Prévision météo par IA : ce que la théorie de la valeur de l'information dit du pari de Google sur le réseau électrique

Le 3 septembre 2026, Google DeepMind a déployé WeatherNext 3 : résolution mondiale portée à 5 kilomètres (contre 25 km), mise à jour horaire (contre six heures), délai de disponibilité ramené à 3-4 heures, et surtout une prédiction dédiée de la vitesse du vent à 100 mètres — l'altitude type d'une éolienne. Sur la précision, Google revendique jusqu'à 60 % d'amélioration face au produit satellite IMERG de la NASA et 50 % sur la prévision de précipitations à plus d'un jour. C'est un produit technique, mais son ciblage explicite — les opérateurs de réseau électrique — en fait aussi un objet économique.

Le cadre le plus utile pour lire cette annonce n'est pas technologique mais théorique : le théorème de la valeur de l'information de David Blackwell (1953). L'idée, popularisée ensuite dans toute la théorie de la décision bayésienne, est simple : un décideur confronté à une incertitude ne peut jamais perdre, et gagne généralement, à recevoir un signal plus informatif avant d'agir — à condition que le coût d'obtention du signal reste inférieur au gain de décision qu'il permet. Un opérateur de réseau prend en continu des décisions sous incertitude météorologique : combien de réserve tournante engager, quelles capacités flexibles démarrer, à quel niveau accepter ou refuser l'injection d'un parc solaire ou éolien. Une prévision plus précise ne change rien à la météo elle-même — elle change la qualité de la décision prise avant qu'elle ne se réalise.

Ce qui rend le moment intéressant, c'est que la valeur marginale de cette précision croît mécaniquement avec deux tendances indépendantes que WeatherNext 3 rencontre simultanément. D'un côté, l'électrification de la production : les États-Unis ont ajouté en 2026 plus de 90 GW de capacités nouvelles, dont 51,2 GW de solaire et 25,7 GW de stockage — soit une part écrasante de production dont le rendement dépend directement de variables météo (ensoleillement, vent), par opposition à une centrale thermique pilotable à la demande. Plus cette part croît, plus l'incertitude sur l'offre — et donc la valeur d'un signal qui la réduit — augmente en proportion.

De l'autre côté, la croissance de la demande change aussi la donne : la demande de pointe américaine est projetée en hausse d'environ 26 % d'ici 2035, tirée en bonne partie par les centres de données, dont la consommation pourrait atteindre 176 GW à cette échéance — cinq fois le niveau de 2024. Un réseau plus tendu côté demande a moins de marge structurelle pour absorber une erreur de prévision côté offre : la même erreur de prévision météo coûte plus cher en réserve mobilisée ou en délestage lorsque le système opère près de sa capacité maximale. Blackwell prédirait exactement cette dynamique : la valeur d'un signal ne se mesure jamais dans l'absolu, mais relativement à la marge d'erreur que le système peut encore encaisser sans elle.

Le positionnement concurrentiel de Google mérite un second regard, économique celui-là. Le marché de la prévision météo appliquée à l'énergie compte déjà des acteurs spécialisés — Vaisala, Solcast, WindGEMINI de DNV, HyperWatch d'IBM, la start-up suisse Jua — dont le modèle d'affaires repose sur la vente directe de la prévision comme produit. Google, lui, entre par la bande : WeatherNext 3 s'intègre nativement à BigQuery, Earth Engine et Google Maps Platform, une infrastructure cloud que de nombreux opérateurs énergétiques utilisent déjà pour d'autres usages. C'est la dynamique que l'économie des plateformes appelle la « commoditisation du complément » (à la suite de Joel Spolsky puis formalisée par la littérature sur les marchés bifaces d'Eisenmann, Parker et Van Alstyne) : rendre gratuit ou quasi gratuit un produit adjacent pour renforcer la rétention sur l'infrastructure qui, elle, génère la marge. Un fournisseur spécialisé de prévision ne peut pas répondre à cette stratégie en améliorant seulement sa précision — la bataille se déplace sur le terrain de la distribution, où il est structurellement désavantagé.

Pour les opérateurs énergétiques et O&G qui évaluent aujourd'hui leurs fournisseurs de prévision et d'aide à la décision, la question posée par WeatherNext 3 n'est donc pas seulement « quel modèle est le plus précis ? » mais « quel fournisseur possède la distribution qui rendra sa précision, même relative, la moins chère à consommer dans la durée ? ». Un écart de précision de quelques points peut être annulé par un écart de coût d'intégration bien plus large — c'est un arbitrage que la seule fiche technique ne permet pas de trancher.

Le pari de Google n'est donc pas seulement météorologique. C'est un pari sur le fait que la valeur croissante de l'information climatique dans un système électrique plus renouvelable et plus tendu justifie d'investir dans la précision — et que cette précision, distribuée par une infrastructure déjà captive, capture davantage de valeur qu'un produit de prévision vendu isolément. Blackwell donne la théorie ; la composition du mix électrique 2026 en donne, chiffres à l'appui, la mesure.