L’intelligence artificielle commence à chercher l’or sous terre, peut-elle vraiment découvrir les prochaines grandes mines ?

En bref

• En février 2026, Equinox Gold a annoncé une nouvelle zone aurifère baptisée Minotaur au Canada, après avoir utilisé le logiciel d’intelligence artificielle DORA pour reclasser ses cibles d’exploration.
• Les premiers forages ont notamment rencontré 2,68 grammes d’or par tonne sur 32 mètres et la minéralisation a déjà été suivie sur environ 700 mètres.
• L’IA n’a pas directement « vu » l’or sous terre. Elle a croisé géologie, géochimie, géophysique et données historiques pour identifier les endroits où les géologues avaient le plus intérêt à forer.
• Les budgets mondiaux consacrés à l’exploration de l’or ont progressé de 11 % en 2025 pour atteindre 6,15 milliards de dollars, alors que les grandes découvertes deviennent plus rares.
• Depuis 2020, S&P Global ne recense que six grandes découvertes aurifères répondant à ses critères, contre un nombre bien supérieur lors des décennies précédentes.
• La France utilise elle aussi l’intelligence artificielle et la cartographie prédictive dans son nouvel inventaire des ressources minérales conduit par le BRGM.
• L’IA peut réduire les zones à prospecter et mieux sélectionner les forages, mais seuls les travaux de terrain, les analyses et les études économiques peuvent confirmer l’existence d’une future mine.

---

Au Canada, une nouvelle découverte d’or montre ce que l’intelligence artificielle peut déjà apporter

L’image d’un ordinateur capable de regarder à travers plusieurs centaines de mètres de roche pour désigner précisément l’emplacement d’un filon d’or appartient encore à la fiction. Une annonce réalisée au Canada en février 2026 montre pourtant que l’intelligence artificielle appliquée à l’exploration minière commence à produire des résultats très concrets.

Equinox Gold a confirmé une nouvelle zone aurifère appelée Minotaur sur son projet Valentine, à Terre-Neuve-et-Labrador. Le site se trouve à environ 8 kilomètres de l’usine de traitement de Valentine. Les premiers forages ont notamment rencontré 2,68 g/t d’or sur 32 mètres, 2,67 g/t sur 18 mètres, 5,74 g/t sur 8 mètres et 1,78 g/t sur 39 mètres, dont une section de 11 mètres à 4,25 g/t.

La découverte mérite pourtant d’être racontée avec précision.

L’intelligence artificielle n’a pas identifié seule un gisement totalement inconnu.

Des prélèvements réalisés dès 2013 avaient déjà montré la présence d’or dans la zone, avec des échantillons atteignant jusqu’à 7 g/t. Le secteur n’avait jamais fait l’objet d’une campagne de forage. Plusieurs années plus tard, Equinox Gold a utilisé DORA, le logiciel de cartographie prédictive développé par VRIFY, afin d’analyser simultanément différentes couches d’informations géologiques.

Le système a intégré des données de géochimie, de géophysique, de géologie structurale et des informations déjà accumulées sur le district. Minotaur a obtenu un score de prospectivité suffisamment élevé pour que les géologues replacent cette zone parmi leurs priorités.

Des travaux de terrain ont ensuite identifié de l’or visible et des échantillons de surface présentant localement des teneurs très élevées. La société a finalement lancé le premier programme de forage jamais réalisé sur cette cible.

Le résultat valide le processus de sélection.

Les forages initiaux ont permis de suivre la minéralisation sur environ 700 mètres de longueur, tandis que les sondages d’extension suggèrent que le système pourrait se prolonger sur environ 2 kilomètres. Equinox Gold a prévu entre 15 000 et 20 000 mètres de forage supplémentaires sur Minotaur en 2026. L’ensemble du programme d’exploration prévu sur la propriété Valentine approche 100 kilomètres de forage.

Il serait encore beaucoup trop tôt pour parler d’une nouvelle mine ou de millions d’onces déjà démontrées.

