Accueil › Glossaire › Climate AI

Climate AI : l’intelligence artificielle au service du climat

Climate AI désigne l’ensemble des applications d’intelligence artificielle conçues pour modéliser le système climatique, prévoir les événements météorologiques extrêmes, quantifier les risques liés au changement climatique et accélérer la transition vers une économie bas-carbone.

Qu’est-ce que le Climate AI exactement ?

Le terme « Climate AI » recouvre deux réalités qu’il faut distinguer. D’un côté, il désigne un champ de recherche et d’application : l’utilisation du machine learning, du deep learning et des modèles fondationnels pour comprendre et répondre au changement climatique. De l’autre, Climate AI est aussi le nom d’une startup spécifique, ClimateAi (basée à San Francisco), qui développe une plateforme de gestion des risques climatiques pour les chaînes d’approvisionnement. Dans cette page, nous couvrons les deux.

Le Climate AI en tant que discipline s’appuie sur la capacité des algorithmes à traiter des volumes massifs de données (satellites, capteurs IoT, stations météo, bouées océaniques, radars) pour détecter des patterns invisibles aux méthodes classiques. L’objectif : produire des prévisions plus rapides, plus précises et moins coûteuses en ressources de calcul que les modèles de simulation physique traditionnels.

Concrètement, cela se traduit par des applications dans cinq grands domaines : la prévision météorologique, la modélisation climatique à long terme, l’évaluation des risques physiques et de transition, l’optimisation des systèmes énergétiques et la surveillance environnementale (déforestation, émissions de méthane, biodiversité).

Prévision météo par IA : la révolution GenCast et GraphCast

La prévision météorologique est le domaine où l’IA climatique a produit ses résultats les plus spectaculaires. Jusqu’à récemment, les prévisions à moyen terme (5 à 15 jours) reposaient exclusivement sur des modèles de simulation numérique (NWP, pour Numerical Weather Prediction) exécutés sur des supercalculateurs. Ces modèles résolvent des équations de mécanique des fluides qui décrivent le comportement de l’atmosphère. Le processus est lent, coûteux et limité en résolution.

Google DeepMind a changé la donne avec deux modèles successifs. GraphCast, publié dans Science en 2023, est un modèle basé sur des réseaux de neurones à graphes (GNN) qui produit des prévisions à 10 jours en moins d’une minute sur un seul TPU Google, là où un système NWP classique comme le HRES de l’ECMWF nécessite des heures sur un supercalculateur. GraphCast s’est montré plus précis que le HRES sur plus de 90 % des métriques évaluées.

GenCast, publié dans Nature fin 2024 et opérationnel début 2026, va plus loin. Là où GraphCast produisait une prévision unique (« déterministe »), GenCast utilise un modèle de diffusion conditionnelle (la même famille d’architecture que les générateurs d’images) pour produire un ensemble de 50 trajectoires météorologiques possibles ou plus. Résultat : des prévisions probabilistes (« 60 % de chances de recevoir 20 mm de pluie ») sur 15 jours, avec une résolution de 0,25° (environ 28 km à l’équateur). Dans les tests comparatifs, GenCast a surpassé le système ENS de l’ECMWF sur 97,2 % des 1 320 cibles évaluées. La génération d’une prévision à 15 jours prend environ 8 minutes.

NeuralGCM, développé par Google Research, adopte une approche hybride en combinant un solveur de dynamique des fluides classique avec des réseaux de neurones qui apprennent les processus atmosphériques à petite échelle (nuages, précipitations, radiation). Cette approche a réduit l’erreur de simulation des précipitations de 40 % par rapport aux modèles utilisés dans le dernier rapport du GIEC, avec des résultats particulièrement nets pour les événements extrêmes (les 0,1 % de précipitations les plus intenses).

D’autres acteurs contribuent à ce domaine. Huawei a développé Pangu-Weather, un modèle concurrent de GraphCast. Tomorrow.io (anciennement ClimaCell) propose des prévisions hyperlocales pour l’agriculture et la logistique. L’ECMWF lui-même intègre progressivement ces modèles IA dans ses opérations.

Modélisation climatique à long terme

La prévision météo couvre les jours et semaines à venir. La modélisation climatique s’intéresse aux décennies et siècles. L’IA intervient ici de manière différente, en accélérant les simulations des modèles de circulation générale (GCM) qui sont au cœur des rapports du GIEC.

Traditionnellement, exécuter un GCM à haute résolution pour simuler un siècle de climat prend des mois de calcul sur supercalculateur. L’IA permet d’accélérer ce processus de deux façons. La première consiste à remplacer les « paramétrisations » (approximations des processus trop petits pour être simulés directement, comme la formation des nuages) par des réseaux de neurones entraînés sur des données observées. C’est l’approche de NeuralGCM. La seconde utilise des émulateurs : des modèles de deep learning entraînés pour reproduire le comportement d’un GCM complet, mais à une fraction du coût de calcul.

