Les entreprises du secteur de l’énergie et des services publics ont des projets ambitieux en intelligence artificielle (IA) pour l’ensemble de leurs activités. La concrétisation de ces ambitions à grande échelle dépend des données, des plateformes, de la gouvernance et des modèles opérationnels qui les sous-tendent.
Les réseaux intelligents, les opérations prédictives et les parcours clients pilotés par l’IA ne relèvent plus de la théorie. La plupart des entreprises savent ce qu’elles attendent de l’IA. La question la plus difficile est de savoir si leurs plateformes sont en mesure de prendre en charge ces fonctionnalités.
Malgré des investissements importants des entreprises dans l’IA générative, les organisations continuent d’éprouver des difficultés à transformer l’expérimentation en valeur mesurable. L’étude souligne des obstacles à la mise en œuvre, notamment des systèmes qui ne s’adaptent pas, des flux de travaux qui ne correspondent pas aux besoins de l’entreprise et des solutions qui ne s’intègrent pas aux opérations quotidiennes.
L’IA peut générer des résultats utiles, mais c’est lorsqu’ils sont mis en application dans leur contexte, gouvernés de manière responsable et intégrés aux flux de travaux opérationnels où les décisions sont prises que leur valeur se révèle. Sans cela, les organisations risquent de créer des démonstrations impressionnantes qui ne verront jamais le jour en production.
Pourquoi les initiatives en IA peinent à atteindre une échelle opérationnelle
Les secteurs de l’énergie et des services publics ne souffrent pas d’un manque d’ambition en IA. Ils sont confrontés à un fossé de mise en œuvre : l’écart entre ce que les organisations attendent de l’IA et ce que leurs systèmes de mise en œuvre peuvent réellement prendre en charge.
Pour combler ce fossé, il ne suffit pas de disposer de meilleurs modèles ou outils. Il faut également les données, les plateformes, la gouvernance, les modèles opérationnels et l’adhésion nécessaires pour mettre l’IA en production.
Le travail de CGI dans les secteurs de l’énergie et des services publics met en évidence des obstacles récurrents : la fragmentation des données de TO et de TI, la complexité des environnements existants, l’augmentation des risques de cybersécurité et réglementaires, ainsi que la lassitude liée aux projets pilotes. Il ne s’agit pas là de problèmes propres à l’IA. Ce sont des défis de mise en œuvre sous-jacents que l’IA met davantage en évidence.
L’importance de l’environnement opérationnel pour l’IA
Les conseils généraux sur l’IA ne tiennent pas compte des réalités auxquelles est confronté le chef de la direction informatique d’une entreprise de services publics. Les organisations du secteur de l’énergie et des services publics exploitent des infrastructures essentielles à leur mission, où une mauvaise recommandation peut avoir des conséquences concrètes sur les transformateurs, les réseaux, les pompes, les équipes sur le terrain, les obligations commerciales et les clients victimes de pannes pendant les périodes de pointe.
Les systèmes de TO et de TI ont souvent été acquis à des décennies d’intervalle par des équipes différentes, pour des raisons différentes et auprès de fournisseurs différents. Les données sont fragmentées entre les systèmes liés aux actifs, aux réseaux, aux clients, aux marchés et aux opérations sur le terrain, qui ne partagent pas toujours la même définition de la vérité. Les exigences réglementaires, de sécurité et de cybersécurité sont non négociables. Et les actifs que les organisations tentent de surveiller ont des cycles de vie qui se mesurent en décennies, pas en trimestres.
Dans ce secteur, l’intelligence n’a de valeur que si elle est fiable sur le plan opérationnel. C’est la norme. Pourtant, de nombreux programmes d’IA continuent de privilégier l’optimisation de la performance du modèle, alors que la contrainte majeure réside dans le système au sein duquel ce modèle doit fonctionner.
