IA dans les services publics: principaux 25 cas d'usage et 48 études de cas
Les outils d’IA pour les services publics utilisent des données de capteurs, de compteurs et d’images en temps réel pour prévoir la demande, automatiser les inspections, optimiser la distribution et améliorer le service client.
Découvrez 20 outils et 25 cas d'usage réels et spécifiques de l'IA dans les services publics :
Ce graphique s'appuie sur les 47 études de cas d'IA dans les services publics que nous avons compilées et regroupées selon leur cas d'usage principal :
- Réseau et énergie : recharge des VE et flexibilité, prévision de la demande, simulation du réseau, surveillance du réseau et jumeaux numériques
- Client et CRM : centres de contact assistés par l'IA, coordination des équipes de terrain, aperçus commerciaux, et énergie personnalisée
- Back-office : facturation du compteur à l'encaissement et automatisation des processus low-code
- Actifs et environnement : détection des feux de forêt, inspection des actifs, sécurité des sous-stations, qualité de l'eau, tri des déchets et sécurité des flottes
- Données et connaissances : assistants IA internes, plateformes de données des services publics
- Télécom : automatisation du réseau, optimisation du réseau, découpage du réseau et gestion du trafic de données
Consultez la liste complète des études de cas pour les sources et les détails.
L'IA dans les services publics : énergie
1. Opérations autonomes dans les centrales électriques
L'IA analyse les données des caméras et des capteurs en temps réel pour repérer les fuites et autres dangers, de sorte que moins d'inspections nécessitent la présence d'une personne sur site.
Exemple concret pour les centrales électriques
Duke Energy, qui vise zéro émission nette de méthane d'ici 2030, avait besoin d'un meilleur moyen de détecter les fuites dans ses gazoducs de gaz naturel. Avec Microsoft et Accenture, elle a construit une plateforme sur Azure et Dynamics 365 qui combine données satellitaires, capteurs au sol et IA pour détecter les fuites et envoyer les équipes de réparation.
- Les tableaux de bord classent les fuites par priorité de réparation
- La géolocalisation précise envoie les équipes au point exact de la fuite
- La plateforme peut être étendue à d'autres sources d'émissions. 1
2. Prévision de la demande énergétique
Les services publics achètent et distribuent de l'énergie et de l'eau en fonction de la demande prévue, de sorte que les erreurs de prévision entraînent directement des coûts plus élevés. Les modèles d'IA combinent météo, comportement des clients et prix du marché pour :
- Prévoir la demande et planifier l'approvisionnement
- Prédire la production éolienne et solaire et l'équilibrer avec d'autres sources
- Fixer les prix à l'aide de données historiques et des mouvements attendus des concurrents
- Alerter les clients sur les périodes de pointe afin qu'ils déplacent leur consommation.
Exemple concret pour la prévision de la demande énergétique
Plenitude, société de vente d'énergie et d'énergies renouvelables d'Eni, utilise Databricks pour prévoir la demande énergétique des clients et la production de ses parcs éoliens et solaires, ainsi que pour regrouper les clients selon leurs besoins probables.
- Jusqu'à 60 cas d'usage en production
- Jusqu'à 500 rapports et tableaux de bord fonctionnant sur la plateforme.2
3. Prosommation d'énergie
Les prosommateurs sont des clients qui produisent également de l'énergie, par exemple grâce à des panneaux solaires sur leur toit. L'IA décide quand ils doivent utiliser, stocker ou revendre cette énergie au réseau.
- Planifie l'utilisation et le stockage en fonction des pics de consommation et de la météo
- Vend ou partage l'électricité excédentaire avec le réseau local.
4. Jumeaux numériques industriels pour la production d'électricité
Un jumeau numérique est une copie virtuelle d'une centrale ou d'un réseau alimentée par des données en direct. Les opérateurs l'utilisent pour tester des modifications et prédire des défauts tels que la corrosion avant qu'ils ne provoquent des pannes.
Exemple concret pour les jumeaux numériques industriels
Google DeepMind a entraîné un réseau de neurones pour prévoir la production des parcs éoliens, ce qui a augmenté la valeur de cette énergie éolienne d'environ 20 %.4
Exemple concret pour la production d'électricité
AcegasApsAmga, un gestionnaire de réseau de distribution italien, a commencé à construire un jumeau numérique du réseau moyenne et basse tension de Trieste avec Gridscale X de Siemens. Le jumeau peut simuler, surveiller et gérer les flux d'énergie en temps réel pour maintenir la stabilité de l'électricité destinée aux navires branchés au port de Trieste.5
5. Simulation du réseau électrique
La simulation du réseau modélise les flux d'électricité, afin que les gestionnaires de réseau puissent planifier les coupures et tester la capacité du réseau à intégrer davantage d'énergies renouvelables avant d'apporter des modifications.
Exemple concret pour la simulation du réseau électrique
ElektroDistribucija Srbije (EDS), le gestionnaire du réseau de distribution serbe, a mis en place EcoStruxure ADMS et EcoStruxure DERMS de Schneider Electric pour numériser l'exploitation du réseau et moderniser son réseau électrique historique afin de soutenir l'intégration des énergies renouvelables. 6
Résultats :
- 10–15 % de réduction des pertes réseau
- ~20 % de réduction des coupures.
6. Les maisons intelligentes comme pôles énergétiques
Les systèmes de maison intelligente basés sur l'IA aident les propriétaires à surveiller et ajuster leur consommation d'énergie, réduisant les coûts et minimisant la demande sur le réseau grâce à une meilleure gestion de la charge.
7. Compteurs intelligents pour les flux d'électricité en temps réel
Les systèmes de maison intelligente suivent la consommation d'énergie des appareils et déplacent les charges telles que le chauffage et la recharge des VE vers les heures creuses moins chères.
