Je veux faire ce que la plupart des éditeurs SaaS ne font pas : montrer le calcul complet du ROI de l’IA solaire qui se cache derrière le chiffre principal, et non une estimation arrondie ou une vague affirmation du type « les clients constatent jusqu’à X ».
Car l’économie nette annuelle pour un portefeuille de 100 MW est un résultat que je suis prêt à défendre ligne par ligne. Et pour gagner la confiance d’un public de directeurs financiers, le meilleur moyen est d’inviter à l’examen, pas de l’éviter.
Le cadre
Cet exemple porte sur un portefeuille de 100 MW en courant alternatif, en silicium cristallin, au sol. Il repose sur un prix combiné de PPA et de marché volontairement prudent, et la production est estimée à partir des heures équivalentes de pleine charge observées en moyenne en Europe centrale.
L’abonnement mesh pour le palier 100 MW et les opérations de drones pilotées par les agents constituent ensemble le coût annuel total du mesh.
Toutes les économies présentées ci-dessous sont incrémentales par rapport à la situation de référence antérieure au mesh, composée du SCADA, de l’exploitation-maintenance manuelle et de campagnes de drones généralisées. Elles sont présentées nettes du coût total du mesh.
Économies par agent dans le calcul du ROI de l’IA solaire
1. Agent d’analyse thermique (poste principal)
La classification automatisée des relevés thermiques par drone identifie davantage de défauts exploitables par MW que l’inspection manuelle, ce qui réduit le délai entre la détection d’une panne et sa réparation.
Si l’inspection manuelle permet de réparer un certain nombre de défauts par MW et par an, et que les vols ciblés déclenchés par l’agent augmentent nettement ce nombre, l’écart représente un volume important de défauts supplémentaires sur l’ensemble du portefeuille. Chaque défaut corrigé récupère une partie de la production qui aurait été perdue, et le cumul est considérable.
2. Agent de performance des strings
L’analyse des tendances de variation détecte la dégradation plus tôt que l’alerte par seuil, et c’est la différence entre les systèmes de supervision des centrales solaires qui se contentent d’alerter et ceux qui prédisent.
Si un défaut de string est repéré plusieurs semaines plus tôt, la production perdue évitée s’accumule rapidement sur un portefeuille qui compte de nombreux défauts de string.
3. Agent d’opérations O&M
La création autonome des ordres de travail et l’acheminement des interventions réduisent nettement le délai entre l’identification d’une panne et l’affectation d’un technicien. Cela limite les déplacements répétés et améliore le taux de résolution dès la première visite.
Avec un volume annuel d’interventions nécessitant un envoi sur site et un coût par déplacement de camion, la baisse des visites répétées génère une économie opérationnelle significative.
4. Agent de priorisation des alarmes
Le tri multisignal des alarmes réduit les faux positifs et libère du temps aux équipes d’exploitation pour la gestion réelle des défauts. La plateforme ClearSpot vise à réduire le bruit des alarmes et à transformer les données de supervision en actions.
Si l’équipe du portefeuille consacre une part importante de sa journée aux alarmes avant le mesh, et beaucoup moins après, les heures économisées représentent un bénéfice annuel clair, même après répartition du chevauchement entre les agents.
5. Agent de gestion des garanties
La comparaison continue des défauts avec les conditions de garantie, avec des preuves par drone automatiquement regroupées pour les réclamations, permet de récupérer des réclamations qui seraient autrement arrivées à échéance sans être déposées.
Si la part des défauts couverts par la garantie effectivement réclamés augmente fortement, la récupération des réclamations devient l’un des postes les plus solides du modèle.
6. Agent d’optimisation de l’encrassement et du nettoyage
La modélisation du taux d’encrassement remplace le nettoyage calendaire par un nettoyage piloté par le ROI. Cela signifie moins d’interventions inutiles lorsque l’encrassement est faible, et une intervention plus rapide lorsque le nettoyage est économiquement justifié.
Le guide d’inspection des salissures par drone étaye l’idée qu’un nettoyage ciblé peut préserver la production tout en réduisant les interventions évitables sur site.
7. Agent d’intégration SCADA
La normalisation des données et la détection de dérive des capteurs améliorent la précision des analyses en aval et réduisent les fausses alarmes. La supervision de performance de ClearSpot s’appuie sur les données existantes du SCADA, de la supervision, des drones et de la GMAO, sans les remplacer.
La valeur est donc indirecte, mais bien réelle, car une meilleure qualité de données améliore les résultats de tous les autres agents.
