En moins de trois ans, TotalEnergies est passé d'une poignée de modèles expérimentaux à une machine industrielle : plus de 30 000 licences Microsoft Copilot déployées, un « LLM Hub » interne d'une quarantaine de modèles, plus de 10 000 « objets d'IA » revendiqués en production et un partenariat stratégique avec Mistral AI pour bâtir des agents jusque dans les raffineries. Le major français décrit une accélération « jugée stratégique » — mais derrière les grands nombres, l'entreprise avoue elle-même qu'elle apprend encore à gouverner, à mesurer et à rentabiliser cette IA. Enquête sur la façon dont un géant de l'énergie tente d'industrialiser l'intelligence artificielle sans se raconter d'histoires.
D'une « Digital Factory » à une usine à modèles
L'histoire ne commence pas avec ChatGPT. Cela fait cinq ans que TotalEnergies a monté sa Digital Factory, une structure d'environ 300 experts — data scientists, développeurs, designers — chargée d'industrialiser le numérique du groupe. Elle a produit, selon l'entreprise, une centaine de solutions, dont une soixantaine embarquent déjà de l'IA : prévision de demande, analyse de données de capteurs, optimisation d'actifs. L'IA « classique », prédictive, était donc là bien avant la vague générative.
C'est cette dernière qui a tout accéléré. Dès l'été 2023, le groupe teste Bing Chat Enterprise, puis lance en septembre une phase pilote de Copilot auprès de 300 collaborateurs. Les retours sont assez bons pour convaincre la direction générale de passer à l'échelle. « Les nouvelles technologies d'intelligence artificielle générative vont [apporter aux collaborateurs] la simplification et l'autonomie », résume alors le PDG Patrick Pouyanné dans le communiqué de lancement. Le discours interne se durcit : « L'IA, ce n'est pas une lubie de l'IT », martèle Olivier Lacroze, directeur de TotalEnergies Global Information Technology Services. Comprendre : ce n'est plus un laboratoire, c'est un programme d'entreprise.
Dans son étude « De la Data à l'IA industrielle », LeMagIT décrit le basculement qui structure aujourd'hui la démarche : le passage d'une logique « bottom-up » — mille initiatives fleurissant dans les branches — à une approche « top-down », alignée sur six programmes prioritaires. Modernisation des sites industriels (IoT, robotique, drones), sécurisation des opérations, modélisation des chaînes de valeur, usine « à émissions quasi nulles », biomasse, capture et stockage du carbone : l'IA n'est plus une fin, elle devient un outil au service de la stratégie multi-énergies. C'est le moment où une entreprise cesse de collectionner les preuves de concept et commence, vraiment, à industrialiser.
Copilot à l'échelle : 30 000 licences, un usage à mesurer
Le premier étage de la fusée, c'est la démocratisation. TotalEnergies a distribué plus de 30 000 licences Microsoft 365 Copilot et déclarait 23 000 collaborateurs formés en octobre 2025, avec un taux d'adoption revendiqué de 70 %. À cela s'ajoutent des licences Power Platform et des outils comme Alteryx, pour permettre à des non-informaticiens de bricoler leurs propres automatisations — ce que le groupe appelle la « citizen data science ».
Les chiffres sont spectaculaires. Ils méritent aussi d'être lus dans le détail. Selon la fiche client publiée par Microsoft, 70 % des utilisateurs se servent de Copilot chaque semaine et près de la moitié chaque jour. Rapporté aux 30 000 licences, l'entonnoir raconte une histoire plus nuancée que le chiffre d'affichage : l'usage réellement quotidien tourne autour de 15 000 collaborateurs, la moitié des licenciés.
Cette lecture n'a rien d'infamant — la moitié d'usage quotidien sur un outil déployé en dix-huit mois est un excellent score, très au-dessus de bien des déploiements d'entreprise. Elle rappelle simplement que « distribuer une licence » et « transformer une façon de travailler » sont deux choses distinctes. Le groupe l'a compris : il a soutenu le déploiement d'un accompagnement massif, jusqu'à un événement par jour en moyenne pendant la montée en charge. Là où d'autres se contentent d'acheter des sièges — Microsoft rêve d'ailleurs de faire de Copilot un « collègue de bureau » à part entière —, TotalEnergies a investi dans la conduite du changement.
Le « LLM Hub », supermarché interne de modèles
Le deuxième étage vise les développeurs. Pour éviter que chaque équipe ne rebranche dans son coin l'API d'un fournisseur, la Digital Factory a bâti un « LLM Hub » : un point d'accès unique et validé à un catalogue de grands modèles de langage. « Pour les développeurs, nous avons mis en place le LLM Hub, qui leur permet d'accéder à plus de 30 modèles », explique Michel Lutz, Chief Data Officer et responsable Data & AI de la Digital Factory. Le catalogue, qui comptait « plus de 30 » modèles au lancement, en réunit désormais une quarantaine — signés Mistral AI, Anthropic, OpenAI et d'autres —, hébergés sur les infrastructures Azure et AWS du groupe.
