Google WeatherNext 3 pousse les prévisions météorologiques de l’IA sur les marchés de l’énergie

Le dernier modèle de prévision météorologique IA de Google prédit la vitesse du vent à 100 mètres au-dessus du sol, soit à peu près la hauteur d’une éolienne moderne. Il prévoit également la couverture nuageuse et la quantité de lumière solaire atteignant la surface, et il est mis à jour toutes les heures. Les négociants en énergie, les gestionnaires de réseaux et les développeurs éoliens et solaires paient déjà d’autres entreprises pour ces données. L’introduction de WeatherNext 3 place désormais Google sur son marché.

Google DeepMind et Google Research ont publié le modèle le 3 septembre. Il produit toutes les heures une prévision mondiale avec une résolution allant jusqu’à cinq kilomètres pour des variables de surface telles que la température et l’humidité. La version précédente, WeatherNext 2, fonctionnait sur une grille de 25 kilomètres et était actualisée toutes les six heures. Google affirme que les nouvelles variables énergétiques sont destinées à aider les opérateurs de réseau et les développeurs à prédire la quantité d’énergie que leurs actifs éoliens et solaires produiront, puis à la comparer à la demande.

L’aspect consommateur du lancement a retenu le plus l’attention. WeatherNext 3 alimente désormais les résultats météorologiques dans la recherche Google, l’application Gemini, Google Maps et l’API météo de Google Maps Platform. Derrière cela se cache une couche d’entreprise qui compte davantage sur le plan commercial. Les mêmes données de prévision peuvent être interrogées dans BigQuery et Earth Engine ou téléchargées en masse depuis Google Cloud Storage, sans aucune configuration de modèle requise par le client.

Pourquoi le secteur de l’énergie achète les prévisions météorologiques basées sur l’IA

Les opérateurs de réseau gèrent un système devenu plus difficile à prévoir aux deux extrémités. Du côté de la production, les énergies renouvelables représentent désormais la majeure partie des nouvelles capacités. L’US Grid Outlook 2026 de S&P Global Market Intelligence prévoit que l’énergie solaire et le stockage d’énergie seront les principales sources de nouvelle capacité cette année, à 51,2 GW et 25,7 GW respectivement sur plus de 90 GW d’ajouts prévus.

L’énergie solaire et éolienne sont générées en fonction des conditions météorologiques plutôt que de la demande, de sorte que chaque gigawatt ajouté rend les prévisions à court terme plus précises.

Côté consommation, la nouvelle charge vient de l’IA. S&P Global identifie la propagation des centres de données à travers l’Amérique du Nord comme l’un des principaux facteurs de la récente augmentation de la demande d’électricité, obligeant les services publics à réviser à la hausse leurs prévisions de charge. Les perspectives du secteur de l’énergie et des services publics pour 2026 de Deloitte prévoient que la demande de pointe augmentera d’environ 26 % d’ici 2035, la demande des centres de données pouvant à elle seule atteindre 176 GW, soit cinq fois son niveau de 2024.

Le coût d’une mauvaise prévision est simple. Si un opérateur sous-estime la quantité d’énergie éolienne qui arrivera, il doit acheter de l’électricité de remplacement dans de brefs délais, généralement auprès de centrales à gaz maintenues en veille, ce qui coûte cher. S’il surestime, les parcs éoliens et solaires finissent par être payés pour s’éteindre parce que le réseau ne peut pas absorber ce qu’ils produisent. Les deux résultats sont coûteux et tous deux annoncent des échecs.

Le marché sur lequel Google entre

Vendre des prévisions météorologiques au secteur de l’énergie est une activité bien établie. Vaisala, Solcast, WindGEMINI de DNV et HyperWatch d’IBM y participent tous. Il en va de même pour Jua, une entreprise suisse qui affirme que son modèle EPT-2 bat le précédent GraphCast de Microsoft Aurora et DeepMind en termes de précision tout en mettant à jour 24 fois par jour, contre ce qu’elle décrit comme quatre mises à jour par jour typiques chez ses concurrents.

L’avantage de Google est la portée. La même prévision apparaît sous forme de tableau dans BigQuery, de couche dans Earth Engine, d’API dans Google Maps Platform et de réponse par défaut dans la recherche Google. Aucun fournisseur spécialisé n’a une telle diffusion, et l’actualisation horaire comble l’écart de fréquence de mise à jour que ces fournisseurs ont utilisé pour se différencier.

Il reste aux titulaires un argument technique. La position publiée par Jua est que les modèles basés sur la physique tels que le HRES du CEPMMT surpassent toujours les modèles d’IA purement basés sur les données lors de conditions météorologiques extrêmes record, car les modèles physiques codent des règles sur la façon dont l’énergie et la masse se déplacent dans l’atmosphère, tandis que les modèles d’IA apprennent des modèles à partir de données passées.

