Médias - 19 mai 2026

L’IA s’est imposée comme un sujet incontournable ces dernières années, et à une vitesse telle ces derniers mois, que nous n’avons pas nécessairement le temps d’en mesurer tous les impacts. Elle s’est installée dans les débats, dans les outils et dans les pratiques bien avant que nous ayons réellement pris le temps d’en interroger les effets.

L’intelligence artificielle s’est rapidement imposée comme un outil structurant pour les entreprises. Dans le domaine de la durabilité, son impact est particulièrement significatif. L’IA automatise aujourd’hui une grande partie des processus associés aux analyses de matérialité, au pré-remplissage des rapports de durabilité, à l’identification des risques ESG, mais surtout aux tâches liées à la collecte et à l’agrégation de données. Ce temps libéré peut alors être réinvesti là où il a le plus de valeur: dans l’analyse, l’interprétation et l’aide à la décision. Le rôle du responsable RSE évolue dès lors vers celui d’interlocuteur stratégique, capable d’arbitrer un investissement, de prioriser les actions à impact ou encore d’aligner durabilité, performance économique et gestion des risques. Dans un monde économique devenu plus complexe, mieux lire l’information, plus rapidement, et mieux l’exploiter devient un avantage décisif pour les directions générales.

La puissance de l’IA contribue à l’évolution d’un grand nombre de fonctions, et c’est peut-être ainsi qu’elle apporte le plus à la durabilité des entreprises. En matière d’achats, par exemple, elle permet de cartographier plus finement et plus rapidement les chaînes de valeur et d’évaluer les risques relatifs aux fournisseurs. L’analyse croisée des factures, des certifications, des données satellites et des informations locales permet de déceler des zones d’ombre.

Unilever, par exemple, utilise l’IA pour tracer l’origine de ses matières premières agricoles sensibles (huile de palme et cacao) et détecter les risques de déforestation. 

L’IA est également un atout précieux pour les opérateurs du transport et pour les fonctions logistiques. Le système ORION d’UPS, optimise ainsi depuis plusieurs années les tournées des chauffeurs-livreurs, permettant d’économiser plusieurs kilomètres chaque jour… et des millions de kilomètres à l’échelle d’une année. Au-delà des gains opérationnels, ces optimisations se traduisent aussi par une réduction de la consommation de carburant, des émissions de CO₂ et, plus largement, de la pollution liée au transport. Nombre d’enseignes de commerce de détail optimisent également leur chaîne logistique grâce à l’IA, notamment par une meilleure prévision de la demande et une gestion plus fine des stocks, des chargements et des tournées des camions.

Les exemples de la profonde transformation opérationnelle générée par l’IA sont nombreux. En matière d’énergie, l’IA s’appuie sur les réseaux intelligents (smart grids) pour ajuster en temps réel la production, la distribution ou encore la consommation, et facilite ainsi l’intégration des énergies renouvelables. La modélisation climatique permet pour sa part, grâce à des prévisions de plus en plus fines, d’anticiper les risques liés aux événements extrêmes. L’agriculture s’appuie, notamment, sur des modèles qui optimisent l’usage de l’eau ou des engrais, afin d’en utiliser la juste quantité.

Au cœur des préoccupations éthiques de l’IA se trouve la fiabilité des contenus qu’elle génère. Sujette à des «hallucinations», elle crée des contenus incorrects sans signaler ses incertitudes. Une étude de 2025 publiée dans la Columbia Journalism Review, menée sur 200 requêtes, a relevé 60% d’erreurs d’identification de sources sur huit outils d’IA générative, avec un score alarmant de 94% pour Grok-3, tandis que Perplexity obtenait le taux d’erreur le plus bas avec 37%. Dans un espace informationnel déjà fragilisé, la prolifération des fake news, diffusées sur internet à des fins géostratégiques, pourrait encore accentuer ces dérives.

