(LinkedIn: https://www.linkedin.com/pulse/from-operational-research-agi-ai-electric-utility-industry-marcoux-tlbge/)

Artificial intelligence in utilities has been evolving through complementary techniques such as operational research (OR), machine learning (ML), and, more recently, deep learning (DL), which is the foundation for today’s generative AI (GenAI) systems, like ChatGPT. While discussions about artificial general intelligence (AGI) remain largely speculative, the tools already available are transforming how utilities plan and operate.

I coded systems in the 1980s that, by today’s definitions, would qualify as OR and ML, when OR was already well established but ML was still in its infancy. That early experience does not make me an AI expert, especially today, but it gives me perspective on how technological waves rise, fade, and return in new forms. For utilities, too, the story of AI is less about sudden disruption and more about the gradual evolution of familiar analytical methods.

Operational research has underpinned power systems for generations. Think of t-c curves in substation breakers, under-frequency load shedding (UFLS), optimal power flow, hydro scheduling, outage coordination, logistics, and resource allocation. OR remains the bedrock of transmission operations and planning.

Machine learning was built on that foundation in the 1990s and 2000s. Utilities began using ML for forecasting: load, renewables, and even prices in deregulated markets. Fault detection, predictive maintenance of transformers and cables, and anomaly detection in both physical and cyber domains are all part of this wave.

Deep learning is now emerging and blending into GenAI applications. Drones with computer vision help with vegetation management and line inspections, while natural language processing supports call centres and outage reports. DL and GenAI are also increasingly used in data engineering tasks such as ETL (extract, transform, load) and data validation during IT or OT system upgrades. Large operation manuals running thousands of pages can be loaded into LLMs to provide simplified queries for field staff, reducing the need for extensive retraining. Major technology firms are releasing toolkits designed to assist with these tasks, such as Google’s AI agents for data teams. These tools can accelerate integration but still depend on strong data governance and domain expertise.

AGI is the theoretical next step. But utilities should not chase AGI for its own sake. The practical gains come from systems tailored to grid management, customer service, and asset health, concrete problems that demand explainable and regulator-ready solutions.

Many utilities have been reluctant to adopt even proven OR or ML applications. Preventive maintenance, for example, has often been skipped in favour of run-to-failure strategies. The hesitation is not purely technical: weak data governance, inadequate telecommunications, and cultural or regulatory conservatism have all contributed to slow uptake. Paradoxically, these same approaches are sometimes embraced more readily once rebranded under the banner of AI. Yet the true test for utilities is not technological; it is organizational, requiring management, governance, and training that match the pace of innovation.

There are also risks of errors, especially with generative AI (GenAI) and large language models (LLMs). These systems, built on deep learning, can generate text, code, or answers to queries, making them powerful tools for simplifying information access. However, I use GenAI systems myself for writing, and they can speed up the first 80% of the work, but they still make mistakes. That is acceptable for drafting texts reviewed by a knowledgeable human, but not for mission-critical systems where safety and reliability are paramount.

Data Challenges

A real constraint for utilities is not algorithms but data quality and management. Transmission networks are relatively well-instrumented, but distribution networks are messy: millions of dispersed assets, fragmented records, and legacy systems. As distributed energy resources (DERs) and smart meters multiply, the volume of data explodes. Governance, interoperability, and cybersecurity must come first. Poor data quality also limits AI training and model validation, making good data management a prerequisite for credible results. DL and GenAI tools can assist with data cleaning and integration, but only if strong frameworks are in place.

Workforce and Implementation Challenges

Utilities are reliability-driven and risk-averse, understandably so. But that culture makes adopting digital tools difficult. AI projects require hybrid skills: expertise in power systems and in AI models. Workforce retraining and AI literacy are essential. Change management is often the biggest barrier. Another obstacle is the limited willingness to experiment. Unlike technology firms that dedicate teams to test and iterate new tools, most utilities hesitate to invest in projects whose outcomes are uncertain, even when the learning value is high. Some tasks can indeed be simplified without much training; LLMs answering queries from massive technical manuals are a good example, but most require deeper integration into existing practices.

Regulators will also demand transparency. If AI is used for outage prioritization or rate optimization, the decisions must be explainable. Some approaches, such as OR and many ML models, are relatively transparent in how results are derived, while deep learning and LLMs often function as “black boxes”, making it harder to justify their outputs. Explainability matters not just for model quality but also for public trust, regulatory compliance, and the ability to audit decisions that affect reliability and customer outcomes. Blind faith in vendor promises of “AI magic” will not withstand regulatory or operational scrutiny. In fact, utilities often place more trust in the real-world experiences of peer utilities than in vendor marketing. Vendors that succeed will be those who act as patient knowledge bridges, bringing lessons and insights from other utilities worldwide on how AI has been deployed effectively, not just selling technology.

New Electricity Demand

AI is not just a solution; it also drives new electricity demand. Large AI data centres now consume electricity at levels comparable to an aluminum smelter. This rising load adds pressure on already constrained grids. There are also concerns about where the data is stored: if critical data is kept in foreign countries or may be required to be provided to foreign governments, questions of sovereignty, security, and regulatory compliance arise.

