GenerativSchool
Et si une crise nous laissait le temps de nous préparer ?
Vous devez prendre votre voiture pour aller travailler. À la radio, on parle de pétrole, de tensions internationales, d’une déclaration qui pourrait tout changer. À la station, le prix du gazole vous concerne immédiatement. Entre ces deux mondes, il manque quelque chose : une traduction utile.
Imaginons qu’une IA puisse vous dire : « Plusieurs signaux font craindre une hausse du gazole dans votre secteur. Voici les scénarios pour les prochains jours, ce qui les explique et ce qui pourrait les faire changer. » Pas seulement le prix le plus bas aujourd’hui : une façon de voir venir.
C’est le futur que nous voulons explorer. Une intelligence capable de suivre la chaîne qui relie les événements mondiaux à nos dépenses quotidiennes, pour nous donner davantage de prise sur ce qui arrive. Elle ne ferait pas disparaître une pénurie. Mais elle pourrait aider à s’organiser avant d’en subir toutes les conséquences.
Si nous avions accès à toutes les données utiles
Le baril serait le début de l’histoire. Le modèle suivrait aussi sa transformation en carburants, leur transport, les stocks et leur arrivée dans les stations françaises. Gazole, SP95-E10, SP95 et SP98 auraient chacun leur trajectoire : une perturbation du raffinage ne se résume pas à une variation du prix du brut.
Imaginons ces informations accessibles à temps, suffisamment détaillées et reliées entre elles. Nous pourrions construire un système en quatre étages.
1. Lire ce qui change dans le monde
Une première IA lirait les annonces des producteurs, les décisions de sanctions, les communiqués des raffineries et les déclarations publiques. Elle en extrairait des événements précis : une capacité arrêtée, une réduction de production annoncée, une route maritime menacée. Chaque signal garderait sa source, sa date et son statut : menace, décision ou événement confirmé.
2. Suivre les conséquences possibles dans la chaîne
Un deuxième étage relierait ces événements aux flux physiques : quels produits, quelles raffineries, quels ports, quels stocks et quels territoires français pourraient être concernés ? Il croiserait ces informations avec les cotations du brut et des produits raffinés, le coût du transport, le change et la fiscalité. L’IA chercherait dans les historiques des délais de transmission et des réactions différentes selon les situations.
Le système que nous imaginons
Événements et décisions → production et raffinage → transport et stocks → prix locaux → options pour agir
Sa réponse
Plusieurs trajectoires possibles, un horizon de temps et les signaux qui feraient évoluer la prévision.
3. Prévoir plusieurs futurs, carburant par carburant
Le modèle ne sortirait pas un chiffre unique présenté comme une certitude. Il construirait des scénarios : si une perturbation dure, si les stocks compensent, si une autre route devient disponible. Il apprendrait à estimer leur probabilité et à actualiser les prix attendus en France à mesure que de nouvelles informations arrivent. Même avec toutes les données, une décision prise demain resterait inconnue aujourd’hui.
4. Transformer la prévision en choix compréhensibles
La dernière étape serait la plus importante pour le lecteur : comprendre ce que cela change pour lui. Avec ses trajets et ses besoins, s’il choisit de les partager, le service pourrait comparer plusieurs moments de ravitaillement, intégrer les détours et signaler quand l’incertitude est trop grande pour recommander un changement. Un assistant expliquerait le raisonnement avec les sources du modèle.
Cette architecture est une proposition. Notre prototype actuel n’en réalise qu’une petite partie. L’ambition, elle, est de passer de données dispersées à une capacité d’anticipation accessible à tous.
Du plein individuel à une meilleure préparation collective
Pour un foyer qui dépend de sa voiture, ce serait une alerte au bon moment, adaptée au carburant utilisé et aux stations accessibles. L’objectif serait de réduire les dépenses évitables sans ajouter une nouvelle charge mentale au quotidien.
Pour un artisan, une association ou une petite entreprise, le même système pourrait aider à préparer un budget de déplacement et à organiser les ravitaillements. Pour les services publics, il pourrait rendre visibles les territoires les plus exposés à une perturbation et comparer des réponses avant que la situation se dégrade.
Il faudrait aussi penser l’effet collectif : une alerte envoyée à tout le monde au même moment pourrait déplacer la demande et aggraver une tension locale. Le service devrait donc tenir compte des stocks, tester ses recommandations à l’échelle d’un territoire et aider à répartir les besoins. Anticiper devrait nous rendre plus résilients ensemble.
Le résultat espéré dépasse quelques centimes à la pompe : rendre une situation complexe plus lisible, donner du temps pour agir et réserver moins souvent cette capacité d’anticipation aux organisations qui peuvent se la payer.
Pour commencer, nous avons construit une première brique
Nous sommes partis de données accessibles : les prix déclarés par des stations françaises, le Brent, le taux euro/dollar et un indice de risque géopolitique issu de la presse. La question était simple : ces informations de contexte aident-elles une IA à prévoir le prix une semaine plus tard ?