Exemple concret pour les compteurs intelligents
SMUD, qui dessert 1.5 million de personnes, ne pouvait pas voir la recharge des VE derrière ses compteurs et s'appuyait sur les données du DMV pour suivre l'adoption des VE. L'entreprise a testé l'application d'IA de NET2GRID, qui s'exécute dans les compteurs intelligents Itron et détecte les sessions de recharge en temps réel.
- Détection de la recharge des VE dans 97 % des foyers équipés de VE (387 sur 840 foyers)
- 87 % détecté dans les 7 jours, contre plus de 3 mois pour les outils précédents
- Les données prennent désormais en charge la protection des transformateurs et la réponse à la demande8
8. Recharge de VE gérée par l'IA
Un quartier de véhicules électriques (VE) peut facilement surcharger le réseau local, mais l'IA peut optimiser les horaires de recharge en déplaçant la consommation vers les heures creuses et en prélevant la puissance des batteries pendant la demande de pointe. Regroupées, ces voitures forment une centrale électrique virtuelle (VPP) : une flotte que le logiciel commande comme une source d'énergie unique.
Exemple concret pour la recharge de VE gérée par l'IA
ChargeScape, une coentreprise de BMW, Ford, Honda et Nissan, agrège des VE en une centrale électrique virtuelle pour plus d'une douzaine de services publics américains, en utilisant une gestion de la charge pilotée par l'IA pour déplacer la recharge et restituer l'énergie stockée pendant les événements de pointe du réseau.
- Chaque véhicule fournit environ 5 kW de réduction de demande de recharge gérée et jusqu'à environ 20 kW d'exportation via la recharge bidirectionnelle (V2G).9
- L'agrégateur EnergyHub a réduit les pics de recharge des VE jusqu'à 50 % grâce à l'optimisation de la distribution par l'IA, déplaçant 38.3k+ MWh de charge sur sa flotte VPP en 202510
NV Energy a utilisé la détection de VE basée sur l'IA de Bidgely sur les données des compteurs intelligents pour identifier les propriétaires de VE qui rechargent pendant les heures de pointe. Parmi 20 241 clients, l'IA a identifié 419 utilisateurs de VE et les a réduits à 103 clients à forte valeur responsables de 63 % du potentiel de déplacement de charge.
- 3x de déplacement de charge par voiture supérieur à la population moyenne
- environ 1 kW par voiture sur plus de 20 événements de recharge gérée, contre 0.2–0.3 kW typiquement dans le secteur.11
L'IA dans les services publics : déchets, eau et feux de forêt
9. Gestion des déchets
L'IA suit les types et volumes de déchets, prédit le remplissage des bacs et utilise la vision par ordinateur pour trier les matières recyclables. Les collecteurs utilisent ces prévisions pour planifier les tournées de ramassage.
Exemple concret pour la gestion des déchets
Les installations de récupération des matériaux (MRF) peinent face aux déchets monoflux contaminés : moins de la moitié des matériaux entrants sont généralement récupérés et le tri manuel est lent, dangereux et difficile à pourvoir en personnel. Bryson Recycling et d'autres MRF européens ont déployé Recycleye Vision et Recycleye Robotics, qui utilisent la vision par ordinateur et l'apprentissage profond pour identifier et ramasser robotiquement les matières recyclables dans des flux mixtes, avec pour résultats :
- Augmentation de la pureté de sortie sur une ligne d'aluminium de 8 % et de la valeur marchande de sortie d'environ 20 %
- Augmentation de la pureté sur une ligne de fibres de 12 %
- Jusqu'à 33 000 ramassages robotisés sur un poste de 10 heures, soit environ le double de la vitesse du tri manuel.12
10.Surveillance de la qualité de l'eau
L'IA peut améliorer la surveillance de la qualité de l'eau en analysant le débit de l'eau et en détectant les contaminants en temps réel. Des capteurs compatibles IA déployés dans les réseaux d'eau identifient les bactéries et particules nocives, permettant des réponses plus rapides aux risques sanitaires potentiels.
- Surveille la qualité de l'eau en continu, en détectant les contaminants en temps réel.
- Améliore la transparence et le contrôle des réseaux d'approvisionnement en eau.
- Permet des actions rapides en réponse aux risques sanitaires.
Exemple concret pour la surveillance de la qualité de l'eau
Le service des eaux de Phoenix utilise les capteurs d'égouts alimentés par l'IA de Kando pour surveiller la qualité des eaux usées en temps réel. Le système signale les changements brusques de pH et de température causés par les déversements illégaux, afin que l'équipe puisse trouver la source et isoler les polluants avant qu'ils n'atteignent la station d'épuration.
- 16 capteurs installés sur le réseau d'égouts lors du projet pilote initial
- Alertes automatisées et tableau de bord des points chauds de déversement
- Soutient les objectifs de réutilisation des eaux de la ville.14
11. Détection et prévention des risques de feux de forêt
Des caméras de vision par ordinateur scrutent les panaches de fumée, tandis que des modèles ML classent les circuits selon le risque d'incendie à l'aide de la météo, de l'humidité du combustible et des données sur la végétation.
Exemple concret pour la détection des risques de feux de forêt
Pacific Gas & Electric (PG&E), confronté à une exposition sévère aux feux de forêt sur son territoire californien, a déployé plus de 630 caméras de détection alimentées par l'IA de Pano IA et des modèles d'intelligence sur la végétation d'Overstory afin de repérer précocement les départs de feu sur environ 90 % de son territoire à haut risque d'incendie. L'entreprise a signalé une baisse de près de 50 % des départs de feu pour lesquels la végétation était soupçonnée en 2025 par rapport à l'année précédente.15
Cas d'usage transversaux de l'IA dans les services publics
12. Maintenance automatisée des actifs
Les services publics inspectent de longs réseaux de lignes, de poteaux et de canalisations, et les défauts non détectés entraînent des pannes et des incendies. L'IA analyse l'imagerie aérienne, le LiDAR, les données de drones et de satellites pour identifier les problèmes d'équipement ou les risques liés à la végétation susceptibles d'endommager les infrastructures.