Aucune ressource minérale spécifique à Minotaur n’a encore été publiée. La taille, la géométrie, la teneur moyenne et la continuité du système doivent être précisées par de nouveaux forages.

Le véritable enseignement se situe ailleurs.

L’IA a contribué à transformer une zone connue mais jusque-là secondaire en cible prioritaire, puis les géologues et les foreuses ont confirmé la présence d’or.

C’est probablement sous cette forme que l’intelligence artificielle modifiera le plus profondément la recherche de nouveaux gisements.

À lire aussi : Le cours de l’or approche de nouveau ses sommets tandis que trouver de grandes ressources exploitables reste un processus long, coûteux et incertain

---

L’IA ne cherche pas l’or directement, elle recherche des combinaisons géologiques favorables

Un gisement ne ressemble pas à une pièce d’or enfouie que l’on pourrait repérer avec un gigantesque détecteur.

Les géologues recherchent une combinaison de caractéristiques capables d’indiquer qu’un système minéralisé a pu se former : structures géologiques, failles, types de roches, anomalies chimiques, magnétisme, conductivité électrique, altérations des roches, résultats d’anciens forages ou encore données satellitaires.

Le problème vient de la quantité d’informations à comparer.

Un district exploré depuis plusieurs décennies peut avoir produit des milliers d’analyses géochimiques, des cartes géologiques successives, des levés magnétiques, des mesures électromagnétiques, des données topographiques et des centaines de forages.

Ces informations n’ont pas forcément été produites à la même époque, avec les mêmes techniques ou à la même résolution.

L’intelligence artificielle permet de traiter ces ensembles multidimensionnels beaucoup plus rapidement.

DORA fournit une illustration concrète. VRIFY explique que sa plateforme commence par standardiser les données géologiques et géospatiales disponibles. Elles sont ensuite fusionnées dans une même pile de données. Des modèles d’apprentissage profond recherchent les relations entre les différentes variables puis produisent une carte de prospectivité, où chaque zone reçoit un score correspondant à son potentiel minéral estimé.

 

Données analysables	Ce qu’elles peuvent apporter
Géologie	Nature et organisation des roches
Géochimie	Anomalies en or et éléments associés
Magnétisme	Structures ou roches invisibles en surface
Électromagnétisme	Variations physiques du sous-sol
Forages historiques	Présence ou absence de minéralisation
Géologie structurale	Failles et structures pouvant contrôler l’or
Télédétection	Altérations et caractéristiques de surface

 

L’algorithme peut alors détecter des associations qu’un géologue aurait beaucoup plus de difficulté à tester simultanément sur des milliers ou millions de points.

Le fonctionnement reste dépendant des données disponibles.

DORA utilise notamment des exemples connus de zones minéralisées et non minéralisées pour entraîner ses modèles. Le logiciel cherche ensuite ailleurs des configurations présentant des ressemblances statistiques et géologiques.

Cette mécanique explique aussi l’une des limites fondamentales de l’IA.

Un modèle alimenté avec des données médiocres, incomplètes ou mal positionnées peut produire des prédictions trompeuses. Une région très peu explorée possède souvent moins d’informations qu’un district minier étudié depuis cinquante ans, alors qu’elle peut justement être celle où se trouve la prochaine grande découverte.

La recherche scientifique consacrée à l’exploration minérale souligne régulièrement cette difficulté. Une revue publiée en 2025 relève notamment la mauvaise qualité de certaines données hors des districts connus, l’hétérogénéité des campagnes d’échantillonnage et la nécessité d’associer les méthodes d’apprentissage automatique à une expertise géoscientifique réelle.

Une autre difficulté vient de la rareté même des grands gisements.

Pour entraîner un système prédictif, les cas positifs sont beaucoup moins nombreux que les immenses surfaces où aucun gisement économique n’existe. Cette asymétrie crée un problème statistique bien connu dans les modèles de cartographie minérale.