Nous avons testé séparément le gazole, le SP95-E10, le SP95 et le SP98. Les modèles apprennent d’abord sur 2023–2025, puis sont évalués sur janvier–septembre 2026. Cela représente 7 793 prévisions dans 101 stations contributrices. Le dossier technique explique la sélection, les délais de disponibilité des données et les comparaisons.
Le prototype ne lit pas encore les déclarations des dirigeants et ne suit ni les raffineries ni les stocks. Son indice géopolitique mesure la couverture de presse des tensions. Il permet de commencer à tester le rôle du contexte, avec un dispositif que chacun peut télécharger et reproduire.
Ce que cette première brique nous apprend
Pour les quatre carburants, la règle « prix inchangé » obtient la plus petite erreur moyenne. Le contexte ne suffit pas à la dépasser.
Ce résultat ne tranche pas la faisabilité du système imaginé. Il montre que ces quelques signaux, avec ce modèle et sur cette période, ne suffisent pas. La suite est concrète : intégrer les produits raffinés et les contraintes physiques, analyser les événements datés, puis vérifier si chaque ajout améliore réellement les décisions.
Qu’apporte le contexte à cette prévision ?
Choisissez un carburant et une station. Comparez les prévisions, puis révélez le prix déclaré.
Le tableau des résultats reste lisible sans JavaScript. L’exploration nécessite son activation.
Foncé : prix connu puis observé. Brun : prix inchangé. Pointillés : IA station. Vert : IA avec pétrole et change. Violet : IA avec tensions. Les cinq prévisions, y compris la règle de variation répétée, sont indiquées en texte. Contexte décalé de 14 jours ; aucune donnée future. Aucun stock ou achat garanti.
Voir les résultats chiffrés des cinq méthodes
| Méthode | Gazole | SP95-E10 | SP95 | SP98 |
|---|---|---|---|---|
| Prix inchangé | 5,97 | 3,37 | 3,90 | 3,25 |
| Dernière variation répétée | 7,71 | 4,42 | 5,26 | 4,18 |
| IA · station seule | 6,87 | 3,68 | 4,09 | 3,45 |
| IA · station + pétrole et change | 6,94 | 3,95 | 4,22 | 3,56 |
| IA · station + pétrole, change et tensions | 6,67 | 3,97 | 4,24 | 3,55 |
- Gazole : le contexte complet réduit l’erreur de 2,9 % par rapport à l’IA station. Face à la meilleure règle simple, il fait 11,7 % moins bien.
- SP95-E10 : le contexte complet augmente l’erreur de 7,7 % par rapport à l’IA station. Face à la meilleure règle simple, il fait 17,8 % moins bien.
- SP95 : le contexte complet augmente l’erreur de 3,6 % par rapport à l’IA station. Face à la meilleure règle simple, il fait 8,8 % moins bien.
- SP98 : le contexte complet augmente l’erreur de 2,8 % par rapport à l’IA station. Face à la meilleure règle simple, il fait 9,2 % moins bien.
Les différences décrivent cet échantillon ; elles ne démontrent ni causalité ni économie réalisée. Le dossier technique détaille les résultats par trimestre et par station.
La prochaine étape : relier les signaux aux décisions
Nous commencerions par le gazole : rapprocher les prix du produit raffiné, les arrêts de raffineries, les stocks et les flux d’importation vers la France. Puis nous ajouterions une lecture structurée des annonces, afin de distinguer une déclaration d’intention d’un changement effectivement mis en œuvre.
Enfin, il faudrait tester les conséquences pratiques : à besoins et trajets identiques, les recommandations permettraient-elles de dépenser moins, d’éviter un détour ou de mieux préparer une hausse ? C’est ainsi que l’on passerait d’un modèle qui prévoit à un service qui aide. Aucune économie n’a encore été mesurée dans notre expérience.
Le projet mérite d’être imaginé à cette échelle. Les données publiques permettent déjà d’en construire les premières pièces. Avec davantage d’informations partagées et des acteurs prêts à les relier, nous pourrions chercher à faire de l’IA un outil de préparation collective — jusque sur le panneau de la station où l’on s’arrête chaque semaine.
Ouvrir le capot
Lire le protocole et les résultats détaillés ↗
Télécharger les données, le code et toutes les prévisions
- Prix des carburants en France : archives officielles, Licence ouverte.
- EIA : cours du Brent, données publiques.
- BCE : taux de référence euro/dollar, transformations calculées par GenerativSchool.
- Caldara et Iacoviello : indice de risque géopolitique, CC BY, téléchargé le 22 octobre 2026.
- Ministère : composantes du prix des produits pétroliers, pour comprendre le mécanisme.
Responsabilité éditoriale : Soufiane Lemqari. Recherche, code et rédaction assistés par IA. Contrôles exécutables et relecture assistée, sans expertise indépendante. Aucun partenariat avec les sources. Expérience rétrospective, pas un conseil d’achat en temps réel.