Pourquoi l'IA énergie cale au dernier kilomètre : sept vérifications avant d'atteindre l'actif

Ce que nous observons dans les ateliers et sur les sites d'exploitation est constant : le modèle est rarement ce qui échoue. L'échec se produit au passage de relais entre l'équipe pilote et les personnes qui exploitent l'actif.

L'étude L.E.K. Consulting 2025 Global Energy Study, fondée sur plus de 300 dirigeants et plus de 25 entretiens, montre que 44 % des répondants du pétrole et du gaz (49 % des utilities) estiment que leur organisation réalise pleinement la valeur de l'IA aujourd'hui. À dix ans, les chiffres passent à 78 % et 83 %. Les opérateurs attendent la valeur, mais la plupart ne la captent pas encore.

La même étude montre où se situe l'adoption. Plus de la moitié des répondants du pétrole et du gaz utilisent l'IA pour la modélisation du sentiment de marché et l'analyse de performance, qui soutiennent le trading, la planification et l'ordonnancement. Les usages de terrain, comme le débitmétrage virtuel et l'optimisation du forage en temps réel, sont moins répandus. Les outils analytiques sont proches du bureau ; les outils de terrain sont proches de l'actif, où l'intégration est plus difficile.

Les freins cités par L.E.K. ne relèvent pas surtout des algorithmes : données limitées ou incohérentes, intégration incomplète aux flux de travail, lacunes de responsabilité et de supervision, absence de boucles de retour, difficulté à chiffrer le retour. Plus d'un quart des répondants jugent la mise en œuvre comme le goulot le plus net.

Un article de SPE Journal of Petroleum Technology signé Mohamed Alzaabi (7 août 2026) décrit le même dernier kilomètre. Les systèmes de production doivent tourner en continu sur des données incomplètes, sur de nombreux actifs, souvent sans l'équipe de développement d'origine. Les données sismiques, de diagraphie, SCADA, de forage et de maintenance n'ont souvent jamais été conçues pour fonctionner ensemble, et les ingénieurs expérimentés hésitent à s'appuyer sur des modèles qu'ils ne peuvent pas interroger.

Les compétences et la sécurité alourdissent la charge. L'article cite une enquête EPAM 2025 où 54 % des répondants estiment que leurs équipes manquent des compétences pour déployer l'IA générative, et 40 % du personnel en moyenne devra être formé sous 18 mois. Il cite aussi des données GETI/Airswift : les 45 ans et plus représentent 48 % des effectifs de l'énergie traditionnelle, contre 19 % pour les 25-34 ans, d'où l'enjeu du transfert de connaissances. Dans l'enquête DNV 2025 (375 répondants), 57 % disent que leurs défenses OT restent en retard sur l'IT.

Le mécanisme économique est simple. Un modèle se copie à coût marginal quasi nul ; un changement opérationnel, non. Chaque site ajoute intégration, formation, validation et cybersécurité. Les entreprises qui budgètent le modèle sans le passage de relais paient le pilote et ne captent jamais la valeur.

Par type d'acteur : les opérateurs doivent placer budget et responsabilité côté opérations ; les sociétés de services doivent vendre l'intégration et le support avec le produit ; les équipes données et IT doivent traiter la sécurité OT comme une contrainte de conception, pas comme un audit tardif.

Limites. L.E.K. rapporte des perceptions de dirigeants, pas des rendements mesurés, et l'article SPE est une synthèse d'expert. Les sept vérifications sont un filtre de praticien, pas une garantie, et certains pilotes doivent simplement être arrêtés.