L’IA peut également devenir un outil de «greenwashing augmenté» si elle sert à produire plus vite des récits convaincants, des rapports bien présentés ou des argumentaires séduisants sans amélioration réelle des pratiques. Le risque n’est alors pas seulement les erreurs, mais la sophistication du discours au détriment de la sincérité et du suivi des actions. 

Derrière l’apparente autonomie des modèles d’IA se trouve une réalité humaine souvent ignorée. Avant de produire des réponses, les modèles doivent être entraînés, testés et corrigés à partir de très grandes quantités de données. Ce travail repose en grande partie sur des interventions humaines, souvent peu visibles. Des travailleurs de plateformes identifient les contenus d’images, vérifient si les réponses sont correctes ou comparent plusieurs résultats générés par l’IA afin d’indiquer lesquels sont les plus pertinents. Ces tâches indispensables sont fréquemment réalisées dans des conditions précaires et pour des rémunérations très faibles. Les contenus produits par l’IA ne sont donc pas entièrement autonomes: ils dépendent du travail humain nécessaire à l’entraînement des modèles, ainsi que des données utilisées pour les alimenter.

Les modèles d’IA reproduisent les biais présents dans les données d’entraînement et soulèvent des questions éthiques majeures, notamment en termes d’équité. Un algorithme de recrutement entraîné sur des CV majoritairement masculins tendra, par exemple, à défavoriser les candidatures féminines. L’automatisation de certaines tâches (support client, rédaction, traduction ou encore simple analyse) pourra pour sa part transformer le marché du travail au risque d’exclure certaines catégories socioprofessionnelles du marché de l’emploi. Enfin, la concentration des bénéfices de l’IA chez quelques grandes entreprises technologiques renforce les inégalités et crée une dépendance structurelle qui impacte la souveraineté numérique des états. Une question centrale ravivée par les récentes tensions géopolitiques entre les États-Unis et l’Europe. 

Un dernier enjeu, plus discret mais important, mérite d’être souligné: celui de la dépendance cognitive. À mesure que l’IA produit des synthèses, propose des arbitrages ou rédige des analyses, les organisations peuvent être tentées de moins recourir à leur propre capacité d’examen critique. Le risque n’est pas seulement technologique; il est aussi humain, avec un possible affaiblissement progressif de certaines compétences intellectuelles, mémorielles et créatives.

Toutes les tâches ne nécessitent pas les modèles IA les plus puissants. Avant tout projet, il est essentiel de se poser la question: «En ai-je vraiment besoin? ». Cette interrogation préalable permet notamment d’éviter le recours systématique à l’IA générative lorsque d’autres approches, plus simples et plus sobres, peuvent s’avérer tout aussi efficaces. 

Plusieurs approches permettent de réduire l’empreinte de l’IA générative. Il s’agit d’abord d’adapter la puissance mobilisée à la tâche en privilégiant des solutions frugales, optimisées pour des besoins précis plutôt que des outils généralistes surdimensionnés. Ensuite, il convient d’optimiser les données et le calcul en réduisant le volume de données à traiter, en réutilisant des modèles open source sans procéder à un entraînement complet et en recourant à des techniques comme l’early exit qui consiste à interrompre le calcul dès lors qu’un niveau de qualité suffisant est atteint.  

Dans le champ de la durabilité mais pas uniquement, cette vigilance suppose aussi une capacité minimale à comprendre comment un résultat a été produit. Une recommandation générée par l’IA, un score de risque ou une aide à l’arbitrage n’ont de valeur que si l’on peut en retracer l’origine, les hypothèses et les limites. Sans traçabilité ni vérification possible, la confiance dans l’outil reste fragile, en interne comme vis-à-vis des parties prenantes externes.

L’empreinte environnementale de l’IA fait l’objet de débats et d’estimations variables. Les premières études menées en 2023 évoquaient une consommation d’énergie de 2 à 3 Wh par requête sollicitant l’IA générative, soit dix fois plus qu’une recherche web classique. Les analyses de 2025 suggèrent que les gains d’efficacité des puces ont ramené ce chiffre autour de 0.3 Wh pour les requêtes simples, se rapprochant ainsi de la consommation d’une recherche Google.