Jua vend un produit soumis à des contraintes physiques, cette affirmation sert donc ses propres intérêts. Il décrit également les conditions qui inquiètent le plus les opérateurs de réseau, lorsqu’une tempête tombe en dehors de tout ce que le modèle a vu lors de la formation.

Qu’est-ce qui est nouveau et qu’est-ce qui est survendu

L’architecture derrière WeatherNext 3 est qu’il apprend à partir d’observations réelles plutôt que de simulations. La plupart des modèles météorologiques d’IA, WeatherNext 2 inclus, sont formés à partir des résultats de modèles de prévision météorologique numérique, qui sont des simulations physiques pilotées par des superordinateurs avec un décalage de données de six heures. Ce décalage peut introduire un biais dans des variables à évolution rapide telles que la pluie et la température de surface. WeatherNext 3 ingère des images satellite géostationnaires en direct et s’entraîne directement sur les relevés de stations météorologiques individuelles.

Le changement est réel, bien que plus limité que ce que la plupart des couvertures médiatiques suggèrent. Le diagramme système de Google montre le modèle prenant en compte des mosaïques satellites d’une heure parallèlement à l’analyse historique traditionnelle. Ilan Price, chercheur principal chez DeepMind, a déclaré Bloomberg le gain vient du fait de ne pas attendre la prochaine analyse et d’utiliser à la place les informations disponibles les plus récentes.

Les rapports estiment le décalage de données restant à trois ou quatre heures, contre environ sept heures. La dépendance à l’égard des prévisions météorologiques numériques a été réduite, et non supprimée.

Les chiffres de précision nécessitent le même soin. Google rapporte des améliorations allant jusqu’à 60 % par rapport au produit satellite IMERG de la NASA, 30 % par rapport au radar MRMS et 10 % par rapport aux lectures des pluviomètres dans les premiers délais, mesurées à l’aide d’une méthode de notation standard pour les prévisions de probabilité. Il s’agit de trois niveaux de référence distincts, et les pourcentages ne s’additionnent pas. L’affirmation largement répétée d’une prévision des précipitations 50 % meilleure s’applique spécifiquement aux prévisions un jour ou plus à l’avance. Chaque chiffre porte un qualificatif « jusqu’à », ce qui fait de chacun un meilleur cas plutôt qu’un résultat typique.

Google n’a publié aucune validation tierce indépendante parallèlement au lancement. Il souligne plutôt les évaluations en direct de Brightband, dont il cite le classement en affirmant que WeatherNext 3 est le modèle météorologique mondial le plus précis à ce jour. Un service public qui envisage d’abandonner un spécialiste rémunéré se souciera davantage de la performance sur son propre territoire de service, de ses propres actifs, que d’une position dans le classement mondial.

La propre participation de Google dans le problème

Google vend des outils de prévision pour résoudre un problème de réseau que sa propre industrie a contribué à créer. La construction de centres de données, à l’origine de la croissance de la charge que les services publics ont du mal à desservir, est dirigée par les hyperscalers, parmi lesquels Google, et Google a signé des accords d’approvisionnement en énergies renouvelables de plusieurs gigawatts pour approvisionner ses propres installations.

Une prévision précise de la production éolienne et solaire est directement utile à une entreprise qui associe de grands volumes d’énergie propre à une charge à la fois croissante et variable. C’est une logique commerciale, et cela explique en partie pourquoi les variables énergétiques fournies dans cette version.

Google n’a pas publié les tarifs d’accès des entreprises à WeatherNext 3, ni indiqué si les données BigQuery et Earth Engine comportent des frais de requête Cloud standard ou une licence distincte. Les services publics qui envisagent de s’éloigner d’un spécialiste rémunéré voudront ce chiffre avant d’évaluer toute réclamation en matière d’exactitude.

En 2025, plus de 65 000 collaborateurs de sa banque de financement et d’investissement utilisaient activement la plateforme, tandis que plus de 90 % de ses ingénieurs utilisaient des assistants de codage IA.

La banque a également déclaré que le contrôle des transactions basé sur l’IA lui avait permis d’examiner plus de deux fois le volume de transactions précédent tout en réduisant de moitié les contrôles manuels des opérateurs.

Bank of America utilise un système génératif basé sur l’IA appelé EricaAssist avec plus de 18 000 employés du service client. L’outil résume la raison pour laquelle un client appelle, récupère les informations pertinentes et recommande les prochaines étapes possibles tout en gardant l’employé responsable de l’interaction.

Bank of America a déclaré en juillet 2026 qu’EricaAssist pouvait fournir des conseils contextuels en moins de trois secondes et avait réduit la durée moyenne des appels de près d’une minute. La banque prévoit d’étendre le système à d’autres scénarios de services et secteurs d’activité plus tard en 2026.

(Photo de Google)