Ces accélérations permettent d’exécuter beaucoup plus de scénarios « what-if » : que se passe-t-il si les émissions de CO₂ doublent ? Si un volcan entre en éruption ? Si les courants océaniques ralentissent ? Plus de scénarios signifie une meilleure compréhension de l’incertitude, ce qui est essentiel pour orienter les politiques publiques.

Les modèles fondationnels (LLM et foundation models) commencent aussi à être explorés pour l’analyse de données climatiques, la synthèse de littérature scientifique et l’aide à la décision. Toutefois, ces applications restent principalement au stade de la recherche.

Évaluation des risques climatiques pour les entreprises

C’est dans ce domaine que la startup ClimateAi (avec un « i » minuscule à la fin) s’est positionnée. Fondée en 2017 et incubée à Stanford, elle a levé environ 40 millions de dollars (Series B en 2023, menée par Four Rivers Group, avec la participation de Radical Ventures et du fonds de Robert Downey Jr., FootPrint Coalition). Ses clients incluent Dole, Driscoll’s, Oatly et Constellation Brands.

La plateforme ClimateLens de ClimateAi applique le machine learning à des données météorologiques et climatiques pour générer des prévisions à résolution de 1 km, couvrant des horizons de 1 jour à 6 mois. Le cas d’usage principal : aider les entreprises agroalimentaires et les gestionnaires de supply chain à anticiper les perturbations liées aux événements météorologiques extrêmes (cyclones, sécheresses, inondations).

Un exemple concret : Hitachi utilise l’API de ClimateAi pour alimenter un modèle global de risques sur sa chaîne d’approvisionnement. Les prévisions saisonnières de cyclones permettent aux équipes d’approvisionnement de constituer des stocks de sécurité auprès de fournisseurs situés dans des zones à risque, plusieurs mois avant le début de la saison cyclonique. ClimateAi a obtenu un brevet américain pour son approche GenAI appliquée aux prévisions météorologiques locales.

D’autres plateformes d’évaluation des risques climatiques existent. First Street se spécialise dans la modélisation au niveau des propriétés immobilières (risques d’inondation, incendie, chaleur). Jupiter Intelligence se concentre sur la modélisation à long terme pour les banques et assureurs. Ces outils sont devenus essentiels pour la conformité aux exigences de reporting climatique (TCFD, CSRD européenne).

Applications sectorielles du Climate AI

Énergie et réseaux électriques

L’IA optimise la production et la distribution d’énergie renouvelable en prédisant la production solaire et éolienne, en équilibrant les charges sur le réseau et en anticipant les pics de demande. Les smart grids utilisent le machine learning pour intégrer des sources d’énergie intermittentes tout en maintenant la stabilité du réseau. Google a utilisé DeepMind pour réduire la consommation d’énergie de ses propres data centers de 30 % dès 2016, un cas d’usage devenu référence dans le domaine.

Agriculture de précision

Le Climate AI en agriculture combine données satellitaires, capteurs de sol et prévisions météorologiques pour optimiser l’irrigation, le calendrier de semis, le choix des variétés et l’application d’engrais. Les prévisions de rendement basées sur le machine learning aident les agriculteurs à anticiper les déficits et à adapter leurs pratiques. ClimateAi a par exemple permis à un grand groupe agroalimentaire d’identifier de nouveaux sites de production de semences en quelques heures, contre des semaines avec les méthodes traditionnelles.

Surveillance environnementale

L’IA analyse des images satellites pour détecter la déforestation en temps quasi réel, cartographier les émissions de méthane depuis les installations pétrolières et gazières (un usage déployé par le PNUE) et suivre la biodiversité via la reconnaissance automatique d’espèces. Google FloodHub utilise des modèles IA et des données satellites pour fournir des alertes d’inondation jusqu’à 7 jours à l’avance, y compris dans des régions dépourvues de stations de mesure.

Finance et assurance

Les institutions financières utilisent le Climate AI pour évaluer le risque climatique physique de leurs portefeuilles (exposition des actifs aux inondations, sécheresses, tempêtes) et le risque de transition (impact des politiques de décarbonation sur la valeur des actifs). Ces outils sont devenus incontournables avec le durcissement des exigences réglementaires en Europe (AI Act, CSRD) et aux États-Unis.

Le paradoxe énergétique de l’IA climatique

Voici l’éléphant dans la pièce : l’IA elle-même est une source croissante de consommation d’énergie et d’émissions de CO₂. Les data centers qui hébergent les modèles d’IA représentent une charge énergétique considérable, et cette charge augmente rapidement.

