Google DeepMind lance WeatherNext 3 : la prévision météo IA vise les opérateurs de réseau électrique

Google DeepMind et Google Research ont annoncé le 3 septembre 2026 le déploiement de WeatherNext 3, troisième génération de leur modèle de prévision météorologique par IA. Le saut technique est net : résolution portée à 5 kilomètres à l'échelle globale (contre 25 km pour la version précédente), mise à jour horaire (contre toutes les six heures), et un délai de disponibilité des données ramené à 3-4 heures contre environ 7 heures auparavant. Le modèle prédit désormais spécifiquement la vitesse du vent à 100 mètres — l'altitude du moyeu des éoliennes — ainsi que la couverture nuageuse et l'ensoleillement au sol.

Sur les métriques de précision revendiquées, Google annonce une amélioration allant jusqu'à 60 % par rapport au produit satellite IMERG de la NASA, 30 % par rapport au radar MRMS, et 50 % sur la prévision de précipitations à plus d'une journée. Le modèle s'intègre directement à Google Search, à l'application Gemini, à Google Maps, ainsi qu'aux briques cloud BigQuery et Earth Engine — une distribution qui dépasse largement le cercle des météorologues professionnels.

Le calendrier n'est pas anodin. Les États-Unis ont ajouté en 2026 plus de 90 GW de nouvelles capacités électriques, dont 51,2 GW de solaire et 25,7 GW de stockage — des filières dont la production dépend directement des conditions météo. Dans le même temps, la demande de pointe est projetée en hausse d'environ 26 % d'ici 2035, tirée notamment par les centres de données dont la consommation électrique pourrait atteindre 176 GW à cette échéance, soit cinq fois le niveau de 2024.

Google affronte sur ce segment des acteurs spécialisés déjà installés — Vaisala, Solcast, WindGEMINI de DNV, HyperWatch d'IBM, ou encore la start-up suisse Jua et son modèle EPT-2 — mais avec un avantage de distribution que ces fournisseurs n'ont pas : l'intégration native à une infrastructure cloud déjà utilisée par de nombreux opérateurs énergétiques. Cardan-AI y consacre une analyse détaillée : pourquoi la précision d'une prévision météo a, mécaniquement, plus de valeur à mesure que le réseau électrique se décarbone et s'électrifie.