Exemple concret pour la maintenance automatisée des actifs
Exelon, une grande entreprise énergétique, cherchait à améliorer son processus de maintenance et d'inspection du réseau. En utilisant les outils d'IA de NVIDIA pour les inspections par drone, Exelon a renforcé ses capacités de détection des défauts, en créant des exemples étiquetés pour une évaluation en temps réel.
Cette approche pilotée par l'IA a amélioré la précision de la maintenance, minimisé les émissions et accru la fiabilité du réseau électrique.
- Meilleure détection des défauts du réseau grâce à des inspections par drone pilotées par l'IA
- Efficacité de la maintenance et fiabilité du réseau accrues
- Réduction des émissions grâce à des processus d'inspection optimisés.16
13. Centres de contact assistés par l'IA et automatisation de l'expérience client
Les plateformes de facturation et de service client héritées obligent les conseillers des services publics à basculer entre des systèmes déconnectés, ce qui entraîne des taux d'erreur de facturation élevés et des résolutions retardées. Avec les données clients unifiées dans un seul CRM, les agents IA peuvent répondre aux questions courantes sur le web, le mobile et l'e-mail, et les conseillers humains reçoivent automatiquement des résumés d'appels.
Exemple concret pour l'automatisation complète de la plateforme et de la facturation
Regional Water Authority (RWA) a remplacé les systèmes hérités par Microsoft Dynamics 365 et Copilot Studio pour l'assistance aux agents, la transcription des appels et la facturation en libre-service.
- 14 000 erreurs de facturation éliminées
- 10 heures gagnées par semaine par employé du service client
- Délai d'identification des déconnexions ramené de 30 heures à 7 heures par semaine.17
Exemple concret pour les agents IA mobiles autonomes
ENGIE Belgium a déployé Salesforce Agentforce dans son application mobile pour expliquer les tarifs, analyser la consommation et automatiser la recharge intelligente des VE via des APIs.
- 71 % de résolution autonome des cas sur plus de 1 500 conversations quotidiennes
- 83 % de précision des réponses à travers les demandes des clients.18
Exemple concret pour les réponses e-mail par IA générative
Octopus Energy utilise l'IA générative pour rédiger des réponses par e-mail aux clients. Ces réponses ont obtenu un score de satisfaction client de 80 %, dépassant de 15 % les e-mails rédigés par le personnel.19
14. Optimisation de la flotte des camions de services publics
L'IA planifie les tournées des camions et surveille le comportement des conducteurs au sein des grandes flottes de services publics. Lors des pannes et des tempêtes, elle redirige les équipes pour réduire le temps de trajet et rétablir le service plus rapidement. Les caméras embarquées avec vision par ordinateur signalent également la conduite distraite ou risquée, ce qui est important pour les flottes qui travaillent de longues heures par mauvais temps.
Exemple concret pour l'optimisation de la flotte
Xylem Kendall, une entreprise de gestion de la végétation exploitant plus de 5 500 actifs de flotte, faisait face à des problèmes de sécurité liés à la conduite distraite, que les données reliaient directement à l'utilisation du téléphone portable.
Pour résoudre ce problème, ils ont déployé la télématique et les caméras embarquées Motive IA pour suivre les scores de sécurité et installé des supports téléphoniques hands-free dans tout le pays, obtenant les résultats suivants :
- 5 % d'amélioration des scores globaux de sécurité des conducteurs
- Alertes dans la cabine lorsqu'un conducteur est distrait
- Les superviseurs utilisent les images des caméras pour un coaching ciblé.20
15. Sécurité et sûreté des sous-stations
L'analyse vidéo dans les sous-stations détecte les intrus et vérifie que les travailleurs respectent les règles de sécurité.
Exemple concret pour la sécurité et la sûreté des sous-stations
Les services publics d'électricité américains font face à une forte hausse des attaques physiques et des vols de cuivre dans les sous-stations, ce qui accentue la pression pour se conformer aux exigences de sécurité physique NERC CIP-014. Les alarmes périmétriques classiques aggravent la situation en submergeant les opérateurs de déclenchements intempestifs. Par exemple, une grande sous-station peut générer 50 à 200 alarmes périmétriques par poste, dont plus de 95 % sont des déclenchements nuisibles causés par la faune, le vent ou les véhicules de patrouille.
Plusieurs services publics installent des analyses vidéo par IA avec fusion de capteurs sur les caméras existantes pour :
- Classer ce qui a déclenché une alarme (personne, véhicule, animal), réduisant les alertes nuisibles qui provoquent la fatigue des opérateurs
- Fusionner les capteurs thermiques et visuels afin qu'un second capteur doive confirmer avant qu'une alerte ne soit escaladée, réduisant les interventions inutiles
- Utiliser le même matériel thermique et visuel pour la détection précoce des anomalies de température des équipements
- Permettre une surveillance à distance en temps réel et une coordination plus rapide avec les forces de l'ordre pendant un incident.21
16. Assistants IA internes pour le lieu de travail et la connaissance
Le personnel des services publics cherche chaque jour dans de longs manuels, des procédures de sécurité et des politiques RH. Les assistants IA internes répondent à ces questions dans une fenêtre de chat.
Exemple concret pour les assistants virtuels
Ontario Power Generation (OPG) a collaboré avec Microsoft pour lancer ChatOPG, un assistant virtuel interne propulsé par l'IA conçu pour donner aux employés un accès rapide aux informations opérationnelles et au soutien administratif. 22
L'IA dans les services publics : télécom
17. Opérations réseau zero-touch
Dans les opérations zero-touch, l'IA surveille, répare et ajuste le réseau sans intervention humaine.