Cinq principes fondamentaux pour le déploiement à grande échelle de l’IA dans le secteur de l’énergie et des services publics
Lorsqu’on évalue une plateforme, une approche de mise en œuvre ou une nouvelle initiative en IA, cinq choix fondamentaux peuvent aider à cerner les écarts entre la phase d’expérimentation et le déploiement à l’échelle opérationnelle.
1. Connecter les données entre les TI et les TO
Les données doivent fonctionner comme un seul et même système.
Les données relatives aux actifs, au réseau, aux clients, au marché et au terrain ne peuvent pas rester cloisonnées dans des silos qui se chevauchent, avec des identifiants incohérents. Sans données interconnectées, l’IA est aveugle à une partie de l’environnement d’exploitation. Elle peut détecter une anomalie au niveau d’un compteur, mais pas une interruption planifiée. Elle peut détecter les coordonnées du client, mais pas la contrainte sur le terrain. Elle peut générer une réponse apparemment fiable à partir d’une vérité partielle.
Ce n’est pas de l’intelligence. C’est un risque doté d’une meilleure interface.
Le travail pratique à accomplir ici n’a rien de prestigieux, mais il est essentiel : des produits de données communs, une traçabilité fiable, des identifiants d’actifs cohérents, des modèles d’intégration et une responsabilité clairement définie. Tant que ces fondements n’existeront pas, l’IA continuera d’amplifier les limites des données sur lesquelles elle repose.
2. Créer un contexte opérationnel dès la conception
Les données brutes ne suffisent pas.
L’IA a besoin d’une interprétation technique : hiérarchies des actifs, topologie du réseau, historique des pannes, dossiers d’entretien, données météorologiques, procédures de la salle de contrôle et relations qui rendent une lecture interprétable.
C’est là que des concepts tels que les jumeaux numériques et les triplets numériques dépassent le simple langage architectural. Un jumeau numérique peut refléter l’actif ou le réseau. Un triplet numérique va plus loin en ajoutant une couche décisionnelle pilotée par l’IA capable d’analyser les données opérationnelles, de simuler des scénarios et d’expliquer les recommandations dans le respect de limites définies.
Ce contexte permet à l’IA de passer de la simple réponse à des questions à l’aide à la prise de décision. Sans cela, le modèle ne raisonne pas sur le réseau. Il se contente de rechercher des correspondances de motifs dans celui-ci.
3. Déplacer la gouvernance en amont
La vérification de sécurité, le risque lié aux modèles, la traçabilité des données et la conformité doivent tous être pris en compte. La question est de savoir où ils s’inscrivent dans le processus.
Lorsque la vérification de sécurité devient un long processus après la conception, la gouvernance peut se transformer en goulot d’étranglement plutôt qu’en catalyseur. L’intégration de contraintes dans les modèles à partir desquels les ingénieurs commencent leur travail signifie que les normes sont prises en compte avant même le début des travaux et que la vérification devient plus légère, car le chemin par défaut est déjà conçu pour respecter la conformité.
Il s’agit là de l’intervention en amont comme pratique réelle, et non comme un simple slogan.
Cela se traduit par des modèles approuvés, des gabarits sécurisés, une journalisation intégrée, une classification des données par défaut, des politiques codifiées lorsque cela est pertinent, des parcours clairs d’évaluation des modèles et des garde-fous qui aident les équipes à avancer plus rapidement, puisqu’elles n’ont pas à attendre la fin du processus pour découvrir les règles.
4. Intégrer l’IA dans les opérations
L’IA doit être présente là où la décision est prise.
Cela concerne le système de répartition, le planificateur de maintenance, l’outil de planification, le flux de travaux de la salle de contrôle, l’application de mobilité sur le terrain et la file d’attente du service à la clientèle.
Si l’IA nécessite encore qu’une personne quitte le flux de travaux, ouvre un environnement d’expérimentation, copie des données dans une requête et interprète manuellement la réponse, elle n’en est encore qu’au stade de projet pilote.