L’IA apporte donc surtout une nouvelle manière de classer les probabilités.

Elle ne remplace pas la connaissance du terrain.

---

Les groupes miniers cherchent de nouvelles méthodes car les grandes découvertes d’or se raréfient

L’intérêt actuel pour l’intelligence artificielle arrive à un moment particulier pour l’industrie aurifère.

Le prix de l’or évoluait autour de 4 563 dollars l’once le 21 août 2026, proche d’un sommet de trois mois, tandis que les groupes miniers bénéficient de niveaux de prix historiquement élevés.

Cette envolée incite à augmenter les budgets de recherche.

S&P Global estime que les dépenses mondiales consacrées à l’exploration aurifère ont progressé de 11 % en 2025 pour atteindre 6,15 milliards de dollars. L’or représente désormais près de la moitié du budget mondial d’exploration consacré aux métaux non ferreux.

Les milliards investis ne produisent pourtant plus autant de grandes découvertes qu’autrefois.

S&P Global a recensé 353 découvertes aurifères majeures réalisées entre 1990 et 2024, représentant environ 3 milliards d’onces d’or en ressources, réserves et production passée. Depuis 2020, seulement six nouvelles découvertes majeures répondent aux critères de l’étude, pour un total d’environ 27 millions d’onces. Aucun nouveau gisement majeur n’a été recensé par S&P pour 2023 et 2024.

La taille des découvertes récentes diminue également.

Celles identifiées entre 2020 et 2024 affichent une taille moyenne d’environ 4,4 millions d’onces, contre 7,7 millions d’onces pour la décennie 2010-2019. Aucun gisement découvert au cours des dix dernières années ne figure parmi les trente plus grandes découvertes aurifères de la base S&P.

 

Période	Taille moyenne des grandes découvertes
2010-2019	7,7 millions d’onces
2020-2024	4,4 millions d’onces

 

Le comportement des compagnies minières explique une partie de cette évolution.

Seulement 19 % du budget aurifère mondial de 2025 était consacré à l’exploration dite « grassroots », c’est-à-dire à la recherche de nouveaux gisements dans des secteurs peu explorés. Plus de la moitié des dépenses concernait des zones proches de mines ou de ressources déjà connues.

La logique économique est facile à comprendre.

Forer à côté d’une mine existante présente un risque inférieur. Les routes, les lignes électriques, les connaissances géologiques et parfois même l’usine sont déjà présentes.

Chercher un gisement sous plusieurs centaines de mètres de couverture dans un secteur presque vierge demande beaucoup plus de capitaux pour une probabilité d’échec élevée.

C’est précisément dans cet écart que l’IA peut devenir intéressante.

Si un modèle permet de réduire une zone de recherche de plusieurs centaines de kilomètres carrés à quelques cibles cohérentes, les équipes peuvent concentrer les levés géophysiques et les forages sur les endroits jugés les plus prometteurs.

Le gain potentiel n’est pas seulement financier.

Chaque forage inutile évité réduit également les opérations de terrain, les déplacements, les besoins logistiques et l’empreinte physique de la phase d’exploration.

Windfall Geotek utilise déjà cette logique sur plusieurs projets aurifères canadiens. En avril 2026, sa technologie d’apprentissage automatique a généré 40 cibles aurifères sur le projet Great Northern à Terre-Neuve, dont cinq zones considérées comme prioritaires par plusieurs modèles. Ces cibles restent à valider par l’exploration et ne constituent pas à ce stade des découvertes de gisements.

Cette dernière précision résume l’enjeu.

Une cible calculée par une IA peut économiser beaucoup d’argent.

Elle ne vaut rien géologiquement tant que le terrain ne l’a pas confirmée.

---

Aucune intelligence artificielle ne peut encore remplacer les forages

Une carte prédictive peut afficher une zone en rouge avec un score de prospectivité très élevé. Aucun investisseur sérieux ne financera pourtant une mine de plusieurs milliards sur cette seule information.