Exemples concrets pour les opérations réseau
L'opérateur danois TDC NET utilise la gestion prédictive de l'énergie des cellules d'Ericsson, un système d'IA qui prédit le trafic et ajuste automatiquement la consommation d'énergie du réseau radio sans intervention humaine. D'ici 2025, l'entreprise est devenue le premier déploiement mondial vérifié au niveau 4 d'autonomie du réseau, le deuxième niveau le plus élevé de l'échelle du TM Forum pour les réseaux auto-gérés, en obtenant 5 % d'énergie en moins nécessaire par Go de données transmises.23
18. Optimisation et gestion du réseau
Le logiciel de réseau auto-organisé (SON) ajuste automatiquement les paramètres radio à mesure que le trafic évolue.
Exemple concret pour l'optimisation du réseau
L'opérateur saoudien stc a déployé le MantaRay Cognitive SON alimenté par l'IA de Nokia dans son réseau commercial afin d'optimiser automatiquement le réseau radio pendant le pèlerinage du Hajj, l'un des pics de trafic les plus extrêmes au monde.
- Plus de 10 000 actions d'optimisation réalisées sans intervention humaine
- Connectivité stable maintenue malgré une augmentation du trafic de 40 %.24
19. 5G découpage du réseau
Le découpage du réseau divise un réseau 5G en réseaux virtuels, chacun avec sa propre vitesse et latence garanties. L'IA ajuste chaque tranche à mesure que la demande évolue.
Exemple concret pour le découpage du réseau
Nokia et AWS ont lancé le découpage de réseau 5G piloté par l'IA, que du (EAU) et Orange testent dans leurs réseaux en direct. Les agents IA suivent les performances du réseau ainsi que des données externes telles que les événements, le trafic et les cartes, et ajustent automatiquement chaque tranche de réseau pour maintenir son niveau de service garanti.
- Les tranches de réseau s'adaptent automatiquement à la demande du monde réel
- Les cas d'usage incluent de la capacité supplémentaire à la demande et de la capacité réservée pour les grands événements.25
20. Gestion du trafic de données
L'IA attribue la bande passante en fonction de la demande en direct, afin que les débits restent bons pendant les heures de pointe.
Exemple concret pour la gestion du trafic de données
Optus a testé l'adaptation de liaison native IA d'Ericsson, qui remplace les règles fixes par des décisions d'IA en temps réel sur la manière dont les données sont envoyées sur la liaison radio, afin d'améliorer les vitesses de téléchargement 5G lorsque le signal est faible.
- Plus de 20 % de débit supplémentaire par cellule dans des conditions de signal moyennes à mauvaises
- Aucun matériel ou spectre supplémentaire nécessaire.26
L'IA dans les services publics : flux CRM et service client
Les agents IA et copilotes intégrés à la gestion de la relation client (CRM) résolvent les demandes courantes, summarize les interactions pour les agents humains et coordonnent le travail sur le terrain.
21. Optimisation de la force de terrain pilotée par l'IA et coordination des visites aux résidents
Lorsque la planification et les messages aux clients fonctionnent sur des systèmes séparés, les techniciens suivent des tournées inefficaces et arrivent chez des personnes absentes. Les plateformes de service sur le terrain planifient les envois et envoient des rappels aux résidents afin que les visites puissent avoir lieu.
Exemple concret pour l'optimisation interne de la répartition et des incidents
Ukrtelecom a consolidé le centre de contact, la gestion des incidents et la gestion de la force de terrain sur la plateforme de Creatio pour automatiser le routage et la priorisation des tâches.
- 39 % de productivité opérationnelle en plus
- 30 % d'augmentation de la productivité de la force de terrain
- 25 % de réduction des incidents d'erreur
- 20 % de baisse des coûts de service.27
Exemple concret pour l'engagement des résidents et la coordination des rendez-vous
Sureserve a déployé Creatio Service avec une messagerie résident prioritairement WhatsApp pour envoyer des rappels de visite automatisés, des confirmations et des options de report en libre-service.
- Mobilise 4 000 ingénieurs par jour sur 1.2 million de biens
- Amélioration significative des taux de résolution au premier passage et de l'utilisation de la main-d'œuvre
- A permis des mises à jour de données en temps réel qui prenaient auparavant des semaines de développement..28
22. Intégration client guidée par l'IA et activation des contrats
Des conditions contractuelles complexes, la confusion sur les dates de début et les délais d'activation des compteurs engendrent des volumes d'appels entrants élevés et des intégrations de clients échouées. Les agents IA du CRM utilisent les données contractuelles et la base de connaissances pour répondre aux questions d'intégration juste après la signature.
Exemple concret pour l'intégration client guidée par l'IA
ENGIE Italy a intégré Salesforce Agentforce dans les e-mails de bienvenue, offrant aux nouveaux clients un lien direct vers un portail en libre-service pour poser des questions spécifiques sur l'intégration et le contrat.
Résultats :
- 3x augmentation des taux de clics (passant à 4,5 %) sur les e-mails
- Moins d'intégrations échouées.18
23. CRM unifié pour la vente d'énergie propre et l'installation sur le terrain
L'expansion vers le solaire, les pompes à chaleur et les chargeurs de VE oblige les services publics à unifier les données clients entre les ventes, le service après-vente et les équipes de terrain. Un CRM central relie les pipelines de vente à la planification des interventions, tandis que les résumés de bons de travail par IA éliminent les tâches administratives en double.
