des matériaux possibles par l'expérience seule est terriblement lent : synthétiser et tester un composé prend du temps et coûte cher.

En 2023, une équipe de DeepMind a publié dans Nature les résultats d'un système nommé GNoME, un réseau de neurones qui prédit la stabilité de structures cristallines. En explorant méthodiquement l'espace chimique, il a identifié 2,2 millions de nouvelles structures cristallines stables, dont environ 381 000 jugées particulièrement prometteuses pour des applications comme les énergies renouvelables, l'électronique ou les batteries. Pour donner une idée de l'accélération, ce volume de candidats équivaudrait, selon les chercheurs, à plusieurs siècles de découvertes par les méthodes expérimentales traditionnelles.

De la prédiction à la paillasse

Une prédiction n'est pas une preuve : encore faut-il synthétiser réellement ces matériaux et vérifier leurs propriétés. C'est pourquoi le résultat le plus convaincant n'est pas le nombre de candidats, mais la boucle qui va du calcul à l'expérience. Dans des essais automatisés en laboratoire, des chercheurs ont réussi à synthétiser 41 des 58 composés prédits, soit un taux de réussite élevé qui valide l'utilité pratique de l'approche. Une partie des données a par ailleurs été rendue publique via des bases ouvertes de matériaux, ce qui permet à la communauté scientifique mondiale de s'en emparer.

L'impact climatique de cette accélération est indirect mais potentiellement immense. Si l'IA aide à trouver plus vite un conducteur d'ions au lithium plus performant, une batterie plus dense et plus durable devient plus accessible, et le stockage de l'électricité renouvelable progresse. C'est le genre de contribution qui ne se voit pas dans un graphique d'émissions à court terme, mais qui pèse sur la trajectoire de long terme des technologies propres.

Vers la maîtrise de la fusion

Dans le registre des futurs énergétiques, l'IA joue déjà un rôle dans la recherche sur la fusion. Confiner un plasma à des dizaines de millions de degrés dans un tokamak suppose de contrôler des champs magnétiques avec une précision et une réactivité extrêmes. En 2022, DeepMind et le Swiss Plasma Center de l'EPFL ont publié dans Nature un système d'apprentissage par renforcement capable de piloter de façon autonome les bobines magnétiques d'un tokamak expérimental, ajustant les tensions des aimants des milliers de fois par seconde à partir des mesures de forme et de position du plasma.

La fusion n'est pas pour demain, et il faut le dire clairement pour ne pas survendre. Mais le fait que l'IA sache déjà apprendre à contrôler l'un des systèmes physiques les plus instables jamais construits par l'humanité illustre une capacité qui compte pour l'énergie de l'avenir : maîtriser des procédés d'une complexité qui échappe au contrôle manuel. Que ce soit pour la fusion, pour les réacteurs de nouvelle génération ou pour des procédés industriels, cette compétence de pilotage fin ouvre des portes.

L'autre côté de la balance : l'empreinte de l'IA elle-même

Un panorama honnête ne peut s'arrêter aux bonnes nouvelles. L'intelligence artificielle consomme de l'électricité — pour entraîner les modèles, puis pour les faire fonctionner à grande échelle. Ignorer ce fait reviendrait à commettre l'erreur que ce média s'interdit : présenter une technologie sous son seul jour favorable. Il faut donc regarder les chiffres, et les regarder sans dramatiser ni minimiser.

Ce que consomment les centres de données

Selon l'Agence internationale de l'énergie (AIE), la consommation électrique des centres de données représentait environ 415 térawattheures en 2024, soit à peu près 1,5 % de la consommation mondiale d'électricité. Cette consommation croît vite : de l'ordre de 12 % par an depuis 2017, un rythme plus de quatre fois supérieur à celui de la consommation électrique totale. Dans le scénario central de l'AIE, la consommation des centres de données pourrait plus que doubler d'ici 2030 pour atteindre environ 945 térawattheures, l'IA étant le principal moteur de cette hausse.