Un rapport présenté lors du AI Impact Summit à Delhi en 2026 a conclu qu’il n’existe pas encore de preuve tangible que l’IA générative réduise les émissions de gaz à effet de serre. Le rapport souligne que le débat est brouillé par la confusion entre l’IA générative (LLM, diffusion) et le machine learning traditionnel, qui offre un potentiel de réduction plus avéré.

En face, une étude publiée en 2025 par le Grantham Research Institute estime que l’IA, appliquée judicieusement, pourrait réduire les émissions mondiales de 3,2 à 5,4 milliards de tonnes de CO₂-équivalent par an d’ici 2035. Mais cette estimation repose sur des conditions optimistes de déploiement.

Principaux outils et plateformes

Techniques d’IA utilisées en Climate AI

Le Climate AI ne se limite pas aux transformers et aux LLM. Il mobilise un spectre large de techniques :

Réseaux de neurones à graphes (GNN) : utilisés par GraphCast pour représenter l’atmosphère comme un graphe sur une sphère. Chaque nœud du graphe correspond à un point de la grille terrestre, et les arêtes capturent les interactions spatiales entre ces points. Cette architecture est naturellement adaptée aux données géospatiales.

Modèles de diffusion : GenCast adapte les modèles de diffusion (habituellement utilisés pour la génération d’images) à la géométrie sphérique de la Terre. Le modèle part d’un état atmosphérique « bruité » et l’affine progressivement pour produire une prévision réaliste.

Réseaux convolutifs (CNN) : largement utilisés pour l’analyse d’images satellites, la détection de déforestation, la classification de l’usage des sols et la détection d’anomalies environnementales.

Prévision de séries temporelles : les modèles LSTM, Temporal Fusion Transformers et autres architectures de séries temporelles sont essentiels pour la prévision de la demande énergétique, la production renouvelable et les prix du carbone.

Apprentissage par renforcement : utilisé pour l’optimisation en temps réel des réseaux électriques, la gestion des bâtiments intelligents et le contrôle des systèmes de stockage d’énergie.

Apprentissage fédéré : permet d’entraîner des modèles sur des données climatiques distribuées (stations météo de différents pays) sans centraliser les données, ce qui répond aux contraintes de souveraineté et de confidentialité.

Limites et défis du Climate AI

Le problème de la boîte noire

Les modèles d’IA météorologiques sont opaques. Quand GenCast prédit une inondation catastrophique, les prévisionnistes ne peuvent pas expliquer pourquoi de la même manière qu’avec un modèle physique. Ce « trust gap » est un frein réel à l’adoption opérationnelle, surtout lorsqu’il s’agit de déclencher des évacuations. L’explicabilité reste un chantier majeur.

La dépendance aux données historiques

Les modèles IA sont entraînés sur des données passées. Or, le changement climatique produit des événements « sans précédent » qui n’existent pas dans les données d’entraînement. Un modèle entraîné sur les données de 1979-2018 peut sous-estimer l’intensité de phénomènes futurs. GenCast, par exemple, a tendance à sous-estimer l’intensité des cyclones tropicaux.

La souveraineté des données météo

L’Organisation Météorologique Mondiale (OMM) débat activement de cette question. Si Google et Huawei deviennent les sources principales de prévisions météo, les services météorologiques nationaux risquent de perdre leur rôle de référence. La création d’un « système d’alerte parallèle » privé pose des questions de gouvernance.

L’empreinte carbone de l’IA elle-même

Comme détaillé plus haut, l’entraînement et l’inférence des modèles d’IA sont énergivores. Un cluster d’entraînement IA consomme 7 à 8 fois plus d’énergie qu’une charge de calcul classique. La consommation en eau des data centers est également préoccupante : un data center de taille moyenne consomme environ 1,1 million de litres d’eau par jour.

Effets rebond

L’AIE identifie un risque réel d’effets rebond. Exemple : si l’IA optimise les transports au point de rendre la voiture autonome plus attractive que les transports en commun, le bilan net en émissions pourrait être négatif. De même, des prévisions météo ultra-précises pourraient encourager des pratiques agricoles plus intensives plutôt que plus durables.

Écosystème et acteurs clés

L’écosystème du Climate AI est structuré autour de plusieurs catégories d’acteurs :

Big Tech : Google (DeepMind + Research) domine avec GraphCast, GenCast, NeuralGCM, SEEDS, FloodHub et WeatherNext 2. Microsoft propose des solutions via Azure AI. Huawei contribue avec Pangu-Weather.