Exemple concret pour un CRM unifié
Pour développer ses services d'installation solaire et de VE, E.ON UK devait relier les pipelines de vente à la planification des interventions sur le terrain et éliminer les inefficacités administratives. Le fournisseur a déployé Microsoft Dynamics 365 (Sales et Field Service) ainsi que des résumés de bons de travail Copilot pilotés par l'IA pour fluidifier les flux de travail des techniciens.
- Amélioration des taux de réussite d'installation au premier passage sur les opérations de terrain
- 20 % de réduction de la durée des travaux d'installation sur le terrain
- Élimination d'un processus manuel de transfert de propriété de 20 minutes par site.29
L'IA dans les services publics : opérations de back-office
24. Automatisation du compteur à l'encaissement et de la facturation
Le processus du compteur à l'encaissement couvre chaque étape, de la relève du compteur au paiement encaissé : validation des données de compteur, calcul des factures, envoi des factures et traitement des paiements. Les services publics exécutent ces étapes sous forme de grands traitements par lots nocturnes, si bien qu'un seul échec peut retarder des milliers de factures.
Les outils d'automatisation de la charge de travail exécutent ces tâches de bout en bout et signalent les retards avant que les clients ne s'en aperçoivent. Ils fournissent également des données de facturation propres et à temps aux modèles d'IA qui en dépendent.
Exemple concret pour l'automatisation du compteur à l'encaissement sous SAP
Stadtwerke München (SWM) approvisionne Munich en électricité, gaz, chauffage urbain et eau. Ses équipes lançaient 60–70 processus de facturation SAP à la main chaque jour. SWM est passé à RunMyJobs de Redwood pour automatiser ces exécutions.
Résultats :
- Temps de traitement du compteur à l'encaissement ramené de 14 heures à 8 heures
- 100 % de facturation quotidienne exacte,
- 60–70 processus de facturation lancés manuellement par jour remplacés par des exécutions automatisées.30
25. Automatisation des processus low-code
Les services publics dépendent de nombreux petits processus manuels, tels que les formulaires de sécurité, le suivi des équipements et les approbations, qui vivent souvent dans des feuilles de calcul et des e-mails. Les plateformes low-code permettent aux employés de créer des applications et des flux de travail sans attendre le service informatique.
Exemple concret pour l'adoption du low-code à l'échelle de l'entreprise
Pacific Gas & Electric (PG&E) a travaillé avec Cognizant pour déployer Microsoft Power Platform dans toute l'entreprise. Les employés ont créé des applications pour suivre les équipements sur les sites d'urgence, un chatbot IA pour les questions du service desk et des bots qui réconcilient les données de facturation.
Résultats :
- 300+ solutions générant environ 75 millions de dollars d'économies annuelles,
- 132 solutions livrées en moins d'un an dans neuf unités opérationnelles.31
Solutions et outils dans l'IA pour les services publics
Voici les catégories d'outils qui sous-tendent les cas d'usage ci-dessus, avec des exemples de fournisseurs :
CRM IA
Les CRM IA connectent le centre de contact, le compteur à l'encaissement et les opérations de terrain dans une seule fiche client.
Consultez la comparaison des prix des CRM pour plus de détails.
Creatio
Creatio est une plateforme de CRM et de flux de travail basée sur l'IA qui permet aux équipes métiers de modifier les flux du centre de contact, des incidents et du terrain sans attendre les cycles de développement. Elle se connecte aux systèmes existants de facturation, de comptage et d'exploitation via des API, MCP et webhooks, et fonctionne avec le LLM de votre choix.
- Agents IA intégrés et gouvernés de bout en bout : Creatio IA Studio couvre l'ensemble du cycle de vie des agents, en gérant les builds, les déploiements et les approbations humaines, tandis que IA Twin permet aux employés de créer des agents personnels en langage naturel. Les agents peuvent hériter des autorisations de l'utilisateur et journaliser chaque décision. Par exemple, un agent peut rédiger un report de visite mais a besoin de la confirmation du répartiteur avant de l'exécuter.
- Une plateforme unique pour le service et le travail sur le terrain : unifie le centre de contact, la gestion des incidents et la gestion de la force de terrain dans un seul système. Dans l'étude de cas Ukrtelecom ci-dessus, l'entreprise a consolidé ses opérations de service et de terrain sur Creatio.
Salesforce Agentforce Sales (anciennement Sales Cloud)
Salesforce Sales Cloud a été officiellement rebaptisé « Agentforce Sales », avec des agents IA autonomes intégrés au cœur. Les services publics l'achètent généralement dans le cadre d'Agentforce Energy & Utilities, qui ajoute un modèle de données des services publics par-dessus Sales et Service. Voici quelques fonctionnalités d'Agentforce Sales :
- Actions préconstruites pour les services publics : les sous-agents préconstruits peuvent récupérer les factures et leurs détails, créer et mettre à jour des comptes de facturation dans le système de facturation externe, démarrer et arrêter le service, et obtenir ou envoyer les relevés de compteur. Une grande partie du travail d'intégration que d'autres CRM exigent est déjà délimitée.
- Cas d'usage énergie prêts à l'emploi : Agentforce résout les demandes de facturation, les mises à jour de panne et les demandes de service, recommande des tarifs et des produits en fonction de l'historique de facturation et du contexte du dossier, et compare les offres et les incitations pour les décisions en faveur de l'énergie propre.
- Modèle de données des services publics : les agents Agentforce référencent des objets sectoriels tels que les comptes, les points de service, les comptes de facturation et les contrats de service énergétique.
Dynamics 365 Sales
Dynamics 365 Sales est une application de vente pilotée par modèle construite sur Microsoft Dataverse. Pour les services publics, Dataverse est le point clé où les ventes, le centre de contact et les équipes de terrain travaillent à partir d'une même fiche client. Voici quelques-unes de ses fonctionnalités :
- Agents de vente pour les pipelines commerciaux et d'énergie propre : l'offre Premium inclut l'accès à l'agent de qualification des ventes, à l'agent d'opportunités de vente, à l'agent de recherche de ventes et à l'agent de clôture des ventes (en aperçu). Ils conviennent aux contrats d'énergie B2B ainsi qu'aux ventes de solaire, de pompes à chaleur ou de chargeurs de VE.