Il faut toujours aller chercher la roche.

Les géologues commencent généralement par retourner sur le terrain afin de vérifier les affleurements, réaliser de nouveaux prélèvements, affiner la cartographie ou compléter les données géophysiques.

Lorsque la cible résiste à ces premières vérifications, des forages permettent de récupérer des carottes de roche à différentes profondeurs.

Les échantillons sont ensuite analysés en laboratoire pour connaître leur composition.

Earth AI, l’une des entreprises spécialisées dans l’exploration assistée par intelligence artificielle, illustre parfaitement cette réalité. Ses modèles ont déjà permis de cibler plusieurs nouvelles zones minéralisées en Australie, dont des prospects contenant du cobalt, du cuivre et de l’or sur le projet Elkedra. Des vérifications de terrain ont ensuite été nécessaires pour confirmer la minéralisation.

En 2026, l’entreprise continue d’ailleurs d’investir dans ses propres capacités de forage et d’analyse. Son fondateur expliquait que les modèles peuvent identifier les secteurs susceptibles d’abriter un gisement, mais qu’il reste indispensable de forer puis d’analyser les carottes pour connaître précisément les minéraux présents et leur distribution.

Après une découverte, le travail ne fait que commencer.

Une société doit multiplier les forages afin de mesurer la continuité du corps minéralisé. Elle doit déterminer sa géométrie, son tonnage et sa teneur moyenne avant de pouvoir publier une estimation de ressources suivant les normes applicables.

Une ressource ne constitue toujours pas une mine.

Il faut ensuite déterminer quelle partie peut être économiquement extraite, étudier la récupération métallurgique de l’or, concevoir la méthode d’exploitation, évaluer les infrastructures, obtenir les autorisations et réunir le financement.

S&P Global estime qu’il faut actuellement environ 16 ans en moyenne entre une découverte et le démarrage de la production minière.

L’IA pourrait raccourcir certaines étapes situées au début de cette chaîne.

Elle ne supprime pas les autres.

 

Étape	L’IA peut-elle intervenir ?	Validation physique nécessaire ?
Compiler les anciennes données	Oui	Non
Identifier des zones favorables	Oui	Oui
Prioriser les forages	Oui	Oui
Confirmer la présence d’or	Non à elle seule	Forage et laboratoire
Calculer une ressource	Assistance possible	Données de forage indispensables
Prouver la rentabilité	Assistance possible	Études techniques et économiques
Autoriser une mine	Non	Procédure réglementaire

 

Une autre limite vient de la capacité des modèles à généraliser.

Une IA peut apprendre la signature de gisements connus et devenir très performante pour identifier des environnements similaires.

La prochaine découverte exceptionnelle peut précisément se trouver dans un système géologique atypique qui ressemble peu aux données utilisées pour l’entraînement.

Des travaux scientifiques récents sur les modèles de prospectivité soulignent encore des difficultés de généralisation, de quantification des incertitudes et de transparence des prédictions.

La prochaine grande mine ne sera donc probablement pas découverte par « l’IA seule ».

Elle pourrait être découverte par une équipe de géologues capable d’utiliser l’IA pour tester beaucoup plus rapidement des hypothèses qu’elle n’aurait jamais eu le temps d’examiner manuellement.

---

La France utilise déjà l’IA pour mieux connaître son propre sous-sol

La transformation ne concerne pas uniquement le Canada, l’Australie ou les grandes compagnies minières internationales.

La France utilise elle aussi la data et l’intelligence artificielle pour réexaminer son potentiel minéral.

Le BRGM a lancé en 2025 un nouvel Inventaire des ressources minérales sur cinq grandes zones jugées prioritaires : l’ouest du Massif central, Morvan-Brévenne, les Vosges, l’Occitanie-Cévennes et le Sillon Nord de la Guyane. Le programme doit durer cinq ans et représente un budget de 53 millions d’euros.

