Architecture de référence pour l'AI agentique dans les compagnies d'électricité et les entreprises du secteur énergétique

Les compagnies d’électricité n’ont pas besoin d’un discours générique sur l’AI agentique. Elles ont besoin d’une architecture qui respecte les réalités des infrastructures critiques.

La bonne architecture commence par des limites de sources, la provenance des preuves, l’examen humain, la séparation entre cyber et OT, des pistes d’audit et des métriques de pilote ciblées. Elle considère les agents comme des assistants qui organisent le travail et rédigent des résultats examinables. Elle ne considère pas les agents comme des exploitants autonomes.

Cette distinction est importante pour les compagnies d’électricité, les TSO, les DSO, les producteurs d’électricité, les équipes énergie des centres de données, les équipes électriques du secteur pétrolier et gazier, ainsi que les exploitants industriels qui gèrent des actifs électriques critiques.

La tendance : les agents passent des réponses au travail

Les travaux récents d’OpenAI sur les agents décrivent un glissement vers un travail délégué et à horizon plus long. Les recommandations d’Anthropic sur l’ingénierie des agents distinguent les flux prévisibles des agents plus souples et conseillent de n’ajouter de la complexité qu’en cas de besoin. Les travaux de Google Research sur l’AI co-scientifique révèlent la même tendance de fond dans le travail scientifique : les systèmes d’AI deviennent plus utiles lorsqu’ils aident à structurer les preuves, les hypothèses et l’examen.

Pour l’énergie, l’IEA présente l’AI à la fois comme une source de demande d’électricité et comme un outil susceptible de transformer l’exploitation énergétique s’il est adopté à grande échelle. Le MIT Energy Initiative et le Harvard Salata Institute désignent tous deux l’AI comme un levier potentiel pour le réseau, tout en précisant que la transformation du réseau est un problème de confiance, de coordination et d’infrastructure.

L’architecture de référence ci-dessous traduit ces tendances en pratiques de gestion des actifs et d’exploitation pour les compagnies d’électricité.

Une architecture de référence d’AI agentique sûre pour les compagnies d’électricité

Couche	Objectif	Exemples	Principe de contrôle
1. Limite des sources	Définit les données autorisées à entrer dans le pilote.	Exports DGA, enregistrements PRPD, fichiers SFRA, inspections, historique CMMS, journaux d'événements, documents de planification.	Aucune source n'entre dans le flux sans approbation.
2. Modèle de preuves	Transforme les enregistrements bruts en preuves examinables et reliées à leurs sources.	Identité de l'actif, date, unité, méthode, version, hypothèse, note de l'examinateur, marqueur de confiance.	Les affirmations doivent pouvoir être retracées jusqu'aux sources.
3. Couche d'outils	Confère aux agents des actions bornées à l'intérieur du flux approuvé.	Résumer les preuves, lister les lacunes, rédiger des questions pour l'examinateur, mettre en forme des lots de travaux, générer des listes de contrôle.	Les outils soutiennent le travail sur les preuves, non les actions de contrôle.
4. Flux de l'agent	Coordonne les étapes des tâches et les résultats en brouillon.	Réception des preuves, contrôle qualité, dossier en brouillon, acheminement vers l'examinateur, apprentissage de clôture.	Les résultats de l'AI restent des brouillons jusqu'à leur examen.
5. Approbation humaine	Préserve l'autorité et la responsabilité de l'ingénierie.	Approuver, rejeter, modifier, demander des preuves, escalader ou signaler un manque d'informations.	Les personnes qualifiées sont responsables des conclusions communicables.
6. Audit et apprentissage	Consigne ce qui s'est passé et améliore le flux suivant.	Version du prompt, liste des sources, différentiel du brouillon, note de l'examinateur, état d'approbation, schéma des résultats rejetés.	Chaque résultat important devrait pouvoir être expliqué a posteriori.

Le flux de l’architecture

Flux	Ce qui se passe	Ce qui devrait être bloqué
Réception des preuves	Les enregistrements approuvés sont chargés dans un atelier local d'abord ou un espace de travail de pilote contrôlé.	Données sensibles non approuvées, accès au contrôle en temps réel, données clients ou types de sources non pris en charge.
Contrôle qualité	Le système vérifie l'absence de dates, d'unités, de provenance, les enregistrements en double, les données périmées et les contextes contradictoires.	Des conclusions catégoriques tirées de preuves incomplètes.
Brouillon de l'AI	Les agents rédigent des résumés, des listes de lacunes, des questions pour l'examinateur et le libellé des lots de travaux.	Diagnostic final, modifications des réglages de protection, ordres d'exploitation ou approbation de maintenance.
Approbation de l'ingénieur	Les examinateurs approuvent, modifient, rejettent ou escaladent chaque résultat.	La promotion silencieuse des brouillons de l'AI en décisions communicables.
Dossier de preuves	Le dossier approuvé conserve les liens vers les sources, les hypothèses, les notes de l'examinateur et l'état d'audit.	Des recommandations non traçables ou des exceptions non documentées.

