L’échographie repose sur un pari contre-intuitif : on ne voit pas l’organe, on entend son écho, et l’image naît d’un calcul qui remonte du signal réfléchi vers la forme qui l’a produit. Quand l’apprentissage automatique est entré dans les services d’imagerie, il n’a pas touché à cette physique : il s’est installé en aval, pour délimiter des contours et repérer des anomalies. Le geste de mesure est resté, l’interprétation a changé de main.
La prospection pétrolière procède ainsi, à une autre échelle. Des ondes sont envoyées dans la croûte terrestre, leurs échos captés par des milliers de capteurs, et un supercalculateur passe des semaines à résoudre le problème inverse qui transforme ce signal en cube d’images. Un géoscientifique y traque ensuite failles, corps sédimentaires et poches où les hydrocarbures se sont piégés, pendant des mois pour un seul cube.
C’est ce second temps, celui de l’interprétation, que vise l’accord rendu public le mardi 15 septembre : TotalEnergies engage plus de 100 millions d’euros sur trois ans aux côtés de l’éditeur français d’intelligence artificielle Mistral, pour « une nouvelle génération de modèles de frontière en intelligence artificielle » destinée à ses experts en géosciences dans « l’exploration, la caractérisation et le développement des réservoirs de pétrole et de gaz ». L’engagement, ce que le calcul change au métier, l’état de la recherche et le hors-champ de l’annonce méritent d’être repris dans cet ordre.
Ce que le contrat engage
Le dispositif prend la forme d’un laboratoire scientifique commun aux deux entreprises, chargé « de générer de multiples scénarios », à la fois « pour le développement d’opportunités d’exploration » et « pour l’optimisation et la prolongation de la durée de vie des projets existants ». La formule réunit deux métiers distincts : trouver des hydrocarbures là où nul n’a encore foré, et faire durer les gisements déjà en production.
Patrick Pouyanné, PDG de TotalEnergies, place la barre haut : « L’exploration et l’ingénierie des réservoirs figurent parmi les domaines où l’intelligence artificielle peut créer le plus de valeur pour nos activités. » Il détaille l’équation : « En combinant un siècle de données de géosciences, l’expertise de nos équipes et les capacités de Mistral, nous voulons développer une nouvelle génération d’outils capables d’assister nos experts dans l’analyse des données les plus complexes et dans leur prise de décision. »
L’IA agentique, mot absent des reprises
Un terme figure dans le communiqué et disparaît de la plupart de ses reprises : les modèles s’appuieront « en particulier sur l’IA agentique ». Un modèle qui classe des images sismiques rend un avis que l’on vérifie ; un agent qui enchaîne raisonnements et appels d’outils dans le travail du géoscientifique produit une chaîne de décisions dont chaque maillon engage le suivant. La différence porte sur la responsabilité.
Près de dix pétaflops de données
Le communiqué annonce que le partenariat réunira près de dix pétaflops de données accumulées par le groupe. L’unité ne tient pas : le pétaflops mesure une vitesse de calcul, non un volume d’information, qui se compte en pétaoctets. La formule a voyagé telle quelle dans la presse qui a relayé l’annonce, si bien qu’aucun chiffre public ne dit quel volume d’archives TotalEnergies verse réellement au laboratoire commun.
Ce que le calcul fait au sous-sol
Un problème inverse que la physique ne règle pas seule
L’imagerie sismique consiste à envoyer des ondes dans le sous-sol, à enregistrer leurs échos et à reconstituer la structure des roches à partir du signal réfléchi. La méthode de référence pour en tirer des modèles haute résolution s’appelle l’inversion de forme d’onde complète. Elle bute sur le cycle skipping, décalage d’un cycle entre onde simulée et onde mesurée qui piège l’algorithme dans une solution fausse, et coûte des semaines de calcul.
Là où l’apprentissage s’insère
L’apport revendiqué de l’intelligence artificielle n’est pas de remplacer ce calcul physique. Il se loge en amont, pour initialiser l’inversion avec un modèle de départ plus proche de la solution, et en aval, pour automatiser l’interprétation : segmentation des failles, identification des géocorps, estimation des propriétés de réservoir. C’est un gain de temps d’expert, pas une découverte automatique de gisement.