L'idée est double. Côté gouvernance, elle canalise : un seul robinet, validé sur les plans juridique, sécurité et coût, plutôt que mille intégrations sauvages. Côté ingénierie, elle banalise le modèle : un développeur choisit celui qui convient à sa tâche — un petit modèle rapide pour de la classification, un modèle raisonneur pour un agent complexe — sans changer de tuyauterie. C'est exactement la logique qui a fait le succès des places de marché de modèles chez les hyperscalers, transposée derrière le pare-feu d'un industriel.
Cette approche « multi-modèles » est aussi une assurance stratégique. Ne dépendre d'aucun fournisseur unique, c'est pouvoir arbitrer selon les prix, les performances et — on y reviendra — la sensibilité des données. Le sujet n'est pas théorique : les banques, terrifiées par la facture, rationnent déjà leur consommation d'IA, et les entreprises les plus « AI-pilled » dépensent des milliers de dollars d'IA par salarié et par mois. Maîtriser le point d'entrée, c'est maîtriser la dépense.
Des agents jusque dans la raffinerie
C'est là que TotalEnergies quitte le terrain balisé de la bureautique augmentée pour celui, autrement plus exigeant, de l'IA agentique appliquée à l'industrie. Plusieurs agents sont déjà en service ou en pilote, et ils touchent le cœur de métier.
Le plus emblématique s'appelle MARGE (Machine Assisted Reliability and Graving Engine). Bâti sur Copilot Studio avec l'appui des équipes Microsoft Industry Solutions, il dépouille les rapports de maintenance industrielle et aide à qualifier les défaillances d'équipement. Résultat annoncé : une identification des défauts améliorée de 25 à 45 %. Dans la même veine, un agent de maintenance connecté au référentiel technique catégorise les ordres de travail « 90 % plus vite » en s'appuyant sur la norme ISO 14224, qui structure les données de fiabilité des équipements pétroliers et gaziers.
Côté achats, BuyerCompanion — déployé avec l'éditeur Witivio — prend en charge les commandes de moins de 50 000 euros : rédaction de cahiers des charges, identification de fournisseurs, recommandations personnalisées et contrôle de conformité. L'objectif affiché est une économie de 10 % sur certains achats, avec une extension prévue à 15 000 utilisateurs dans le monde. Un autre agent, branché sur SAP, crée et valide directement des demandes d'achat. Ailleurs, un projet de géosciences applique OCR et RAG (génération augmentée par récupération) à d'immenses bases de connaissances géologiques, pour rendre exploitable un savoir jusque-là enfoui dans des rapports dormants. Un assistant est enfin destiné aux 1 000 chercheurs du groupe, et un pilote de support client teste des réponses en texte et en voix.
Le fil rouge est clair : il ne s'agit pas de faire écrire des e-mails à une IA, mais de la brancher sur les systèmes d'information industriels — ERP, historiens de données, référentiels de fiabilité — pour agir sur la performance des actifs et, argument omniprésent, réduire les émissions de CO₂.
La « data foundation », condition de tout le reste
Rien de tout cela ne tiendrait sans données propres. C'est la conviction la plus martelée par Michel Lutz : la qualité des données propriétaires et l'expertise des collaborateurs qui savent s'en servir intelligemment constituent, à ses yeux, le seul avantage compétitif durable — celui qui préserve l'intuition métier que les données brutes ne contiennent pas.
Concrètement, TotalEnergies a structuré une gouvernance de la donnée digne d'un manuel. Un Data Officer Council réunit les responsables data de chaque branche. Une approche « Data Product », inspirée du Data Mesh, traite chaque jeu de données comme un produit doté d'un propriétaire, d'une documentation et d'un contrat de service — les fameux Data Contracts, enrichis de métadonnées et de traçabilité. Le catalogue Collibra joue le rôle de place de marché interne, tandis que des partenariats avec Cognite et AspenTech exposent les données industrielles, souvent les plus rétives à normaliser. Sans cette plomberie, les agents décrits plus haut n'auraient rien de fiable à lire.
Mistral, ou le pari de la souveraineté
Pour les cas d'usage les plus complexes, TotalEnergies a scellé en juin 2025 un partenariat stratégique avec Mistral AI. Au menu : un laboratoire d'innovation commun réunissant data scientists du groupe et ingénieurs de la start-up, du fine-tuning de modèles sur les données maison, des workflows agentiques et multimodaux, et une méthode agile jalonnée de tests utilisateurs et d'évaluations automatisées via des mécanismes de « LLM-as-a-Judge ». « Nous allons du fine-tuning au coentraînement sur des données très spécifiques », précise Mathilde Lavacquery, architecte de solutions chez Mistral AI.