- Copilot inclus dans chaque niveau : les capacités incluses couvrent les aperçus et recommandations contextuels, les résumés de leads et d'opportunités, les résumés de préparation de réunions, les résumés d'e-mails et les brouillons de réponse, ainsi que le chat en langage naturel.
- Facturation des services publics sur la même plateforme : les solutions UMAX d'Itineris sont développées et nativement intégrées à la plateforme Dynamics 365, de sorte que le compteur à l'encaissement peut coexister avec le CRM. Regional Water Authority utilise cette configuration (voir le cas d'usage 13).
Outils WLA
L'automatisation de la charge de travail et la planification des travaux d'entreprise peuvent exécuter les tâches de facturation et de données à temps avec moins d'erreurs manuelles.
IoT
Les appareils IoT, les capteurs et les compteurs intelligents indiquent comment le réseau et les centrales fonctionnent, afin que les équipes puissent réparer les équipements en fonction de leur état plutôt que selon un calendrier fixe.
ThingWorx
ThingWorx est une plateforme IoT industrielle pour créer des tableaux de bord de surveillance, des alertes et des applications au-dessus des données d'équipement. La plateforme a été acquise par Velotic.
- Lit directement les équipements des services publics : Kepware prend en charge une bibliothèque de plus de 150 pilotes et de plug-ins avancés. Ceux-ci incluent les pilotes DNP, IEC 61850 MMS et IEC 60870-5-101/104, les protocoles utilisés dans les sous-stations et les unités terminales distantes.
- Anomaly detection par capteur : la détection d'Anomaly est activée par défaut pour créer une alerte sur une propriété spécifique afin de démarrer la détection, par exemple sur les vibrations d'une pompe ou la température d'un échangeur de chaleur.
- Données opérationnelles prêtes pour les agents : ThingWorx IA Assistant, l'exécution de l'IA et les services d'agents, ainsi qu'un serveur MCP généralement disponible qui expose les services ThingWorx comme des outils accessibles par l'IA.
Étude de cas IoT pour les services publics
Vattenfall Heat gère environ 1 800 actifs de chaleur aux Pays-Bas, tels que des centrales de chaleur, des unités de production et des centrales de froid, desservant plus de 120 000 foyers. Elle a utilisé ThingWorx et Kepware pour surveiller ces sites depuis un seul endroit, en commençant par un projet pilote à Amsterdam.
- Surveillance : Les tableaux de bord affichent les données de processus et gèrent les alarmes des générateurs, des points de mesure à distance et des stations de transfert.
- Planification : Les données aident l'équipe à prévoir la demande de chaleur, planifier l'extension du réseau et réduire les temps d'arrêt des installations.32
AWS IoT Core
AWS IoT Core est un service géré qui connecte les appareils à AWS sans avoir à gérer des serveurs. Pour les services publics, c'est principalement la couche d'ingestion des compteurs intelligents et des capteurs. L'analyse et le ML s'exécutent dans d'autres services AWS.
- Serveur réseau LoRaWAN géré : AWS IoT Core for LoRaWAN est un serveur réseau LoRaWAN entièrement géré pour les appareils longue portée à faible consommation. Les services publics peuvent configurer des réseaux LoRaWAN publics ou privés sans construire ni exploiter leur propre serveur réseau.
- Moteur de règles pour compteurs multi-fournisseurs : Les règles filtrent, transforment et décodent les données des appareils avec un langage de type SQL. Les messages peuvent être routés vers plus de 20 services AWS et tiers. La charge utile de chaque fabricant de compteurs peut être décodée par sa propre règle.
Étude de cas AWS IoT Core pour les services publics
Madrileña Red de Gas est le troisième plus grand distributeur de gaz d'Espagne en points de fourniture. Il devait intégrer 900 000 compteurs intelligents de différents fournisseurs dans une seule plateforme pour respecter la réglementation de télémétrie de 2030. Il a utilisé l'intégration native d'AWS IoT Core avec les réseaux LoRaWAN publics, en collaboration avec l'opérateur Everynet, avec une règle IoT Core pour chaque fabricant de compteurs. Les résultats incluent :
- 25 % de coûts opérationnels en moins grâce à la surveillance en temps réel et à l'intégration des données
- 30 % de coûts d'infrastructure en moins, car LoRaWAN a évité le déploiement de passerelles propriétaires
- Plus de 900 000 compteurs intelligents gérés sans compromis sur les performances
- Relevés de compteurs, informations clients et données météo combinés dans un seul système de reporting.33
Azure IoT Hub
Azure IoT Hub est la passerelle cloud gérée de Microsoft pour connecter, authentifier et gérer les flottes d'appareils. C'est l'équivalent direct d'AWS IoT Core. Il convient aux flottes d'appareils distribués et autonomes avec des fonctions fixes, comme les stations de surveillance de l'eau et les capteurs de niveau de fluide répartis. Certaines de ses capacités intéressantes pour les services publics sont :
- Contrôle bidirectionnel des compteurs et capteurs : IoT Hub conserve un jumeau d'appareil pour chaque appareil connecté et peut appeler des méthodes directes sur les appareils depuis le cloud. Les services publics peuvent modifier les réglages des compteurs, déclencher une relève à la demande ou vérifier l'état déclaré d'un capteur sans se déplacer sur site.
- Intégration zero-touch et sécurité durable : Le service d'approvisionnement des appareils enrôle les appareils à l'aide de certificats X.509 ou d'un Module de plateforme fiable. IoT Hub peut désormais renouveler directement les certificats des appareils, de sorte que les appareils connectés restent authentifiés dans le temps sans interruption.