The Way Forward

The next stage for utilities is not about chasing AGI. It is about becoming AI-ready organizations by focusing on:

• Strengthening data governance and interoperability
• Managing IT/OT projects with discipline
• Building workforce skills in AI and data literacy
• Prioritizing explainability and regulator-ready solutions

AI will not replace the fundamentals of electricity, such as safety, reliability, and efficiency, but it can enhance them. The challenge is less about algorithms than about how utilities manage their data, infrastructure, and people. The utilities that master data and governance today will be the ones shaping how AI transforms the grid tomorrow.

(LinkedIn : https://www.linkedin.com/pulse/de-la-recherche-op%25C3%25A9rationnelle-%25C3%25A0-lagi-lia-dans-benoit-marcoux-vowue/)

L’intelligence artificielle dans les compagnies d’électricité évolue depuis des décennies à travers des techniques complémentaires, comme la recherche opérationnelle (Operational Research, OR), l’apprentissage automatique (Machine Learning, ML) et, plus récemment, l’apprentissage profond (Deep Learning, DL), qui constitue la base des systèmes actuels d’IA générative (GenAI), tels que ChatGPT. Bien que les discussions sur l’intelligence artificielle générale (AGI) restent largement spéculatives, les outils déjà disponibles transforment la manière dont les compagnies d’électricité planifient et exploitent leurs réseaux.

J’ai conçu des systèmes dans les années 1980 qui, selon les définitions actuelles, seraient considérés comme de la recherche opérationnelle et de l’apprentissage automatique, à une époque où la première était déjà bien établie, mais où le second en était encore à ses débuts. Cette expérience précoce ne fait pas de moi un expert en IA, surtout aujourd’hui, mais elle me donne une perspective sur la façon dont les vagues technologiques montent, retombent et reviennent sous de nouvelles formes. Pour les compagnies d’électricité aussi, l’histoire de l’IA relève moins d’une rupture soudaine que d’une évolution graduelle de méthodes analytiques bien connues.

La recherche opérationnelle soutient les systèmes électriques depuis des générations. Pensons aux courbes t?c des disjoncteurs de postes, au délestage de charge en cas de sous?fréquence (Under Frequency Load Shedding, UFLS), à l’optimisation des flux de puissance, à la planification hydroélectrique, à la coordination des arrêts, à la logistique et à l’allocation des ressources. L’OR demeure la base des opérations et de la planification du transport.

L’apprentissage automatique s’est appuyé sur cette base dans les années 1990 et 2000. Les compagnies d’électricité ont commencé à l’utiliser pour la prévision : charge, production renouvelable et même prix sur les marchés déréglementés. La détection de pannes, la maintenance prédictive des transformateurs et câbles, ainsi que la détection d’anomalies dans les domaines physique et cybernétique, font partie de cette vague.

L’apprentissage profond émerge aujourd’hui et se combine aux applications de GenIA. Les drones dotés de vision artificielle aident à la gestion de la végétation et à l’inspection des lignes, tandis que le traitement du langage naturel soutient les centres d’appels et les rapports de pannes. Le DL et la GenAI sont également de plus en plus utilisés pour des tâches d’ingénierie des données, comme les processus ETL (extraire, transformer, charger) et la validation de données lors de la modernisation des systèmes informatiques (TI) ou opérationnels (TO). Les manuels d’exploitation de plusieurs milliers de pages peuvent être intégrés à des modèles de langage (Large Language Models, LLM) afin de fournir des réponses simplifiées au personnel de terrain, réduisant ainsi le besoin de formation approfondie. De grandes entreprises technologiques publient des outils conçus pour aider à ces tâches, comme les agents d’IA de Google destinés aux équipes de données. Ces outils peuvent accélérer l’intégration, mais reposent toujours sur une gouvernance rigoureuse des données et une expertise métier solide.

L’AGI constitue l’étape théorique suivante. Cependant, les compagnies d’électricité ne devraient pas la poursuivre pour elle-même. Les gains pratiques proviennent de systèmes adaptés à la gestion du réseau, au service à la clientèle et à la santé des actifs — des problèmes concrets qui exigent des solutions explicables et conformes aux exigences réglementaires.

De nombreuses compagnies d’électricité ont hésité à adopter même des applications éprouvées d’OR ou de ML. La maintenance préventive, par exemple, a souvent été écartée au profit de stratégies d’exploitation jusqu’à la défaillance. Cette réticence n’est pas uniquement technique : une gouvernance des données faible, des télécommunications inadéquates et un conservatisme culturel ou réglementaire ont tous contribué à ce retard. Paradoxalement, ces mêmes approches sont parfois adoptées plus facilement lorsqu’elles sont présentées sous l’étiquette «?IA?». Le véritable défi pour les compagnies d’électricité n’est donc pas technologique, mais organisationnel, nécessitant une gestion, une gouvernance et une formation à la hauteur du rythme de l’innovation.