Le choix de Mistral n'est pas qu'une affaire de performance. Il est politique. Les modèles « open weight » de la start-up française restent modifiables et déployables sur l'infrastructure du client, y compris on-premise — une garantie que n'offre aucun modèle propriétaire américain fermé. « Ce partenariat témoigne de notre volonté de contribuer au développement d'un écosystème technologique européen », déclare Patrick Pouyanné, tandis que Michel Lutz revendique « la fierté de contribuer à un écosystème technologique européen » et évoque, à plus long terme, des alternatives souveraines aux clouds américains pour les charges les plus sensibles.
Il faut cependant lire cette souveraineté sans naïveté. Aujourd'hui, le LLM Hub et ses modèles — Mistral compris — tournent sur Azure et AWS, deux clouds américains. La souveraineté est un cap affiché, pas un état de fait. TotalEnergies rejoint ici un mouvement plus large : Mistral s'est imposé comme le champion national de référence, que ce soit auprès du Trésor, qui a débranché un modèle chinois jugé biaisé pour lui préférer la start-up française, du transporteur CMA CGM, devenu l'un de ses premiers grands clients pour coder à grande échelle, ou d'OVHcloud, qui rêve de multiplier les « Mistral gagnants ». La start-up, qui vend désormais son calcul à Microsoft dans un accord à plusieurs milliards, incarne à elle seule le pari européen — avec les ambiguïtés que cela suppose.
Gouverner 10 000 « objets d'IA »
Le chiffre le plus impressionnant est aussi le plus trompeur. TotalEnergies revendique plus de 10 000 « objets d'IA » en production. L'étude de LeMagIT prend soin de le nuancer : il s'agit de déclinaisons d'algorithmes — un même modèle instancié capteur par capteur, site par site — et non de 10 000 cas d'usage uniques. Un modèle de détection d'anomalie répliqué sur mille équipements compte pour mille objets. Le nombre dit surtout une chose : à cette échelle, la question n'est plus de créer des modèles, mais de les gérer sans se noyer.
Le groupe a donc bâti trois garde-fous. Pour la structuration, des gabarits MLOps réutilisables et une documentation scientifique standardisée. Pour la conformité, un catalogue de traçabilité baptisé « IA Cockpit » et l'outil Naaia, censé aligner les usages sur l'AI Act européen. Pour la performance, une plateforme « Scale AI » qui centralise les métriques — dérives, précision — et, en test, un agent « AI Ops » chargé de diagnostiquer lui-même les incidents des autres IA. La boucle se referme : de l'IA pour surveiller l'IA.
Michel Lutz ne cache pas les chantiers ouverts : refondre la gestion des connaissances pour la rendre lisible par des modèles, hybrider les approches « data-driven » avec les lois de la physique, faire muter le MLOps traditionnel vers le LLMOps, et surtout mesurer objectivement la performance de l'IA générative — un problème encore largement non résolu dans l'industrie.
Le ROI, angle mort assumé
C'est le point le plus honnête de la démarche, et le plus dérangeant. Malgré les 10 000 objets, les 30 000 licences et la quarantaine de modèles, la mesure du retour sur investissement reste un défi ouvert. TotalEnergies parle de gains — 25 à 45 % ici, 10 % là — mais ces chiffres portent sur des cas d'usage isolés, pas sur l'impact financier consolidé du programme.
Or le contexte incite à la prudence. Une étude du MIT très commentée en 2025 — « The GenAI Divide » — estimait que 95 % des projets d'IA générative en entreprise ne génèrent aucun retour mesurable, et que seuls 5 % atteignent une production à impact financier avéré. Le rapport soulignait au passage que les entreprises qui développent tout en interne échouent plus souvent que celles qui achètent des outils prêts à l'emploi — un point de vigilance pour un groupe qui construit lui-même une bonne partie de sa tuyauterie. Ailleurs, le désenchantement est déjà là : certaines entreprises ré-embauchent des humains là où l'IA a déçu.
TotalEnergies se range plutôt du côté des 5 % : une gouvernance data solide, des cas d'usage adossés au cœur de métier, des outils du marché plutôt que du tout-maison, un accompagnement massif des utilisateurs. Le major coche méthodiquement les cases que l'étude du MIT associe à la réussite. Mais il assume aussi de naviguer sans boussole financière parfaite, dans une industrialisation dont il reconnaît qu'elle apprend en marchant. Entre le récit triomphal des grands nombres et l'aveu, en creux, qu'on ne sait pas encore tout mesurer, l'IA industrielle de TotalEnergies avance sur cette ligne de crête — ni lubie, ni miracle : un chantier.