Les retours de l'IA dans l'énergie sont une prévision, pas un résultat : jugez-les sur des lignes de P&L assumées

Deux enquêtes 2026 décrivent la même industrie et semblent se contredire. ADNOC, XRG et Microsoft (Powering Possible 2026, près de 400 dirigeants seniors de l'énergie et de la finance) rapportent que 89 % ont augmenté leurs dépenses d'IA sur l'année écoulée, que 63 % attendent des investissements existants qu'ils couvrent ou dépassent leurs coûts, et que 89 % l'attendent des investissements futurs. L'ENR Executive Survey de Bain (859 dirigeants du pétrole et gaz, des utilities, de la chimie, des mines et de l'agroalimentaire) constate que moins de 20 % déclarent déployer l'IA à l'échelle avec un impact mesurable.

Ma position : ces chiffres ne se contredisent pas, car ils ne mesurent pas la même chose. L'un mesure ce que les dirigeants attendent, l'autre ce qu'ils peuvent démontrer. En économie, une attente est peu coûteuse à énoncer et coûteuse à vérifier ; les 89 % sont une déclaration sur l'avenir.

Une lecture plausible, la mienne et non un résultat d'enquête : les répondants qui ont augmenté leurs dépenses n'ont guère intérêt à déclarer qu'elles ne seront pas rentables. Une prévision faite par celui qui a signé le budget n'est pas une preuve indépendante. Le signal utile est celui de Bain : près de la moitié citent des résultats flous ou un lien faible avec la valeur métier comme premier obstacle, devant les talents et les données.

Cet obstacle est un problème de mesure avant d'être un problème technologique. Sans référence de départ, il n'y a pas de retour à mesurer, et le retour attendu reste une attente indéfiniment. La question « l'IA est-elle rentable ? » est sans réponse pour une organisation qui n'a pas relevé temps de cycle, arrêts ou coût par baril avant le déploiement.

La nature de la valeur change aussi. Dans l'enquête ADNOC, XRG et Microsoft, la stabilité et la fiabilité de l'approvisionnement sont la contribution la plus citée à 39 %, contre 26 %, tandis que les économies de coûts reculent de 19 % à 13 %. La fiabilité est une valeur réelle, mais c'est une perte évitée : elle n'apparaît au compte de résultat que si quelqu'un a estimé à l'avance ce que coûte une heure d'arrêt non planifié pour l'actif concerné.

C'est faisable. Bain décrit un opérateur amont mondial qui a appliqué un diagnostic assisté par IA à un actif offshore mature et obtenu plus d'une douzaine d'initiatives de performance valant plus de 15 M$ par an, chacune avec calendrier, points de décision et responsables nommés. C'est un exemple rapporté, pas un résultat général, mais sa structure est l'essentiel : responsable, calendrier, décision.

Pour les opérateurs, l'implication est de financer les cas d'usage sur une référence mesurée plutôt que sur un retour attendu. Pour les prestataires et éditeurs, c'est de vendre face à la référence du client, car un acheteur qui sait mesurer comparera. Pour les directeurs financiers, c'est de traiter un retour « attendu » comme une hypothèse avec une date de revue.

Les contre-arguments comptent. D'abord, les échantillons diffèrent (dirigeants de l'énergie et de la finance contre un ensemble ENR plus large) : l'écart est indicatif, pas une tendance mesurée. Ensuite, les deux sources ont des intérêts : un rapport est co-signé par un opérateur et un éditeur technologique, l'autre par un cabinet qui vend de la transformation. Enfin, une partie de la valeur IA est différée, et exiger une ligne de P&L au troisième mois peut tuer des options à retour plus lointain. La réponse : suivre des indicateurs avancés en plus du P&L et garder un petit budget d'options explicite.

Conclusion pour un comité de direction : la question n'est pas de savoir si l'énergie bénéficiera de l'IA, mais lesquels de vos projets peuvent le prouver. Donnez à chacun un responsable et une référence, et laissez la mesure, pas l'enquête, décider du prochain euro.