Où cela crée d’abord de la valeur

L’AI agentique est la plus utile dans les flux des compagnies d’électricité qui sont riches en preuves, transversaux et répétitifs.

Les points de départ les mieux adaptés comprennent :

• Les dossiers de preuves d’APM de transformateur pour la DGA, les PRPD, la SFRA, le thermique/la charge, les inspections, l’historique de maintenance et l’examen santé/risque.
• Les lots de travaux de maintenance conditionnelle qui nécessitent une justification reliée aux sources et des états d’approbation.
• Les dossiers de preuves de modernisation du réseau pour les DER, les charges importantes, la résilience et les discussions de planification des raccordements.
• Les dossiers de transfert d’événement entre les équipes d’exploitation, de planification, de protection, de fiabilité, de gestion d’actifs et de terrain.
• L’apprentissage de clôture issu des travaux de maintenance ou d’investigation achevés.

Les points de départ moins adaptés ou dangereux comprennent le contrôle autonome, l’approbation des réglages de protection, les décisions de limites d’exploitation en temps réel, les dépôts réglementaires finaux, ainsi que tout flux où la limite des sources ou l’autorité de l’examinateur est floue.

Exigences de gouvernance pour les entreprises du secteur énergétique

L’AI Risk Management Framework et le Cybersecurity Framework du NIST sont des repères utiles, car ils aident les équipes à raisonner en systèmes : gouverner, cartographier, mesurer, gérer, identifier, protéger, détecter, répondre et récupérer. Les travaux du DOE CESER sur l’AI dans le secteur énergétique mettent en évidence des catégories de risque autour des modes de défaillance de l’AI, des attaques adverses, de l’usage hostile et de la compromission de la chaîne d’approvisionnement logicielle.

Pour une architecture de référence de compagnie d’électricité, cela se traduit par des exigences pratiques :

• Un inventaire des sources approuvées.
• Une limite de déploiement locale d’abord ou contrôlée.
• Des permissions basées sur les rôles.
• Une séparation entre l’assistance à la planification et le contrôle OT.
• Une approbation humaine avant les résultats communicables.
• Un traitement des exceptions pour les preuves manquantes ou contradictoires.
• Une piste d’audit pour la source, le brouillon, l’examinateur et le dossier final.
• Des métriques de pilote liées à la friction, non au battage médiatique.

Comment GridAPM peut aider

La position publique la plus solide de GridAPM est celle d’un atelier d’ingénierie local d’abord, capable de fonctionner hors ligne, pour l’APM des transformateurs, la CBM, la traçabilité des preuves et les flux d’AI agentique revus par des humains.

Dans le cadre d’un pilote, GridAPM peut aider les compagnies d’électricité à :

• Assembler les preuves des transformateurs à partir de la DGA, des PRPD, de la SFRA, du thermique/de la charge, des inspections, de l’historique des travaux et de la criticité des actifs.
• Faire remonter les lacunes de provenance avant une réunion d’examen.
• Rédiger des résumés de preuves et le libellé des lots de travaux de maintenance en vue d’un examen humain.
• Conserver les états d’approbation, les schémas de brouillons rejetés et la justification de l’examinateur.
• Constituer des dossiers de preuves pour la mesure du pilote et l’examen par les parties prenantes internes.

Commencez par le cartographe de maturité des flux d’AI agentique pour compagnies d’électricité, le planificateur de preuves de modernisation du réseau, le hub d’outils, la plateforme, la page confiance, la page sécurité, la page traitement des données et l’évaluation de pilote.

Le principe de l’architecture de référence

Les compagnies d’électricité ne devraient pas se demander si les agents sont impressionnants. Elles devraient se demander si les agents sont bornés, reliés aux sources, examinables, mesurables et sûrs à l’intérieur d’un flux d’infrastructure critique.

L’opportunité de GridAPM est de rendre cette architecture concrète pour l’APM des transformateurs et les flux de preuves des compagnies d’électricité : locale d’abord, revue par des humains, prête pour l’audit et honnête sur ce que l’AI ne devrait pas décider.