Ces ordres de grandeur appellent deux remarques. D'une part, 1,5 % de l'électricité mondiale n'est ni négligeable ni écrasant : c'est un poste réel, comparable à celui de certaines industries lourdes, qui mérite attention sans justifier de discours de fin du monde. D'autre part, la trajectoire de croissance est le vrai sujet : c'est la vitesse, plus que le niveau actuel, qui pose la question de l'approvisionnement électrique et de la nature — décarbonée ou non — de cette électricité supplémentaire. La localisation compte aussi : dans certains pays de petite taille dotés de nombreux centres de données, la part locale peut devenir très élevée, ce qui tend les réseaux régionaux.

Le bilan net, une question ouverte et sérieuse

La question qui intéresse vraiment le climat est celle du bilan net : l'IA fait-elle économiser plus d'émissions qu'elle n'en génère ? La réponse honnête est qu'il n'existe pas de comptabilité mondiale consolidée et incontestable. On dispose, d'un côté, de gains sectoriels documentés — prévision météo plus efficace, réseaux mieux pilotés, refroidissement optimisé, matériaux découverts plus vite. De l'autre, d'une consommation électrique en forte hausse, dont l'impact climatique dépend étroitement de la source d'électricité utilisée.

Ce que l'on peut affirmer avec prudence, c'est que le bilan n'est pas donné d'avance : il se décide. Un centre de données alimenté par une électricité largement décarbonée, refroidi intelligemment, servant à optimiser des réseaux renouvelables, penche du bon côté. Le même centre alimenté au charbon pour entraîner des modèles sans usage utile penche de l'autre. Le rôle de l'IA dans le climat n'est donc pas une propriété intrinsèque de la technologie, mais le produit de choix — d'implantation, d'approvisionnement énergétique, d'usage. C'est une bonne nouvelle : cela signifie que ce bilan est pilotable.

Des leviers pour alléger l'empreinte

Plusieurs pistes convergent pour maîtriser le coût énergétique de l'IA, et beaucoup relèvent elles-mêmes de l'ingénierie et de la recherche. L'efficacité des modèles progresse : à performance égale, on sait aujourd'hui entraîner et faire fonctionner des modèles avec bien moins de calcul qu'il y a quelques années, grâce à de meilleures architectures et à des techniques de compression. L'efficacité du matériel s'améliore génération après génération. L'implantation des centres de données près de sources d'électricité décarbonée et le pilotage intelligent de leur refroidissement, on l'a vu, réduisent l'empreinte réelle.

• Modèles plus sobres : architectures efficaces et compression réduisent le calcul nécessaire à performance donnée.
• Matériel plus efficace : chaque génération de puces spécialisées améliore le nombre d'opérations par watt.
• Électricité décarbonée : l'impact climatique dépend d'abord de la source d'énergie qui alimente le calcul.
• Refroidissement optimisé : le pilotage appris des installations réduit une part importante de la consommation annexe.

S'adapter : l'IA au service des territoires et des populations

Au-delà de l'atténuation — réduire les émissions —, l'autre versant de l'action climatique est l'adaptation : se préparer aux effets déjà engagés. C'est un terrain où l'IA rend des services très concrets, parce que l'adaptation est affaire d'anticipation locale, exactement ce que les modèles appris savent faire à moindre coût.

Anticiper les événements extrêmes

Les prévisions plus rapides et plus nombreuses permises par l'IA ont une valeur humaine directe : mieux anticiper une crue, une vague de chaleur ou une tempête, c'est gagner des heures précieuses pour alerter, évacuer, protéger. La capacité de GenCast et de ses successeurs à produire non pas une prévision unique mais un éventail de scénarios est ici décisive : elle permet d'estimer la probabilité d'un événement rare et de calibrer la réponse. Pour les services de protection civile, disposer d'une distribution de futurs possibles plutôt que d'un chiffre unique change la manière de décider.

Rendre la science accessible aux décideurs locaux

La descente d'échelle assistée par l'IA, évoquée plus haut, prend tout son sens pour l'adaptation. Un maire, un agriculteur, un gestionnaire d'eau ne raisonnent pas à l'échelle d'un continent mais d'un bassin-versant, d'une parcelle, d'un quartier. En traduisant les projections globales en informations locales exploitables, l'IA aide à dimensionner des ouvrages, à choisir des variétés de cultures adaptées, à planifier des îlots de fraîcheur urbains. C'est une contribution modeste dans son principe — traduire du grossier vers le fin — mais profonde dans ses effets, car elle rapproche la connaissance scientifique du lieu où se prennent les décisions d'adaptation.