8. Agent de vision par drone
La classification automatisée des images de drone réduit le coût du post-traitement et augmente le nombre de constats exploitables par vol. La chaîne d’inspection de ClearSpot est conçue pour relier l’inspection visuelle à la réponse opérationnelle.
Les économies liées aux drones sont déjà incluses dans le poste annuel des opérations par drone. La contribution de cet agent correspond donc à la valeur supplémentaire de la classification, et non à une double économie sur le coût d’inspection.
9. Agent de gestion de la végétation
L’analyse par drone des orthomosaïques RGB repère l’envahissement par la végétation avant qu’il ne provoque des pertes d’ombrage importantes. Le portefeuille passe ainsi d’une gestion généralisée des abords à un débroussaillage ciblé.
10. Agent de performance financière
Le lien en temps réel entre les événements opérationnels et les résultats financiers accélère l’escalade des problèmes à forte valeur et réduit l’effort manuel de reporting mensuel.
Notre guide sur le reporting automatisé de performance solaire explique comment l’automatisation du reporting soutient cette couche.
11. Intelligence pour l’asset manager
La mise à jour continue du registre des actifs et le suivi des échéances d’assurance et de garantie réduisent le risque de lacunes coûteuses. C’est un poste modeste jusqu’au moment où il évite une lacune majeure, et il se rentabilise alors plusieurs fois.
12. Agent de préparation à la due diligence technique et aux opérations de M&A
Garder la data room à jour réduit le travail de conseil avant transaction et aide à éviter les fuites de valeur pendant la due diligence. Cela compte moins chaque jour, mais davantage aux moments où le portefeuille est sous surveillance.
13–14. SolarEPC Hub + RebatrAI
Pour les portefeuilles présentant une activité de développement ou d’EPC, l’optimisation des plannings et la captation des incitations ajoutent encore de la valeur. Le SolarEPC Hub pour l’automatisation du back-office EPC fournit le cadre de coordination plus large pour cette couche.
Le total
Les contributions des agents forment un total brut annuel important. Une fois le coût total du mesh déduit, on obtient l’économie nette, c’est-à-dire le chiffre qu’une équipe financière doit vérifier.
Chaque ligne ci-dessus est une hypothèse explicite. Vous pouvez donc remplacer les données par celles de votre propre portefeuille et refaire le calcul. Les pages de plateforme de ClearSpot décrivent un système à l’échelle du portefeuille qui analyse en continu les données du SCADA, de la supervision, des drones et des ordres de travail pour récupérer les pertes cachées et réduire les déplacements inutiles sur site.
Ce que ce n’est pas
Ce n’est pas une affirmation vague du type « jusqu’à X ». C’est un modèle détaillé dont chaque hypothèse est visible, afin qu’une équipe financière puisse tester chaque ligne avec les données de son propre portefeuille avant de s’appuyer sur le résultat.
Les hypothèses sont prudentes. Le modèle retient un prix volontairement modeste, même si certains portefeuilles obtiennent davantage, et il utilise l’irradiation d’Europe centrale, alors que de nombreux sites du sud de l’Europe produisent davantage. Les bénéfices secondaires, comme de meilleures conditions avec les prêteurs, des valorisations plus élevées lors des refinancements ou des primes d’assurance plus basses, sont exclus.
Pour la méthodologie de benchmarking par IA qui sous-tend le cadre de mesure, découvrez comment ClearSpot construit ses benchmarks à partir de données mesurées plutôt que d’affirmations anecdotiques.
Conclusion
Si vous exploitez un portefeuille de 100 MW et que vous ne captez pas ce niveau de pertes évitables, vous laissez probablement de l’argent sur la table. La vraie question est de savoir si vous voulez le comptabiliser.
Questions fréquentes
Chacun des quatorze agents d’IA se voit attribuer une économie annuelle par rapport à une situation de référence antérieure au mesh, composée du SCADA, de l’O&M manuelle et de campagnes de drones généralisées, pour un portefeuille de 100 MW. Les lignes des agents sont additionnées pour obtenir un total brut, puis le coût total du mesh est déduit.
L’exemple retient un abonnement annuel au palier 100 MW, auquel s’ajoute un poste annuel d’opérations par drone pilotées par les agents. Ces deux postes constituent le coût annuel total du mesh.
Les postes principaux sont l’agent d’analyse thermique, l’agent de performance des strings et l’agent de gestion des garanties.
Les bénéfices secondaires, comme de meilleures conditions avec les prêteurs, des valorisations plus élevées lors des refinancements ou des primes d’assurance plus basses, sont exclus. Le modèle retient en outre un prix prudent et l’irradiation d’Europe centrale.