Les méthodes sont très différentes de celles utilisées lors du précédent grand inventaire réalisé entre les années 1970 et 1990.

Les équipes disposent désormais de géophysique aéroportée, d’analyses géochimiques beaucoup plus sensibles, de bases de données numérisées et d’outils capables de croiser plusieurs disciplines simultanément.

Le BRGM indique explicitement qu’un algorithme d’intelligence artificielle combine les informations géologiques, géophysiques et géochimiques afin de produire des cartes de potentiel pour les différentes substances recherchées.

Près de 14 000 échantillons de sédiments de ruisseau avaient déjà été prélevés en 2025 dans plus de 1 650 communes pour alimenter le nouvel inventaire.

Le service géologique français possède également une expertise historique en cartographie prédictive. Parmi les exemples présentés par le BRGM figure une carte de favorabilité de l’or dans le nord de la Guyane française, construite en croisant géologie, géochimie et géophysique. Les méthodes employées peuvent intégrer des techniques telles que Random Forest et d’autres approches issues des data sciences.

Le dispositif continue de se moderniser.

En juillet 2025, le BRGM avait lancé avec Cap Digital le concours AI4Minerals afin de tester de nouvelles approches d’intelligence artificielle pour analyser des milliers d’échantillons géochimiques et produire des cartes d’anomalies multivariées. Les projets devaient notamment travailler sur des données hétérogènes et bruitées, exactement le type de problème rencontré dans l’exploration réelle.

En juillet 2026, le BRGM a également signé un protocole avec Fleet Space Technologies pour développer de nouvelles méthodes de caractérisation du sous-sol en Guyane française. Fleet Space combine notamment capteurs sismiques, communications satellitaires, calcul en périphérie et analyse assistée par intelligence artificielle.

Aucune de ces initiatives ne permet d’affirmer qu’un nouveau grand gisement d’or français vient d’être découvert grâce à l’IA.

Les programmes montrent en revanche que la même transformation technologique observée au Canada se déploie désormais dans l’exploration du sous-sol français.

Pour l’or, la Guyane présente un intérêt particulier puisque le territoire appartient au bouclier des Guyanes, une grande province géologique aurifère qui s’étend également au Suriname et au Guyana.

L’IA pourrait aider les géologues à repérer plus efficacement des prolongements cachés sous la végétation ou sous des formations superficielles.

La validation, elle, restera toujours physique.

---

L’IA peut augmenter les chances de découverte sans faire disparaître la rareté de l’or

La réponse à la question posée par l’arrivée de ces technologies est donc nuancée.

Oui, l’intelligence artificielle peut probablement contribuer à la découverte des prochaines grandes ressources aurifères.

Minotaur constitue déjà un cas documenté où un modèle prédictif a influencé la décision d’aller forer une cible qui n’avait jamais été testée malgré des indices connus depuis plusieurs années. Les résultats ont ensuite confirmé un nouveau système aurifère.

L’IA peut aussi revisiter des décennies de données anciennes.

Une zone abandonnée dans les années 1980 après quelques forages décevants peut aujourd’hui être réinterprétée avec des informations régionales plus complètes, des modèles géologiques différents et des algorithmes capables d’intégrer simultanément plusieurs centaines de variables.

Cette capacité pourrait être particulièrement utile pour les gisements cachés en profondeur, alors que les grandes occurrences affleurantes ont souvent déjà été repérées.

Le gain potentiel réside surtout dans l’efficacité.

Si dix mille kilomètres carrés peuvent être réduits à quelques dizaines de cibles avant la réalisation de campagnes très coûteuses, davantage de projets deviennent économiquement testables.

L’IA pourrait aussi permettre aux géologues d’explorer des hypothèses qui semblaient trop risquées avec des budgets traditionnels.

Elle ne change pas une réalité géologique fondamentale : un grand gisement reste un événement rare.