Startups spécialisées : ClimateAi (risques supply chain, ~40 M$ levés), Tomorrow.io (prévisions hyperlocales), First Street (risque immobilier), Jupiter Intelligence (modélisation longue), Atmo AI (prévisions accessibles). Le segment de l’adaptation climatique a connu une croissance de 64 % en 2025 pour atteindre 5,5 milliards de dollars d’investissement, selon Net Zero Insights.

Organisations de recherche : Climate Change AI (communauté interdisciplinaire organisant des workshops à NeurIPS, ICLR), le Grantham Research Institute, le MIT Climate and Sustainability Consortium (MCSC).

Agences météorologiques : l’ECMWF intègre progressivement les modèles IA dans ses opérations et fournit les données d’entraînement (ERA5) sur lesquelles reposent la plupart des modèles. Météo-France et le NOAA explorent également ces approches.

Institutions internationales : le Programme des Nations Unies pour l’Environnement (PNUE) utilise l’IA pour la surveillance du méthane. Le Forum Économique Mondial a intégré ClimateAi dans ses initiatives. L’Assemblée des Nations Unies pour l’Environnement (UNEA) a inscrit l’impact environnemental de l’IA à l’ordre du jour de ses discussions.

Climate AI en France et en Europe

La France dispose d’atouts spécifiques dans le domaine du Climate AI. Mistral AI, bien que généraliste, développe des modèles open-weight qui peuvent être adaptés à des cas d’usage climatiques. Météo-France collabore avec des laboratoires de recherche sur l’intégration du machine learning dans ses modèles opérationnels.

Au niveau européen, le cadre réglementaire joue un rôle structurant. La CSRD (Corporate Sustainability Reporting Directive) oblige les grandes entreprises à reporter leurs risques climatiques, ce qui crée une demande forte pour les outils de Climate AI. Le Pacte Vert européen et les objectifs de neutralité carbone à 2050 constituent un moteur d’investissement.

Le programme Destination Earth (DestinE) de la Commission européenne vise à créer un jumeau numérique de la Terre à haute résolution, en s’appuyant sur l’IA et le supercalcul. Ce projet, hébergé à l’ECMWF, est l’une des initiatives publiques les plus ambitieuses en Climate AI.

Comment intégrer le Climate AI dans votre organisation

Si vous êtes une entreprise qui souhaite utiliser l’IA pour mieux gérer ses risques climatiques, voici les étapes concrètes :

1. Identifiez votre exposition. Cartographiez vos actifs physiques et vos chaînes d’approvisionnement. Quels sites sont exposés aux inondations, sécheresses, chaleur extrême ? Utilisez des outils comme First Street ou ClimateAi pour une première évaluation.

2. Commencez par la prévision météo. Les données de prévision météo à court et moyen terme sont les plus matures et les plus directement actionnables. Des API comme celles de Tomorrow.io ou ClimateAi peuvent être intégrées dans vos systèmes de planification existants.

3. Automatisez le reporting. L’IA peut automatiser la collecte des données d’émissions (Scope 1, 2 et 3), le calcul de l’empreinte carbone et la génération de rapports conformes à la CSRD ou au TCFD.

4. Passez à la modélisation de scénarios. Une fois les données de base en place, utilisez l’IA pour la modélisation prédictive, l’analyse de scénarios et la planification climatique à long terme.

5. Mesurez le ROI. Documentez les économies réalisées (réduction des pertes, optimisation logistique, conformité réglementaire) pour justifier l’investissement et étendre le déploiement.

Perspectives et tendances

Le secteur du Climate AI évolue rapidement dans plusieurs directions. L’investissement dans les technologies d’adaptation climatique continue de croître fortement (5,5 milliards de dollars en 2025, +64 %). L’investissement global en climat tech a atteint 40,5 milliards de dollars en 2025, en hausse de 8 %. L’investissement en énergie propre liée à l’IA a bondi de 31 % pour atteindre 14,4 milliards de dollars.

Les modèles de prévision météo IA vont continuer à s’améliorer et à être intégrés dans les opérations des services météorologiques nationaux. Le WeatherNext 2 de Google étend déjà les capacités de GenCast. La résolution des modèles va augmenter, passant des 28 km actuels à des résolutions plus fines, ce qui ouvrira la porte à la prévision opérationnelle locale.

La convergence entre les jumeaux numériques, les capteurs IoT et l’IA va créer des systèmes de monitoring environnemental en temps réel de plus en plus précis. Le projet Destination Earth de l’UE illustre cette tendance.

Le défi des prochaines années sera de prouver que l’IA peut effectivement contribuer à une réduction nette des émissions, une fois prise en compte sa propre empreinte énergétique. Ce bilan reste à démontrer de manière rigoureuse et indépendante.