Station A veut accélérer les projets solaires, batteries et bornes de recharge

Pour de nombreuses entreprises, le passage à l’énergie propre ne commence pas par la pose de panneaux solaires. Il commence par une série de questions très concrètes : quel bâtiment équiper en priorité ? Quelle technologie est adaptée au site ? Quel fournisseur solliciter ? Le projet sera-t-il rentable, compte tenu de la facture d’électricité et des aides disponibles ? Répondre à ces questions peut réclamer des études coûteuses, des données difficiles à réunir et un appel d’offres complexe.

C’est sur cette étape amont que veut intervenir Station A, une startup cofondée par deux diplômés du Massachusetts Institute of Technology, ou MIT. Sa plateforme numérique aide les propriétaires immobiliers et les entreprises à examiner leurs sites, à comparer des options et à entrer dans un processus d’achat plus structuré pour des équipements d’énergie propre. Parmi les technologies concernées figurent les installations solaires, les batteries et les bornes de recharge pour véhicules électriques.

L’ambition n’est donc pas de produire de l’électricité ni d’installer directement les équipements. Station A cherche plutôt à réduire la friction qui ralentit les projets : le temps passé à identifier les bons bâtiments, à chiffrer une opportunité et à trouver les prestataires susceptibles d’y répondre.

Pourquoi les projets d’énergie propre restent-ils difficiles à lancer ?

Les équipements bas carbone sont désormais bien connus, mais leur adoption à l’échelle d’un parc immobilier demeure une opération exigeante. Un propriétaire d’entrepôts, une chaîne de magasins ou une grande entreprise peut posséder des dizaines, voire des centaines de sites. Tous n’ont pas la même consommation, la même surface disponible, la même exposition ou les mêmes règles locales.

Le solaire illustre bien cette complexité. Installer des modules photovoltaïques suppose notamment d’évaluer les caractéristiques du bâtiment, les besoins électriques du site, les contraintes de raccordement, le coût des travaux et la valeur de l’électricité qui sera produite. Une batterie ajoute d’autres arbitrages : elle peut stocker de l’énergie pour un usage ultérieur, mais sa pertinence dépend des profils de consommation et de la structure des prix de l’électricité. Pour les bornes de recharge, il faut aussi anticiper les usages des véhicules et la capacité électrique disponible.

Le parcours d’achat est souvent fragmenté. Le donneur d’ordre doit faire appel à des consultants, établir un cahier des charges, sélectionner des fournisseurs, comparer leurs propositions puis mesurer les résultats une fois le projet réalisé. Cette courbe d’apprentissage est particulièrement abrupte pour les organisations dont l’énergie n’est pas le métier principal.

Station A se positionne comme une couche logicielle destinée à rendre ce travail plus rapide et plus lisible. La promesse centrale est de donner une première vision des opportunités sans devoir commander, pour chaque adresse, une étude de conseil pouvant coûter des milliers de dollars.

D’une adresse à une première estimation du potentiel

Le fonctionnement de Station A repose sur des algorithmes de machine learning, ou apprentissage automatique. La plateforme transforme une adresse en une empreinte de bâtiment, puis l’exploite pour analyser l’intérêt potentiel de différentes technologies énergétiques.

Cette logique est importante dans l’immobilier d’entreprise. Avant même de demander des devis détaillés, un gestionnaire de portefeuille a besoin de trier ses sites : certains bâtiments peuvent présenter un fort potentiel de réduction de facture et d’émissions, tandis que d’autres justifieront moins facilement un investissement. L’objectif est de concentrer l’attention humaine et les études approfondies sur les lieux les plus prometteurs.

Les éléments examinés par la plateforme incluent les coûts de l’électricité, les incitations disponibles et les retours sur investissement potentiels. Une incitation peut prendre des formes diverses selon les territoires, par exemple un mécanisme fiscal ou un dispositif de soutien destiné à encourager l’installation d’équipements propres. Sa prise en compte est déterminante : elle peut modifier sensiblement l’équilibre économique d’un projet.

Le machine learning ne supprime pas pour autant la nécessité d’une étude technique avant travaux. Les estimations initiales permettent d’orienter une décision, mais une installation réelle doit ensuite tenir compte de paramètres précis, de la réglementation applicable et des contraintes du site. La valeur de la plateforme réside dans l’automatisation du repérage et de la comparaison à grande échelle.

Un marché pour comparer les fournisseurs et les offres

Station A ne se limite pas à l’analyse des propriétés. La startup propose aussi un marché qui met en relation les porteurs de projets avec des développeurs et fournisseurs d’énergie propre. Pour un client, l’intérêt est de disposer d’un éventail d’options et de se familiariser plus facilement avec le palmarès des acteurs susceptibles de répondre à son besoin.