Des modèles de fondation sans mètre étalon
Ce que la recherche sait déjà faire
La brique technique n’est pas à inventer. Un modèle de fondation sismique de référence a été entraîné sur plus de 2,2 millions d’images par reconstruction masquée. Le Geological Everything Model 3D, publié le 1er juillet 2025, reformule les tâches de sous-sol en inférence conditionnée par un prompt et généralise sans réentraînement. Le 2 septembre 2025, Los Alamos présentait The Transparent Earth, un transformeur à huit modalités qui divise par plus de trois l’erreur sur l’angle de contrainte.
Ni cohérence physique, ni banc d’essai
Une revue de méthode publiée le 24 avril 2025 nomme les trois obstacles qui séparent la géophysique du texte et de l’image : la diversité des données, leur complexité, et les contraintes de cohérence physique auxquelles les sorties doivent satisfaire. Elle recommande d’injecter ces contraintes pendant l’entraînement. C’est ce qui manque à un grand modèle de langage : il n’a jamais rencontré l’équation d’onde.
Une revue décennale parue le 8 juin 2026, qui couvre les travaux de 2015 à 2025 sur l’interprétation structurale, les géocorps, les faciès et les propriétés de réservoir, ajoute un verrou plus embarrassant que la généralisation d’une campagne à l’autre : l’absence de référentiels d’évaluation fiables, que ses auteurs tentent de combler en publiant CIG-Bench. Sans mètre étalon public, rien ne dira dans trois ans si les cent millions ont produit autre chose qu’un assistant documentaire.
Deux cents millions d’euros en quatre mois
Le fer avant l’intelligence
Le 6 mai 2026, quatre mois plus tôt, TotalEnergies annonçait avec Dell Technologies et NVIDIA le développement de Pangea 5, son supercalculateur de nouvelle génération installé au Centre scientifique et technique Jean Féger de Pau, pour le même montant de plus de 100 millions d’euros. La machine doit multiplier par six la puissance de calcul du groupe, entrer en service en 2027 et consommer 40 % d’énergie en moins à performance égale.
Trois pour cent de l’effort numérique
Le groupe ne découvre pas le calcul intensif : il aligne des supercalculateurs depuis Pangea I en 2013, et Pangea III affichait déjà 31,7 pétaflops théoriques en 2019. L’IA générative arrive sur un socle mûr de treize ans, elle ne le remplace pas. TotalEnergies consacre par ailleurs environ un milliard de dollars par an à la recherche, à l’innovation et à la digitalisation depuis 2021, et sa Digital Factory réunit près de 300 personnes : trente-trois millions par an en représentent environ 3 %.
Le corpus plutôt que le modèle
Lue depuis la recherche, la transaction se renverse. Architectures et méthodes d’entraînement auto-supervisé circulent librement ; ce qui ne circule pas, ce sont les campagnes sismiques, les diagraphies, les rapports de forage et les archives d’interprétation qu’une major accumule depuis cent ans. Ce n’est pas seulement un pétrolier qui achète de l’intelligence artificielle : c’est un éditeur de modèles qui achète de la donnée.
Le montant relève d’un format déjà rodé auprès des grands groupes français : en avril 2025, CMA CGM signait un partenariat de 100 millions d’euros avec Mistral, mais étalé sur cinq ans. TotalEnergies met la même somme sur trois ans pour un objet autrement plus étroit, et des deux côtés du contrat le sous-sol sera calculé sur du silicium NVIDIA.
Le marché que Google avait quitté
Le même montage, huit ans plus tôt
Ce n’est pas la première fois que le groupe confie son sous-sol à une intelligence artificielle extérieure. Le 24 avril 2018, Total signait avec Google Cloud un accord sur l’analyse des données de sous-sol : vision par ordinateur pour les images sismiques, traitement du langage naturel pour les documents techniques. Ses géoscientifiques travaillaient dans l’Advanced Solutions Lab californien du fournisseur, avec pour ambition affichée de leur donner un assistant personnel.