- Acheminer les données directement vers l'analyse et l'IA : La télémétrie d'IoT Hub peut être routée vers des plateformes d'analyse comme Microsoft Fabric pour la visualisation ou la modélisation IA.
Cybersécurité OT et du réseau
Ces outils découvrent les actifs du réseau et des centrales, détectent les menaces dans les réseaux OT et contrôlent l'accès à distance aux sous-stations, stations de pompage et centrales électriques.
Claroty
Claroty est une plateforme de protection des systèmes cyber-physiques (CPS). Elle couvre la gestion de l'exposition, la protection du réseau, l'accès sécurisé et la détection des menaces, et peut s'exécuter dans le cloud (Claroty xDome) ou sur site (Claroty CTD).
- Accès sécurisé des fournisseurs et du personnel aux sites distants : Secure Remote Access protège les réseaux industriels des risques introduits par les utilisateurs distants, y compris les fournisseurs tiers, les sous-traitants et les techniciens.
- Priorisation des risques pilotée par l'IA : xDome utilise l'IA pour mettre en évidence des vecteurs d'attaque spécifiques et les classer selon la probabilité d'exploitation, l'impact métier et les contrôles compensatoires existants.
- Agent IA pour la sécurité OT : Claroty a lancé Claire, un agent de sécurité IA conçu pour les systèmes cyber-physiques. Il a également ajouté des tableaux de bord et des rapports générés par l'IA, une bibliothèque CPS et un serveur Model Context Protocol pour xDome.
Armis
Armis Centrix est une plateforme de gestion de la cyber-exposition. La plateforme a été acquise par ServiceNow, ce qui relie les données d'actifs d'Armis aux flux de travail de ticketing et de remédiation de ServiceNow.
- Une vue unique sur l'IT et l'OT : Elle découvre et surveille les actifs connectés dans les environnements IT, OT, les appareils IoT, les équipements médicaux, le code et les environnements cloud.
- Cycle de vie complet de l'exposition OT : Armis Centrix for OT/IoT Security utilise le moteur d'intelligence des actifs Armis piloté par l'IA et couvre l'ensemble du cycle de vie de la gestion de l'exposition dans les environnements OT, ICS et de gestion des bâtiments.
Dragos
La plateforme Dragos est conçue uniquement pour les environnements OT. Elle combine la visibilité des actifs OT, la détection des menaces, la gestion des vulnérabilités ainsi que l'investigation et la réponse.
- Renseignement sur les menaces spécifique à l'OT : WorldView threat intelligence est exclusivement conçu pour l'OT. Dragos suit plus de 26 groupes de menaces spécifiques à l'OT, de sorte que les détections sont liées à des attaquants connus qui ciblent les services publics.
- Défense collective entre services publics : Neighborhood Keeper est un réseau optionnel où les utilisateurs de la plateforme Dragos partagent du renseignement de manière anonyme. Les clients peuvent recevoir du contexte sur de nouvelles vulnérabilités ou activités malveillantes, souvent avant leur divulgation publique.
- Chasse aux menaces experte : OT Watch ajoute une chasse aux menaces dirigée par des experts. OT Watch Complete étend cette couverture à 24/7, ce qui aide les services publics sans équipe de sécurité OT dédiée.
- IA fondée sur l'expertise OT : EmberAI s'appuie sur le Dragos Intelligence Fabric et tire parti d'une décennie d'expertise en cybersécurité OT.
- Adaptation réglementaire : Dragos positionne également sa surveillance réseau pour soutenir la conformité à NERC CIP-015, la nouvelle exigence de surveillance de la sécurité du réseau interne.
Algorithmes ML et IA
Les plateformes de ML créent, déploient et surveillent des modèles pour la vision par ordinateur (inspection des actifs), l'analyse prédictive (défaillances, demande), le NLP (demandes clients), l'IA générative et l'IA agentique.
Infrastructure de données et plateformes cloud
Les plateformes de données unifient les données de compteurs, de réseau intelligent, des clients et de la météo afin que les modèles d'IA s'entraînent sur une source unique et cohérente. Les plateformes de streaming ajoutent des données en direct pour la détection des pannes et pour les assistants basés sur RAG. Comme les modèles ne valent que par leurs intrants, les contrôles de qualité des données appartiennent à cette couche.
Étude de cas d'infrastructure de données pour les services publics
AusNet Services exploite des réseaux d'électricité et de gaz pour 1.5 million de clients dans le Victoria, en Australie. Ses données étaient réparties dans des entrepôts séparés, ce qui l'empêchait d'évaluer l'état des actifs avant que des défaillances ne surviennent. AusNet a migré ses données vers Databricks sur Azure et les a utilisées pour l'apprentissage automatique. Résultats :
- Les coûts de la plateforme de données ont chuté de 50 %.
- Le traitement des données est devenu 3x plus rapide.
- La maintenance prédictive sur trois classes d'actifs a réduit les risques et les coûts, et AusNet l'étend désormais à l'ensemble de ses actifs.34
Gestion décentralisée de l'énergie
Les solutions de réseau intelligent telles que ADMS, DERMS et EMS équilibrent les flux d'énergie, intègrent le solaire en toiture, les batteries et les VE, et optimisent la production et le stockage. Les jumeaux numériques simulent les performances du réseau et des actifs dans différents scénarios avant que les changements ne soient mis en production.
Ajouter comme source préféréePourquoi utiliser l'IA dans les services publics ?
Hausse de la demande d'électricité
La demande augmente plus vite que les services publics ne peuvent construire de nouvelles capacités. De meilleures prévisions et une meilleure planification les aident à la satisfaire avec les actifs dont ils disposent déjà.
