Emplois dans les énergies renouvelables · Apprentissage Automatique

Emplois en apprentissage automatique dans les énergies renouvelables

L’apprentissage automatique en énergie construit les modèles qui ajustent la production variable à la demande du réseau. Il prévoit la production éolienne et solaire à quelques heures ou quelques jours, optimise le dispatch des batteries, repère les défauts naissants des turbines à partir des données de vibration et fixe les prix sur le marché J-1.

La discipline est passée de curiosité de recherche à nécessité opérationnelle. DeepMind a rapporté un gain de 20 % sur la valeur de son éolien dès lors que son réseau de neurones prévoyait la production 36 heures à l’avance, permettant des engagements J-1 plutôt qu’un réajustement de dernière minute. Le rapport Energy and AI de l’AIE souligne par ailleurs que les compétences en IA sont nettement sous-représentées chez les utilities et dans le pétrole-gaz par rapport à la tech, la finance ou les médias. C’est là que se joue l’ouverture.

Où les postes se concentrent

Les rôles se répartissent en quelques familles. Les data scientists construisent les prévisions de production et de consommation, les ingénieurs ML mettent ces modèles en production dans les systèmes de trading et de dispatch, les data engineers raccordent SCADA et données de comptage aux pipelines, et un noyau plus réduit travaille sur le contrôle du plasma en fusion, la découverte de matériaux et les modèles d’état de santé des batteries. Les intitulés du type "Data Scientist - Forecasting & Analytics" reviennent souvent : c’est dans la prévision que le ML apporte la valeur commerciale la plus claire.

Les recrutements se concentrent dans quelques villes. Londres domine en volume grâce aux fournisseurs, traders et cabinets d’analytique énergétique. Berlin et Munich suivent, tirés par la demande de logiciels réseau liée à l’Energiewende. Bristol, Glasgow, San Francisco, Houston, Bangalore et Singapour complètent le haut du classement. Côté français, Paris reste l’épicentre des postes ML chez EDF, Engie, TotalEnergies Renouvelables, RTE et la filière start-up (Voltalia, Verkor, Elum Energy). Le télétravail est plus répandu ici que sur les rôles terrain, mais la plupart des postes exigent un recouvrement horaire avec les desks de trading ou les équipes d’exploitation.

Employeurs et rémunérations

Les employeurs actifs se rangent en quatre archétypes. Utilities et propriétaires d’actifs (Vattenfall, EDP Renewables, NextEra Energy) recrutent pour la prévision, l’optimisation et l’analytique de portefeuille. Éditeurs de logiciels réseau et plateformes résidentielles (OVO Energy, Kiwigrid, Uplight, Eliq) ont besoin de ML pour la désagrégation de consommation, la segmentation client et le pilotage des ressources distribuées. Les sociétés tournées trading comme Gridmatic paient leurs ingénieurs ML quantitatifs à des niveaux proches du fintech. Les industriels (Verkor, Bloom Energy) construisent des modèles de vieillissement de cellules et de performance des piles à combustible.

Les rémunérations reflètent ce croisement. Un ingénieur ML en Allemagne se situe entre 70 000 et 100 000 € en salaire de base, avec des seniors à Berlin ou Munich au-delà de 120 000 €. En France, les profils équivalents chez les utilities et les éditeurs énergétiques tournent autour de 55 000 à 85 000 € en début à milieu de carrière, et 95 000 à 130 000 € pour les seniors et leads. Au Royaume-Uni, les salaires des renouvelables ont progressé en moyenne de 13,2 % en 2025, et un ingénieur ML dans une start-up énergétique londonienne touche couramment 85 000 à 110 000 £. La prime va à ceux qui combinent les fondamentaux de ML et la connaissance du secteur : séries temporelles et prévision probabiliste, mécanique du marché de l’électricité, manipulation des données SCADA et du réseau, ou expérience des modèles prédictifs pour l’exploitation d’actifs.

Ce que regardent vraiment les recruteurs

Les diplômes ML génériques ne suffisent pas. Les responsables du recrutement cherchent soit une expérience en production sur les séries temporelles et la prévision probabiliste (LSTM, gradient boosting, prédiction conforme), soit une raison crédible de vouloir entrer dans l’énergie. Les compétences associées qui reviennent : Python, PyTorch ou TensorFlow, outils MLOps, analyse géospatiale et de plus en plus les LLM pour la documentation d’actifs et les copilotes d’opérateurs. Les meilleurs profils maîtrisent aussi les bases du système électrique : ce qu’est le curtailment, pourquoi existent les marchés d’équilibrage, ce qui compose la stack de revenus d’une batterie. La combinaison science des données et savoir-faire sectoriel est ce qui fait passer un CV de la pile "peut-être" au premier entretien.