Comment l'IA peut-elle contribuer aux objectifs d'efficacité énergétique dans l'industrie ?

L'essor de l'intelligence artificielle (IA) générative a relancé le débat sur le coût énergétique de l'IA. Cependant, jusqu'à présent, le potentiel de l'IA pour optimiser l'utilisation des ressources ou faciliter la transition des entreprises vers des technologies de production plus propres et plus durables a été largement négligé. Aucune évaluation rigoureuse n’a encore été menée pour mesurer le coût énergétique global et/ou les bénéfices énergétiques nets de l’IA. Les modèles d'IA traditionnels nécessitent des phases d’entraînement et d’inférence nettement moins énergivores et peuvent permettre aux entreprises d'améliorer l'efficacité énergétique de leurs technologies, tout en les aidant à atteindre leurs objectifs environnementaux dans les années à venir. Les modèles d'apprentissage automatique et d’apprentissage profond utilisés dans l'industrie, notamment lorsqu’ils sont déployés à l'aide de jumeaux numériques, permettent de piloter des processus complexes, d’optimiser l’utilisation des ressources dans des secteurs fortement énergivores et de générer des économies d’énergie significatives. Le traitement des eaux usées est emblématique
à cet égard : l'aération pendant le traitement secondaire représente généralement environ la moitié de la consommation électrique d'une station d'épuration. Dans cet article, nous nous concentrons sur la comparaison entre le coût énergétique direct des opérations d'IA et les économies d'énergie qu’elle permet de réaliser lorsqu'elle est mise en œuvre par Veolia.

Veolia, en partenariat avec PureControl, a mis en place l'un des premiers déploiements à grande échelle de l'IA pour l'efficacité climatique, couvrant environ 200 installations. Le système de PureControl ingère des données à haute fréquence (environ toutes les 15 minutes) sur les prix de l'électricité, les conditions météorologiques, les données issues de capteurs et les analyses de qualité en laboratoire afin de maintenir une réplique numérique en direct des installations. L'IA planifie et ajuste ensuite l'aération afin de minimiser les coûts et la consommation d’énergie, tout en garantissant la qualité des effluents et le respect des seuils réglementaires.

Nous évaluons l'effet net de l'IA à partir des données opérationnelles au niveau des sites, d'expériences naturelles (interruptions non planifiées) et d'un calcul complet de la consommation électrique propre à la couche d’IA. Les résultats préliminaires issus d'environ 15 installations indiquent une réduction de près de 10 % de la consommation d'électricité et des émissions de gaz à effet de serre (GES), tandis que la consommation électrique directe de l'IA représente moins de 1 % des économies d'énergie brutes réalisées. Même avec des hypothèses prudentes sur les équipements matériels supplémentaires nécessaires, le coût carbone total de l’IA sur l’ensemble de son cycle de vie reste largement inférieur aux émissions évitées, ce qui confirme une contribution climatique nette et positive.