La partie la plus difficile de la mise en production de l’IA réside rarement dans le modèle lui-même. Il s’agit plutôt d’intégrer l’IA dans les flux de travaux que les gens utilisent réellement, avec le contexte approprié, la traçabilité et les procédures d’escalade nécessaires pour que l’organisation puisse faire suffisamment confiance à ses résultats pour agir en conséquence.
5. Considérer la plateforme comme un produit évolutif
Les plateformes ne sont pas des projets. Elles n’ont pas de ligne d’arrivée.
Si l’équipe chargée de la plateforme se dissout à la fin du projet, l’organisation risque de se retrouver avec du code et des fonctionnalités sans personne responsable à long terme.
Une véritable plateforme nécessite une mentalité axée sur le produit : une responsabilité permanente, un financement, une intégration, de la documentation, des voies de contribution, des pratiques « Inner Source », une communication régulière et un plan d’adoption mûrement réfléchi.
Ce ne sont pas là des aspects secondaires. C’est ainsi que la valeur de la plateforme s’accroît.
Si seule une poignée d’équipes utilise la plateforme tandis que d’autres ignorent son existence, sa valeur potentielle reste inexploitée.
Quatre priorités pour déployer l’IA à grande échelle
Pour de nombreuses entreprises du secteur de l’énergie et des services publics, la priorité n’est pas de réaliser une énième validation de concept isolée. Il s’agit plutôt de jeter les bases d’un déploiement reproductible à l’échelle de l’entreprise.
1. Rendez visible ce dont vous disposez déjà
La plupart des grandes entreprises ont déjà mis en place des modèles utiles, des produits de données, des implémentations de référence, des choix architecturaux et des composants réutilisables. Assurez-vous que ces éléments soient maintenus, consultables et faciles à réutiliser par les équipes. Un travail de qualité ne prend toute sa valeur que lorsque d’autres peuvent le trouver.
2. Avancez d’une étape le processus de gouvernance
Identifiez un processus d’approbation qui entraîne des retards importants et intégrez la norme dans les outils. Faites en sorte que la voie conforme soit la plus facile, en transformant l’inspection de dernière minute en une simple confirmation qu’un modèle établi a été suivi.
3. Mettez en place une initiative selon une norme reproductible
Choisissez une initiative dans la feuille de route et mettez-la en œuvre selon une norme que d’autres pourront reproduire. Commencez par quelque chose dont toutes les équipes auront besoin, comme des API, des produits de données, des modèles d’intégration, des pipelines de déploiement ou des modèles de flux de travaux autonomes. Un modèle d’API prêt pour la production, par exemple, peut imposer par défaut l’authentification, la sécurité, l’observabilité, la classification des données et la documentation, permettant ainsi à chaque équipe qui l’utilise d’adopter ces normes.
4. Donnez la priorité aux fondements d’entreprise plutôt qu’aux projets pilotes isolés
Investissez dans les capacités qui rendent possible une mise en œuvre reproductible : services de plateforme réutilisables, produits de données fiables, équipes de plateforme permanentes, financement soutenu et adoption considérée comme un résultat du produit. Pour de nombreux services publics, l’obstacle à la mise en production de l’IA n’est pas la capacité de l’IA en soi. C’est plutôt l’infrastructure nécessaire pour la déployer à grande échelle.
Comment transformer l’ambition en IA en valeur opérationnelle
Les entreprises du secteur de l’énergie et des services publics les mieux placées pour tirer parti de l’IA ne seront pas celles qui disposent seulement d’une stratégie solide. Elles disposeront également des plateformes, des bases de données, des mécanismes de gouvernance et des modèles opérationnels capables de mettre en œuvre cette stratégie à grande échelle.
Pour de nombreuses initiatives d’IA, le principal obstacle à la mise en production n’est plus ce que le modèle est capable de faire. Il s’agit plutôt de savoir si l’organisation qui l’entoure est prête à mettre cette capacité à profit.
