Pourquoi l'énergie distribuée représente un défi pour les opérateurs
Les réseaux de distribution actifs ressemblent de moins en moins au « tube » classique dans lequel l'électricité circule dans un seul sens. En raison du raccordement massif de panneaux solaires, de systèmes de stockage, de bornes de recharge et de l'apparition de consommateurs actifs qui achètent et vendent de l'énergie simultanément, la gestion de ces réseaux devient une tâche comportant un grand nombre de scénarios et d'objectifs contradictoires. Une même décision doit prendre en compte la fiabilité, l'économie, les limites des équipements et les signaux du marché — et ce, en temps quasi réel.
Pour résoudre de tels problèmes, les ingénieurs et les chercheurs ont créé au cours des dernières années de nombreux modèles hautement spécialisés : certains prévoient la charge, d'autres optimisent les flux de puissance, d'autres encore évaluent l'état du réseau. Pris individuellement, ces modèles fonctionnent bien. Mais lorsqu'un opérateur est confronté à une nouvelle tâche complexe, il doit manuellement sélectionner les algorithmes appropriés, comprendre leurs interfaces, transférer les données entre eux et interpréter les résultats. Cela exige un haut niveau de compétence et une énorme quantité de travail manuel. Pratiquement chaque nouveau scénario se transforme en un projet d'intégration distinct.
On aboutit à un paradoxe : les modèles d'IA spécialisés sont de plus en plus nombreux, mais leur utilité collective pour l'opérateur ne croît pas aussi rapidement, car trop de temps est consacré à l'orchestration. Il faut un outil qui prenne en charge la partie routinière de ce travail : comprendre la demande de l'utilisateur, la décomposer en sous-tâches et appeler lui-même les modèles appropriés dans le bon ordre.
Un coordinateur LLM transforme une requête complexe en flux de travail
Un groupe de chercheurs dirigé par Xu Yang a proposé une approche dans laquelle un grand modèle de langage joue le rôle de répartiteur. Le développement a été nommé ADN-Agent. L'idée est que l'utilisateur communique avec le système en langage naturel, tandis que le modèle de langage interne coordonne un ensemble de modèles de domaine — ces spécialistes étroits qui existent déjà dans le secteur de l'énergie.
En pratique, cela se présente ainsi : l'opérateur rédige une seule requête, par exemple « évaluer les conséquences de la mise hors service d'un départ en fonction de telles prévisions météorologiques et proposer une reconfiguration optimale ». Il n'est pas nécessaire de lancer manuellement la prévision, le calcul du régime permanent et le modèle d'optimisation. ADN-Agent reconnaît lui-même l'intention, décompose la tâche en étapes et détermine quels modèles spécialisés doivent être sollicités. Grâce à la sélection adaptative des modèles, le système peut s'adapter à différents types de questions et ne nécessite pas de la part de l'utilisateur une connaissance des détails d'implémentation de chaque modèle.
Il est important de noter que le LLM ne tente pas lui-même de calculer l'énergie ou de résoudre des équations. C'est un point fondamental : les modèles de langage excellent dans la compréhension du contexte et la planification, mais pas dans les calculs numériques. C'est pourquoi ADN-Agent confie les calculs à des modèles de domaine éprouvés et se réserve le rôle de « coordinateur » — la décomposition des tâches, la sélection des outils et l'assemblage de la réponse sous une forme compréhensible pour l'humain.
Une interface unifiée pour la « diversité » des modèles
L'un des principaux problèmes lors de la création de tels systèmes est l'hétérogénéité des modèles de domaine. Ils sont écrits dans différents langages de programmation, utilisent différents formats de données et attendent différentes structures en entrée. On ne peut pas simplement « nourrir » un tel zoo à un modèle de langage. C'est pourquoi, dans le cadre de l'architecture, les auteurs ont proposé un nouveau mécanisme d'interaction qui offre à tous les modèles une interface unifiée et flexible. Grâce à cela, le coordinateur peut communiquer de la même manière avec un simple script qu'avec un optimiseur lourd, sans avoir à se plonger dans leur fonctionnement interne.
Cette couche unifiée n'est pas un simple détail technique, mais une condition nécessaire à la mise à l'échelle. Si un nouveau modèle de domaine apparaît demain, il suffit de le connecter une fois au bus commun, et il devient immédiatement accessible à tous les utilisateurs via une requête en langage standard.
Comment le système devient plus intelligent : le fine-tuning de petits modèles de langage
La coordination via LLM n'est que la moitié de l'histoire. Certaines sous-tâches au sein d'une requête complexe nécessitent moins de calculs numériques que de traitement du langage. Par exemple, il faut extraire les paramètres d'un objet à partir d'un texte libre, faire correspondre les noms d'équipements ou générer une explication pour le résultat. Pour ces opérations gourmandes en langage, les chercheurs ont appliqué une technique distincte : ils ont intégré au système de petits modèles de langage, affinés par un pipeline automatique pour des fonctions spécifiques.
Pourquoi cela est-il nécessaire si un grand modèle de langage existe déjà ? Parce que les petits modèles peuvent être exécutés rapidement et à moindre coût en temps réel, et leur fine-tuning pour les spécificités du secteur de l'énergie améliore la précision globale du système. De plus, le pipeline d'apprentissage est automatisé, c'est-à-dire qu'il ne nécessite pas de collecte manuelle d'exemples à chaque étape — le système prépare en grande partie lui-même les données et forme les assistants. Le résultat est une architecture à plusieurs niveaux : le grand LLM « pense » stratégiquement, tandis que les petits modèles affinés effectuent des opérations linguistiques locales, sans surcharger le coordinateur principal.
Expériences : l'ensemble l'emporte sur un LLM unique
Les auteurs ne se sont pas limités à la description de l'idée. Ils ont mené des comparaisons détaillées et des expériences d'ablation, dans lesquelles ils ont vérifié la contribution de chaque composant — du mécanisme de routage au fine-tuning des petits modèles. Les résultats ont montré que l'approche ADN-Agent surpasse les paradigmes existants d'utilisation des grands modèles de langage dans les tâches énergétiques. L'avantage est particulièrement visible sur les requêtes multi-scénarios et complexes, où un seul modèle de langage manque soit de précision, soit de capacité à faire appel à des solveurs externes.
L'article lui-même, « One Request, Multiple Experts: LLM Orchestrates Domain Specific Models via Adaptive Task Routing », est disponible sur arXiv sous le numéro 2511.12484 et a été accepté pour publication dans le CSEE Journal of Power and Energy Systems à l'été 2026. C'est un signe que le travail a passé une évaluation par les pairs sérieuse et n'est pas resté un simple preprint. La direction dans laquelle le modèle de langage devient non pas un « sachant-tout » autonome, mais un coordinateur flexible d'un ensemble spécialisé, semble prometteuse pour de nombreux domaines industriels — et l'énergie n'est ici que l'une des premières hirondelles.