Le climat se joue à l'échelle du globe, mais l'adaptation se décide à l'échelle d'un quartier. Le mérite discret de l'IA est de faire descendre la connaissance jusqu'à ce niveau, là où l'action devient possible.

Comment lire ce domaine avec lucidité

Arrivés au terme de ce panorama, il est utile de proposer quelques repères de lecture, car « IA et climat » est un sujet où le meilleur et le pire du discours cohabitent. On y entend tantôt que l'IA sauvera la planète, tantôt qu'elle l'épuise. Ni l'un ni l'autre ne rend justice à la réalité, plus nuancée et plus intéressante.

Premier repère : distinguer les usages. L'IA qui optimise un réseau renouvelable, qui détecte une fuite de méthane ou qui accélère la découverte d'une batterie n'a pas le même profil que l'IA de divertissement ou de génération de masse. Parler de « l'IA » en bloc, pour la louer ou la critiquer, brouille l'analyse. Ce qui compte, c'est l'usage précis, son gain mesuré et son coût réel.

Deuxième repère : exiger des chiffres et des sources. Un gain de « 20 % de valeur sur l'éolien » ou de « 40 % sur le refroidissement » n'a de sens qu'avec son périmètre, sa date et sa méthode. De même, une consommation « de 415 térawattheures » ne dit rien sans le repère « 1,5 % de l'électricité mondiale ». La qualité d'un propos sur l'IA et le climat se juge à sa capacité à situer ses chiffres, pas à leur ampleur brute.

Troisième repère : tenir les deux plateaux. L'IA est à la fois un levier d'optimisation et un poste de consommation. Un discours sérieux ne choisit pas un plateau contre l'autre : il pèse les deux, et rappelle que le bilan net dépend de choix humains — sources d'énergie, sobriété des modèles, pertinence des usages. C'est peut-être la conclusion la plus roborative de ce tour d'horizon : rien n'est joué d'avance, et beaucoup dépend de la manière dont nous déployons ces outils.

À retenir

• Modéliser : les modèles météorologiques appris dépassent désormais les meilleurs systèmes physiques sur la plupart des critères, plus vite et à moindre coût de calcul, tout en restant complémentaires de la physique.
• Observer : l'IA transforme les satellites en sentinelles capables de repérer fuites de méthane, déforestation et émissions à la source, en quasi temps réel.
• Optimiser : des gains concrets et mesurés existent — valeur de l'éolien, refroidissement, réseaux, maintenance — parce que les systèmes énergétiques regorgent de marges invisibles à l'œil humain.
• Découvrir : l'IA accélère la recherche de matériaux pour les batteries, le solaire et l'énergie de demain, avec des résultats déjà validés en laboratoire.
• Assumer l'empreinte : l'IA consomme une électricité en forte hausse ; son bilan climatique n'est pas donné, il se pilote par des choix d'énergie, de sobriété et d'usage.

L'intelligence artificielle n'est pas une baguette qui résoudra la question climatique, et personne de sérieux ne le prétend. Elle est un instrument — puissant, perfectible, à double tranchant — que la recherche met peu à peu au service de la compréhension et de l'action. Ce qui rend le sujet passionnant, c'est précisément qu'il n'est pas écrit d'avance : chaque modèle plus sobre, chaque réseau mieux piloté, chaque fuite détectée plus tôt fait pencher la balance un peu plus du bon côté. La science avance ; à nous de la déployer avec discernement.

Sources

• Google DeepMind — GraphCast: AI model for faster and more accurate global weather forecasting
• Google for Developers — WeatherNext, recherche et évolution des modèles
• Google DeepMind — Machine learning can boost the value of wind energy (+20 %)
• Google DeepMind — DeepMind AI Reduces Google Data Centre Cooling Bill by 40%
• Agence internationale de l'énergie (AIE) — Energy demand from AI
• Agence internationale de l'énergie (AIE) — Energy and AI, résumé exécutif
• Google DeepMind — Millions of new materials discovered with deep learning (GNoME)
• Google DeepMind — Accelerating fusion science through learned plasma control
• Google — How satellites, algorithms and AI can help map and trace methane sources
• Carbon Brief — AI: Five charts that put data-centre energy use and emissions into context