Le retrait de 2020
Le 19 mai 2020, Greenpeace USA publiait Oil in the Cloud, enquête documentant quatorze contrats liant Amazon, Microsoft et Google à des compagnies pétrolières pour appliquer cloud et apprentissage automatique à la production d’hydrocarbures. Le lendemain, Google annonçait qu’il ne construirait plus d’algorithmes sur mesure facilitant l’extraction amont. L’enjeu financier était mince : environ 65 millions de dollars en 2019, moins de 1 % de son activité cloud.
Le précédent chiffré le plus proche reste l’accord du 22 février 2019 entre ExxonMobil et Microsoft, par lequel la filiale XTO Energy devait faire du bassin Permien la plus grande surface pétrolière exploitée sous cloud, avec une croissance annoncée jusqu’à 50 000 barils équivalent pétrole par jour d’ici 2025. Greenpeace en chiffrait l’effet à 3,4 millions de tonnes de CO2 équivalent par an. L’annonce du 15 septembre, elle, ne promet aucun baril.
La souveraineté et la finalité
Le communiqué insiste sur la protection des données de sous-sol propriétaires et de la propriété intellectuelle du pétrolier, et Patrick Pouyanné y voit la marque d’une « volonté [de l’entreprise] de contribuer au développement d’un écosystème digital européen performant, au service de notre compétitivité ». Arthur Mensch, cofondateur et PDG de Mistral, répond sur le registre industriel : « Ce projet démontre la capacité de nos modèles à accompagner des processus industriels complexes et à s’adapter aux défis scientifiques et énergétiques les plus exigeants. »
Google demeure le seul fournisseur d’intelligence artificielle de premier rang à s’être publiquement retiré de ce terrain, et aucun de ses concurrents n’a pris le même engagement. Mistral s’y installe à son tour et l’assume. L’argument de souveraineté porte sur l’hébergement, le contrôle et la propriété des données, jamais sur l’usage : l’Europe où tourne un modèle ne dit rien de ce qu’on lui fait chercher.
Le hors-champ de l’annonce
Un investissement dont l’objet explicite est de développer des opportunités d’exploration se heurte à une phrase connue. Dans le scénario Net Zero Emissions publié le 18 mai 2021 par l’Agence internationale de l’énergie, aucun nouveau champ pétrolier ou gazier n’est approuvé au-delà des projets déjà engagés en 2021. La trajectoire n’a pas force de loi, mais elle reste le référentiel du secteur.
La juxtaposition est d’autant plus sensible que le 23 octobre 2025, le tribunal judiciaire de Paris condamnait TotalEnergies pour pratiques commerciales trompeuses, sur ses allégations d’ambition de neutralité carbone en 2050. Première décision au monde sanctionnant une major pétrolière pour sa communication climatique, elle ordonne la cessation des messages et la publication du jugement pendant cent quatre-vingts jours.
Le pétrolier des deux côtés du compteur
Le même groupe vend l’électricité qui fait tourner l’intelligence artificielle. Le 12 novembre 2025, il signait un contrat de quinze ans pour fournir 1,5 térawattheure renouvelable aux centres de données de Google depuis l’Ohio ; le 9 février 2026, deux autres portaient sur un gigawatt de solaire au Texas. Ces centres ont consommé 415 térawattheures en 2024 et devraient approcher 945 térawattheures en 2030, un peu plus que la consommation électrique du Japon.
Le contrat se lit à deux niveaux. Au premier, c’est une opération d’efficacité industrielle banale : un groupe qui calcule son sous-sol depuis treize ans achète des modèles pour faire gagner des semaines à ses interprètes, sur une machine déjà financée. Au second, c’est l’entrée sur un terrain qu’un fournisseur d’IA avait quitté par principe six ans plus tôt, et qu’occupe aujourd’hui l’acteur qui a fait de l’autonomie technologique européenne son étendard.