Les études disponibles ne permettent pas aujourd’hui d’affirmer que l’intelligence artificielle a déjà provoqué une hausse statistiquement démontrable du nombre de grandes découvertes aurifères mondiales.

Une publication scientifique de 2025 consacrée à l’utilisation du machine learning dans l’exploration des ressources minérales souligne même que, malgré l’intérêt et les investissements consacrés à ces outils, les taux de découvertes greenfield n’ont pas encore connu d’amélioration clairement démontrée à grande échelle. Les auteurs pointent notamment la qualité des données et le besoin d’une collaboration étroite entre spécialistes de l’IA et géologues.

Les prochaines années constitueront donc un test grandeur nature.

Le secteur dispose désormais de budgets aurifères supérieurs à 6 milliards de dollars par an, de volumes gigantesques de données numérisées et de modèles beaucoup plus puissants.

Il lui manque encore ce qui compte le plus : une nouvelle génération de très grands gisements confirmés par les foreuses.

L’intelligence artificielle pourrait améliorer les probabilités.

Elle ne peut pas fabriquer l’or qu’elle cherche.

Selon notre expert : Technologie, banques centrales et tensions financières redessinent le marché de l’or que nous suivons également en vidéo sur notre chaîne YouTube.

---

L’or d’investissement reste lié à une ressource physique que même l’intelligence artificielle ne peut créer

Cette nouvelle génération d’outils peut donner l’impression que la technologie finira par rendre l’or beaucoup plus facile à trouver.

La réalité minière reste plus lente.

Même lorsqu’une IA identifie correctement une nouvelle cible, plusieurs années de forage, d’études puis de procédures peuvent être nécessaires avant qu’une seule once supplémentaire soit produite. S&P Global estime le délai moyen entre découverte et production à environ seize ans.

L’offre d’or ne peut donc pas augmenter instantanément parce que son cours progresse ou parce qu’un nouvel algorithme devient plus performant.

Cette contrainte physique constitue une caractéristique importante de l’or d’investissement.

Lingots, lingotins et pièces d’or représentent un actif dont la quantité disponible dépend de l’extraction de ressources géologiques constituées sur des échelles de temps immenses, puis de capacités minières qui demandent des capitaux et des infrastructures considérables.

L’intelligence artificielle pourrait rendre l’exploration plus efficace et réduire une partie des dépenses consacrées aux mauvais forages. Elle ne supprime ni la rareté des grands systèmes aurifères, ni les coûts d’extraction, ni les délais de développement.

Le paradoxe est intéressant pour les épargnants.

Jamais l’humanité n’a disposé d’autant de données, de puissance de calcul et de moyens technologiques pour chercher de l’or. Les statistiques de S&P montrent pourtant que les grandes découvertes récentes restent peu nombreuses et plus petites en moyenne que celles des décennies précédentes.

Cette rareté ne garantit naturellement aucune progression future du cours. Le prix de l’or reste influencé par les taux d’intérêt, le dollar, la demande des banques centrales, les investissements financiers, la joaillerie et l’environnement géopolitique.

Elle rappelle en revanche pourquoi l’or physique conserve une place spécifique dans certaines stratégies patrimoniales.

Les pièces d’or et lingots d’or d’investissement permettent de détenir une partie de son épargne sous une forme physique dont l’offre ne peut pas être augmentée par une émission monétaire ou une décision d’entreprise. Ils peuvent participer à une logique de diversification et de débancarisation partielle, aux côtés d’une épargne liquide et d’autres classes d’actifs adaptées au profil de chaque épargnant.

L’IA pourrait trouver les coordonnées des prochaines grandes découvertes.

Elle ne pourra jamais générer les tonnes d’or qui ne sont pas présentes sous terre.

 

Sources : BDOR, Equinox Gold, VRIFY, S&P Global Market Intelligence, BRGM, Earth AI, Institute of Materials, Minerals & Mining, Ore Geology Reviews, Earth-Science Reviews, Geosystems and Geoenvironment et Reuters.