Un working paper d’économistes français, dont le récent lauréat du prix Nobel Philippe Aghion, examine les économies générées par un modèle prédictif d’apprentissage automatique appliqué au traitement des eaux usées. L’étude analyse un système spécialisé de contrôle de l’aération par IA déployé dans des stations d’épuration françaises exploitées par un leader mondial des services d’approvisionnement en eau.

L’aération — le processus consistant à injecter de l’air dans les eaux usées pour soutenir les micro-organismes qui dégradent la matière organique — est généralement le principal consommateur d’électricité dans les stations à boues activées, représentant fréquemment 40 à 60 % de la consommation énergétique totale d’une installation. L’optimisation de cette étape est depuis longtemps une cible d’amélioration de l’efficacité, mais les systèmes de contrôle conventionnels reposent sur des programmes fixes ou des ajustements manuels, incapables de réagir en temps réel aux variations des volumes entrants, des charges polluantes et des conditions météorologiques.

En exploitant une variation quasi expérimentale à la fois dans le calendrier d’adoption et dans les pannes du système, les chercheurs estiment l’impact causal de l’IA sur la consommation d’électricité, les émissions de carbone et les dépenses énergétiques. Selon l’étude, un contrôle par IA en fonctionnement continu réduit la consommation d’électricité des installations de 5,4 % et les émissions de carbone de 6 %, tout en diminuant les dépenses énergétiques de 8,2 %. Ces réductions se traduisent, selon les auteurs, par des coûts d’abattement négatifs, ce qui signifie que le système s’amortit grâce aux économies d’énergie tout en améliorant simultanément la qualité des effluents.

L’étude indique que la demande supplémentaire d’électricité générée par les modèles d’IA eux-mêmes représente moins de 1 % des économies réalisées. Il est important de noter que ce chiffre n’est pas une contrepartie comparable en points de pourcentage aux baisses de 5,4 %, 6 % et 8,2 % mentionnées ci-dessus ; il signifie plutôt que la propre consommation électrique du système d’IA est négligeable par rapport aux économies qu’il produit.

Au-delà des gains directs d’efficacité, l’étude montre que les installations équipées d’IA résistent mieux à un niveau élevé de contrainte opérationnelle lors d’événements météorologiques extrêmes et de pics de polluants chimiques. Les systèmes améliorent également la gestion de charge en déplaçant la consommation d’électricité des heures de pointe vers les heures creuses — une capacité qui répond au besoin croissant de flexibilité côté demande des opérateurs de réseau, alors que les énergies renouvelables intermittentes prennent une part plus importante de la production d’électricité.

Pour évaluer les implications plus larges, les auteurs utilisent le modèle DICE (Dynamic Integrated Climate-Economy) — le cadre d’évaluation intégrée développé par le lauréat du prix Nobel 2018 William Nordhaus, qui relie l’activité économique aux შედეგats climatiques — selon trois scénarios de diffusion. Ils concluent que les réductions de CO2 associées à ce cas d’usage industriel de l’IA procurent d’importants gains de bien-être mondial.

Le document intégral est disponible auprès du National Bureau of Economic Research (NBER).

En commentant l’étude sur Marginal Revolution, l’auteur du blog note que les chercheurs présentent leurs résultats comme un contrepoint aux inquiétudes concernant la consommation d’énergie et l’impact environnemental de l’IA. L’auteur qualifie ces objections de « presque entièrement ignorantes des ordres de grandeur et prétextuelles » et estime que présenter l’étude comme une réfutation leur confère une crédibilité qu’elles ne méritent pas. Il ajoute que l’effet plus large de l’IA passera par de nombreuses améliorations incrémentales de cette nature dans un large éventail de secteurs.