La question n’est pas de savoir si un éditeur français a le droit de servir un client pétrolier : il l’a, et le renoncement de 2020 fut une exception isolée. Elle est de savoir ce que le mot souveraineté recouvre lorsqu’il désigne l’endroit où tournent les serveurs et jamais la finalité du calcul. Reste la vérification : aucun banc d’essai partagé, aucun baril annoncé, et un volume de données qu’une unité de mesure fausse laisse dans l’ombre.
La même mécanique se rejoue partout où un modèle généraliste rencontre une donnée industrielle rare : le modèle est un bien abondant, la donnée un actif de rente, et l’alliance se conclut toujours dans ce sens. Les disciplines assises sur des archives centenaires, de la climatologie à l’agronomie, s’apprêtent à découvrir qu’elles détiennent la moitié la plus rare du marché.
Aller plus loin
Le document de départ mérite d’être lu pour lui-même : le communiqué de TotalEnergies annonçant le partenariat avec Mistral contient trois éléments que les reprises laissent de côté, la mention de l’IA agentique, la déclaration d’Arthur Mensch et l’engagement sur les données de sous-sol.
L’autre moitié de l’histoire s’est jouée quatre mois plus tôt et pour le même montant, puisque le communiqué sur Pangea 5, développé avec Dell Technologies et NVIDIA détaille la machine de Pau et montre que le contrat de septembre achète des modèles pour une infrastructure déjà financée.
Le précédent exact tient en une page, puisque Total to Develop Artificial Intelligence Solutions with Google Cloud annonçait dès 2018 vision par ordinateur sur la sismique, traitement du langage sur les documents techniques et assistant personnel promis aux géoscientifiques.
L’enquête qui a fait basculer ce marché reste consultable, et Oil in the Cloud: How Tech Companies are Helping Big Oil Profit from Climate Destruction décortique quatorze contrats entre Amazon, Microsoft, Google et les majors. Publié la veille du revirement de Google, il fournit le seul chiffrage climatique public d’un accord de ce type.
Pour mesurer ce que l’annonce de septembre ne dit pas, le communiqué ExxonMobil to increase Permian profitability through digital partnership with Microsoft sert d’étalon : c’est le seul cas où un pétrolier a publiquement chiffré le gain de production attendu d’un contrat numérique.
L’état de l’art se prend de haut avec Artificial Intelligence for Subsurface Imaging Understanding: A Decade Review of Challenges, Methods, Benchmarks, and Outlook, qui parcourt dix ans de travaux sur quatre familles de tâches et reconnaît que le domaine manquait de référentiels fiables. Les auteurs y joignent CIG-Bench, première tentative de mètre étalon commun.
Pour comprendre pourquoi les recettes du langage ne se transposent pas telles quelles, la revue On the workflow, opportunities and challenges of developing foundation model in geophysics énumère les contraintes propres à la géophysique et plaide pour l’injection de contraintes physiques pendant l’entraînement plutôt qu’après coup.
La meilleure illustration de la brique que le laboratoire commun cherchera à industrialiser est Geological Everything Model 3D: A Promptable Foundation Model for Unified and Zero-Shot Subsurface Understanding, qui transforme diagraphies, masques et esquisses structurales en conditions d’inférence et généralise sans réentraînement.
L’autre face du partenaire européen se lit dans l’Étude d’impact environnemental de Mistral AI conduite avec Carbone 4, première analyse de cycle de vie complète d’un grand modèle de langage européen, qui chiffre un entraînement en carbone, en eau et en ressources non renouvelables, et laisse entière la question de l’usage.
La trajectoire contre laquelle se lit tout investissement d’exploration tient dans Net Zero by 2050: A Roadmap for the Global Energy Sector, dont la phrase la plus citée exclut l’approbation de tout nouveau champ pétrolier ou gazier au-delà des projets déjà engagés en 2021.
Lus ensemble, ces textes dessinent une histoire moins spectaculaire et plus têtue que l’annonce. La physique du sous-sol n’a pas changé, l’inversion coûte toujours des semaines de machine, et les gains documentés portent sur l’interprétation plus que sur la découverte. Ce qui a changé, c’est la valeur soudaine d’archives dont personne ne savait quoi faire il y a dix ans.