Les cofondateurs, Manos Saratsis et Kevin Berkemeyer, présentent cet aspect comme un moyen de simplifier l’adoption des renouvelables. L’idée est d’organiser la concurrence plutôt que de laisser chaque entreprise repartir de zéro pour rechercher des prestataires, solliciter des propositions et les mettre en regard.

La compétitivité ne tient pas seulement au montant proposé. Dans un projet solaire, de stockage ou de recharge, les clients doivent pouvoir examiner la solution technique, l’expérience du fournisseur et les conditions de réalisation. Une plateforme de marché peut rendre ces comparaisons plus structurées, à condition que les données soient suffisamment claires pour mettre les offres sur un pied d’égalité.

Deux parcours qui ne mobilisent pas les mêmes ressources

Le modèle de Station A répond à une évolution plus large : les entreprises souhaitent réduire leur empreinte carbone, mais elles doivent aussi justifier leurs investissements. Un outil qui rassemble les données d’un site, les paramètres financiers et des fournisseurs potentiels peut raccourcir les premières étapes d’un projet.

Dans une démarche conventionnelle, une entreprise commence souvent par mandater des experts pour analyser chaque implantation. Ce travail demeure nécessaire à certains moments, mais il devient difficile à généraliser lorsqu’un parc compte de nombreux bâtiments. En automatisant une partie du diagnostic initial, Station A affirme pouvoir fournir rapidement, et à un coût quasi nul, un niveau d’expertise qui aurait auparavant nécessité des milliers de dollars de consultation.

Cette intermédiation est aussi susceptible de rendre les appels d’offres plus transparents. Pour le donneur d’ordre, la transparence signifie pouvoir comprendre ce qui différencie les propositions. Pour les fournisseurs, elle signifie accéder à des projets dont les caractéristiques ont déjà été structurées. Le défi est de préserver une comparaison pertinente entre des solutions qui peuvent reposer sur des hypothèses techniques et financières distinctes.

Du MIT à la création de Station A

Les origines de l’entreprise sont étroitement liées au parcours de ses fondateurs au MIT. Manos Saratsis s’y est intéressé au design environnemental et a utilisé des données satellites pour imaginer des solutions énergétiques plus efficaces. Kevin Berkemeyer y a également approfondi les enjeux liés aux énergies renouvelables en participant à des initiatives pendant ses études.

Après l’obtention de leurs diplômes, les deux hommes ont travaillé ensemble chez NRG Energy. C’est dans ce cadre qu’ils ont identifié une lacune dans le processus d’adoption des technologies renouvelables : les organisations intéressées par ces équipements manquaient d’un moyen simple pour évaluer leurs sites et engager efficacement des fournisseurs.

Cette expérience les a conduits à fonder Station A. Leur formation ne se résume pas à l’expertise technique : le réseau construit au MIT, notamment par l’intermédiaire de la Sloan School et de leurs engagements au sein de l’institut, a également contribué à établir la réputation de la jeune entreprise.

Quels utilisateurs Station A a-t-elle déjà convaincus ?

La plateforme est déjà utilisée par environ 2 500 développeurs d’énergie propre. Elle a aussi noué des partenariats avec de grandes entreprises immobilières et des chaînes de supermarchés, dans l’objectif d’accélérer la réduction de l’empreinte carbone de leurs bâtiments.

Station A cite parmi les entreprises qui utilisent sa plateforme HP, Nestlé et Goldman Sachs. Ces noms donnent une indication de la cible visée : des organisations qui disposent de multiples implantations et pour lesquelles la sélection de sites constitue un enjeu important. Plus le portefeuille est vaste, plus l’automatisation de l’analyse initiale peut avoir de la valeur.

Les fondateurs avancent également que, si Station A était elle-même un développeur, elle figurerait parmi les dix premiers en matière de déploiements solaires annuels aux États-Unis. Cette comparaison ne signifie pas que l’entreprise installe directement ces projets. Elle mesure plutôt l’ampleur des déploiements qui transitent par sa plateforme.

Ce qu’il faut surveiller

La trajectoire de Station A dépendra de sa capacité à continuer d’enrichir ses fonctionnalités tout en conservant des estimations compréhensibles et utiles. Dans l’énergie, une recommandation algorithmique n’a d’intérêt que si les utilisateurs peuvent relier ses résultats à des données concrètes : coût de l’électricité, aides accessibles, caractéristiques d’un bâtiment et hypothèses de rentabilité.

L’enjeu est aussi de taille. Les entreprises et propriétaires cherchent à déployer des équipements propres plus vite, mais ils ne peuvent pas négliger la qualité des choix techniques et financiers. Les plateformes capables de réduire les délais de sélection sans masquer les limites d’une première estimation pourraient prendre une place croissante dans ce marché.

Pour Station A, la vision affichée est claire : rendre l’adoption des énergies renouvelables plus fluide et plus accessible à un large éventail d’entreprises. Son pari consiste à faire de la donnée immobilière et du machine learning un point de départ pratique pour transformer des intentions climatiques en projets concrets.