Par l’équipe Heliocity — Novembre 2026
Dans le cadre du programme COSMIC, Heliocity vient de franchir une étape clé du Challenge 12 : les deux applications développées cette année sont désormais ouvertes aux bêta-testeurs de nos deux sites pilotes, en France et au Portugal. La plus visible pour l’utilisateur est un agent conversationnel fondé sur l’intelligence artificielle, qui transforme un audit de performance en un état des lieux clair et en actions concrètes.
Le problème n’est plus de détecter, il est de comprendre
Les analytics de performance photovoltaïque d’Heliocity savent aujourd’hui détecter beaucoup de choses : sous-performances, anomalies, causes probables, pertes associées. Le résultat est un diagnostic dense — des dizaines de postes de pertes, des pourcentages par point de mesure, des signatures à interpréter. En tirer une décision de maintenance demande du temps d’expert.
C’est précisément ce temps qui manque aux gestionnaires d’actifs, aux techniciens d’exploitation, aux collectivités et aux communautés énergétiques qui opèrent aujourd’hui des centrales. Un rapport d’audit complet mais illisible ne produit aucune action.
Ce que fait l’agent
À partir des résultats d’analytics d’une centrale, l’agent génère automatiquement une synthèse de son état de santé, la liste des anomalies détectées hiérarchisées par sévérité et par urgence, les actions préventives et correctives recommandées dans l’ordre où les mener, et l’estimation des pertes d’énergie correspondantes.
Surtout, l’utilisateur peut poursuivre par une conversation. Pourquoi cette anomalie ? Existe-t-il une alternative à l’action proposée ? Que se passe-t-il si je ne fais rien cette année ? Les réponses s’adaptent au profil : un même constat ne se formule pas de la même manière pour un ingénieur et pour un exploitant non spécialiste.
Une IA construite autour de ce qu’elle ne doit pas dire
Un agent qui parle de maintenance engage des décisions qui coûtent. Nous l’avons donc construit autour d’une contrainte simple : il n’avance rien qui ne soit établi par les données de la centrale.
Les constats proviennent de nos règles expertes et des mesures de l’audit, jamais d’une intuition du modèle. Un cas comparable tiré de notre base de connaissances peut illustrer un constat, jamais le remplacer — et aucune installation tierce n’y est identifiable. Lorsqu’une information n’est pas disponible, l’agent le dit au lieu de la produire.
Un exemple concret. Un déficit de courant observé sur une moyenne annuelle ne permet pas de conclure au vieillissement des modules : il peut tout aussi bien s’agir d’un encrassement présent dès le début de la période. L’agent ne tranchera donc jamais sur cette seule base. Il recommandera d’abord de vérifier l’état d’encrassement du champ, puis une mesure I-V sur champ propre — seule base solide pour engager, le cas échéant, une garantie fabricant. C’est cette discipline qui fait la différence entre un assistant utile et un générateur de texte plausible.
Où nous en sommes
L’agent a été validé sur un corpus d’audits réels réservés à cet usage, à travers une campagne de tests structurée couvrant la qualité des réponses, la robustesse face aux questions ambiguës ou hors périmètre, et l’absence d’affirmations non étayées. Il est aujourd’hui déployé dans notre plateforme et accessible aux premiers bêta-testeurs, aux côtés de notre second module : la vérification et la complétion automatiques des données descriptives d’une centrale, qui garantit la fiabilité des entrées du diagnostic.
La suite
Les prochaines semaines seront consacrées à la formation des bêta-testeurs, puis à une période d’essai sur leurs propres installations. Leurs retours alimenteront la version finale et le modèle de déploiement de ces deux fonctionnalités.