- La demande d'électricité devrait augmenter de 1,4 % par an jusqu'en 2032, soit une hausse cumulée de 46 %.35
- Aux États-Unis, 120 GW de demande d'électricité supplémentaire sont attendus d'ici 2030, dont 60 GW provenant des centres de données, soit à peu près l'équivalent de la consommation d'énergie de pointe de l'Italie en 2024.36
- Aux États-Unis, les prix de l'électricité résidentielle ont augmenté d'environ 13 % entre 2022 et 2025.37
- La planification pilotée par l'IA peut augmenter la productivité sur le terrain de 25–30 %.35
Opportunités d'investissement dans les services publics
Les services publics sont sur le point d'investir massivement dans la modernisation du réseau, et l'IA aide à décider où va cet argent.
- Les entreprises d'électricité américaines devraient investir $1,1 mille milliards entre 2025 et 2029 pour moderniser les infrastructures vieillissantes et accroître la capacité du réseau.38
- L'analyse de l'état des actifs basée sur le ML permet aux services publics de réaffecter jusqu'à 80 % du capital. 35
Les données sur l'état des actifs montrent également où ne pas investir, ce qui aide à éviter la surconstruction à mesure que les coûts de construction augmentent.
Croissance de la demande des centres de données
Les centres de données ajoutent de nouvelles charges importantes au réseau :
- La demande d'électricité des centres de données pourrait doubler d'ici 2030, avec une augmentation de 131 % attendue d'ici 2032 dans un scénario de forte croissance.35
- Certains projets d'IA nécessitent désormais autant d'électricité qu'une grande ville. Par exemple, le récent partenariat entre OpenAI et Nvidia pour un centre de données de 10 gigawatts nécessite l'équivalent de la consommation électrique de la ville de New York pendant la pointe estivale.36
- Les projets renouvelables représentent désormais plus de 90 % de toutes les nouvelles capacités en attente de raccordement au réseau.36
- L'IA a amélioré le rendement thermique ou la production des actifs de production fossiles et renouvelables de 2 à 5 %.35
Défis de l'IA dans les services publics
- Confidentialité des données : Les données des compteurs intelligents montrent quand les gens sont chez eux et quels appareils ils utilisent ; l'entraînement de modèles sur ces données soulève donc des questions de confidentialité et de consentement.
- Biais de l'IA : Les modèles qui signalent la fraude ou priorisent les coupures peuvent traiter certains groupes de clients de manière inéquitable ; ces décisions nécessitent donc un examen humain.
- Intégration des systèmes hérités : Les réseaux fonctionnent souvent sur des systèmes SCADA, OT et de facturation vieux de plusieurs décennies. La connexion des modèles d'IA à cette infrastructure est souvent le coût et le retard les plus importants d'un projet d'IA dans les services publics.
- Contraintes réglementaires et de conformité : Les services publics sont réglementés en matière de tarifs. Les nouveaux investissements pilotés par l'IA, la tarification dynamique et les décisions automatisées doivent satisfaire les commissions des services publics, les exigences d'explicabilité et d'audit. Cela ralentit le déploiement par rapport aux secteurs non réglementés. Pour en savoir plus, consultez la conformité de l'IA.
- Qualité et disponibilité des données : Les modèles ne valent que par les données de compteurs, de capteurs et d'actifs qui les sous-tendent. Des données historiques éparses, incohérentes ou mal étiquetées limitent la précision des prévisions et de la maintenance prédictive. Découvrez-en davantage sur les défis et solutions de qualité des données pour l'IA.
- Cybersécurité et surface d'attaque étendue : Connecter davantage d'actifs (capteurs IoT, compteurs intelligents, appareils en périphérie) et automatiser les actions de contrôle augmente l'exposition. Les systèmes d'IA peuvent être la cible d'empoisonnement des données ou de manipulation des modèles.
Découvrez d'autres risques et défis de l'IA.
Études de cas d'IA dans les services publics
Pour aller plus loin
Découvrez-en davantage sur l'IA dans d'autres secteurs :
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şimşek, Hazal},
title = {{IA dans les services publics: principaux 25 cas d'usage et 48 études de cas}},
year = {2026},
month = oct,
howpublished = {\url{https://aimultiple.com/ai-utilities}},
note = {AIMultiple. Consulté le 28 octobre 2026}
}Résultats et horodatages de 84 points de données. Téléchargez les données de synthèse présentées dans les graphiques et les tableaux de cet article sous forme de fichier ZIP contenant 6 fichiers CSV.
Vous voulez les données détaillées derrière ? Rejoindre Premium
Journal des modifications
5 mises à jourAjout de deux cas d'usage : recharge de VE par IA et détection des feux de forêt.
Supprimé la Figure 1, le graphique de recherche de mots-clés Google sur les AI utilities.
Ajout d'un exemple concret à la section sur les maisons intelligentes en tant que centres énergétiques.
Liens de référence
Le travail de Cem chez AIMultiple a été cité par des publications mondiales de premier plan, notamment Business Insider, Forbes, Morning Brew et Washington Post, par des entreprises mondiales comme Deloitte et HPE, par des ONG comme World Economic Forum et par des organisations supranationales comme European Commission. [1], [2], [3], [4], [5]
Tout au long de sa carrière, Cem a été consultant en technologies, acheteur de technologies et entrepreneur technologique. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus de dix ans. Il a également publié un rapport McKinsey sur la digitalisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom, sous la responsabilité du PDG. Il a également dirigé la croissance commerciale de l'entreprise de technologie profonde Hypatos, qui a atteint un revenu récurrent annuel à 7 chiffres et une valorisation à 9 chiffres, passant de 0 à ce résultat en deux ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de Bogazici University en tant qu'ingénieur informatique et titulaire d'un MBA de la Columbia Business School.
Soyez le premier à commenter
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.