Les systèmes d’IA générative (GenAI) et les grands modèles de langage (LLM) comportent également des risques d’erreurs. Ces systèmes, fondés sur l’apprentissage profond, peuvent générer du texte, du code ou des réponses à des requêtes, ce qui en fait des outils puissants pour simplifier l’accès à l’information. Toutefois, je les utilise moi?même pour l’écriture, et s’ils accélèrent les 80 % initiaux du travail, ils font encore des erreurs. Cela peut convenir pour la rédaction de texte révisé par un humain averti, mais pas pour les systèmes essentiels à la mission, où la sécurité et la fiabilité priment.

Défis liés aux données

La principale contrainte pour les compagnies d’électricité ne réside pas dans les algorithmes, mais dans la qualité et la gestion des données. Les réseaux de transport sont relativement bien instrumentés, mais les réseaux de distribution sont complexes : millions d’actifs dispersés, dossiers fragmentés et systèmes hérités. À mesure que se multiplient les ressources énergétiques distribuées (Distributed Energy Resources, DER) et les compteurs intelligents, le volume de données explose. La gouvernance, l’interopérabilité et la cybersécurité doivent passer en premier. Une mauvaise qualité de données limite aussi l’entraînement et la validation des modèles d’IA, ce qui fait de la gestion des données une condition préalable à des résultats crédibles. Le DL et la GenAI peuvent contribuer à nettoyer et à intégrer ces données, mais seulement si des cadres solides sont en place.

Défis organisationnels et de mise en œuvre

Les compagnies d’électricité sont axées sur la fiabilité et la prudence, à juste titre. Mais cette culture rend l’adoption des outils numériques difficile. Les projets d’IA exigent des compétences hybrides : expertise en systèmes électriques et en modèles d’IA. La requalification et la culture numérique sont essentielles. La gestion du changement constitue souvent le principal obstacle. Un autre frein est la faible tolérance à l’expérimentation. Contrairement aux entreprises technologiques qui consacrent des équipes entières à tester et itérer de nouveaux outils, la plupart des compagnies d’électricité hésitent à investir dans des projets dont les résultats sont incertains, même lorsque la valeur d’apprentissage est élevée. Certaines tâches peuvent être simplifiées sans beaucoup de formation?; les LLM capables de répondre à des requêtes à partir de manuels techniques volumineux en sont un bon exemple, mais la plupart nécessitent une intégration plus profonde aux pratiques existantes.

Les organismes de réglementation exigeront également de la transparence. Si l’IA est utilisée pour prioriser les pannes ou optimiser les tarifs, les décisions devront être explicables. Certaines approches, comme l’OR et de nombreux modèles de ML, sont relativement transparentes dans leurs résultats, tandis que l’apprentissage profond et les LLM fonctionnent souvent comme des «?boîtes noires?», rendant la justification plus difficile. L’explicabilité est essentielle non seulement pour la qualité des modèles, mais aussi pour la confiance du public, la conformité réglementaire et la capacité d’auditer les décisions qui affectent la fiabilité et le service aux clients. La foi aveugle dans les promesses d’«?IA magique?» ne résistera pas à l’examen réglementaire ou opérationnel. En fait, les compagnies d’électricité font souvent davantage confiance à l’expérience réelle de leurs pairs qu’au marketing des fournisseurs. Les fournisseurs qui réussiront seront ceux qui agiront comme des ponts de connaissance patients, apportant les leçons et les perspectives d’autres compagnies d’électricité à travers le monde sur la façon dont l’IA a été déployée efficacement, plutôt que de simplement vendre de la technologie.

Nouvelle demande en électricité

L’IA n’est pas seulement une solution?; elle crée aussi une nouvelle demande d’électricité. Les grands centres de données d’IA consomment désormais de l’électricité à des niveaux comparables à ceux d’une aluminerie. Cette charge croissante accentue la pression sur des réseaux déjà sollicités. S’ajoutent les préoccupations quant à l’endroit où les données sont stockées : si des données critiques sont conservées à l’étranger ou susceptibles d’être partagées avec des gouvernements étrangers, des questions de souveraineté, de sécurité et de conformité réglementaire se posent.

La voie à suivre

La prochaine étape pour les compagnies d’électricité ne consiste pas à courir après l’AGI, mais à devenir de véritables organisations prêtes pour l’IA en se concentrant sur :

• le renforcement de la gouvernance et de l’interopérabilité des données?;
• la gestion rigoureuse des projets TI/TO?;
• le développement des compétences de la main?d’œuvre en IA et en culture des données?;
• la priorité donnée à l’explicabilité et à la conformité réglementaire.

L’IA ne remplacera pas les fondements de l’électricité, comme la sécurité, la fiabilité et l’efficacité, mais elle peut les renforcer. Le défi tient moins aux algorithmes qu’à la manière dont les compagnies d’électricité gèrent leurs données, leurs infrastructures et leurs équipes. Ceux qui maîtriseront la gouvernance et la qualité des données aujourd’hui seront ceux qui façonneront la manière dont l’IA transformera le réseau de demain.