Mais cette amélioration technique ne doit pas donner l’illusion d’un problème réglé. Tout d’abord parce que l’entraînement des modèles de langage mobilise plusieurs gigawattheures d’électricité. Ensuite, parce que les gains d’efficacité énergétique sont rattrapés par deux phénomènes: l’élargissement massif de l’usage de l’IA générative et le déploiement de modèles de raisonnement qui «réfléchissent» pendant plusieurs secondes avant de répondre, et consomment donc sensiblement plus d’énergie que les modèles classiques. Enfin, la production des puces et des serveurs génère elle-même un impact environnemental majeur.

La puissance de calcul a été multipliée par dix ces dernières années pour une consommation d’énergie similaire. Ce progrès aurait pu se traduire par une réduction de l’empreinte globale; malheureusement, c’est l’inverse qui se produit. En effet, les développeurs poursuivent une logique de croissance avec des modèles toujours plus grands et des capacités toujours plus étendues: la logique du «toujours plus» reste dominante! Les gains d’efficience sont ainsi absorbés par l’augmentation des usages. Cet effet rebond, qui évoque le paradoxe de Jevons en économie d’énergie, constitue l’un des principaux obstacles à une IA réellement durable. 

La sobriété de l’IA ne peut toutefois pas être pensée isolément. Elle s’inscrit dans un enjeu plus large de sobriété numérique: infrastructures, stockage, transfert de données, renouvellement des équipements, usages logiciels. Autrement dit, une IA plus frugale ne suffira pas si elle s’insère dans un système numérique globalement non maîtrisé.

Le collectif Green IT, référence française du numérique responsable, formule trois recommandations structurantes pour une IA frugale. La première est la création d’un plan ou d’une charte «sobriété IA» au niveau de l’organisation afin d’encadrer l’usage de l’IA. La seconde s’appuie sur la formation des dirigeants et des collaborateurs aux enjeux environnementaux et économiques de l’IA frugale, avec un partage sectoriel des meilleures pratiques. Enfin, Green IT recommande de privilégier l’hébergement dans des pays ou régions – dans la mesure du possible – où l’électricité est la moins impactante, tout en rappelant que cette solution, bien qu’utile à court terme, ne résout pas le problème de fond.

L’IA utilisée par une entreprise fait partie de son empreinte environnementale. Elle doit être intégrée dans les démarches de mesure d’impact et de reporting. Des outils comme Code Carbon permettent de calculer l’empreinte carbone des modèles en temps réel. L’impact sur la «consommation» d’eau devra également faire partie des données suivies.

Certaines initiatives démontrent qu’il est possible de transformer l’impact environnemental de l’IA en opportunité. À Genève, l’hébergeur Infomaniak a inauguré en 2024 un data center qui récupère 100% de la chaleur produite par ses serveurs pour l’injecter dans le réseau de chauffage urbain. À pleine capacité d’ici 2028, cette infrastructure permettra de chauffer 6’000 logements et d’éviter la combustion de 3’600 tCO2eq de gaz naturel par an. Ce modèle, qui fonctionne sans climatisation et sans consommation d’eau pour le refroidissement, illustre qu’une infrastructure pensée autrement peut transformer une contrainte en bénéfice collectif. 

Pour qu’une solution d’IA soit considérée comme réellement vertueuse, ses gains environnementaux doivent être significativement supérieurs à ses coûts de mise en œuvre. Ce principe, défini par le Think Tank Impact AI en partenariat avec l’Institut du Numérique Responsable, permet d’évaluer objectivement la performance environnementale des projets à travers des indicateurs extra-financiers de référence. Les professionnels de la durabilité ont ici un rôle clé de tiers de confiance: garantir la qualité des données utilisées, identifier les biais potentiels, s’assurer de la cohérence entre les résultats produits par l’IA et la réalité des impacts. Sans cette gouvernance, l’IA peut fragiliser la crédibilité des démarches ESG.

Le sujet n’est d’ailleurs plus seulement éthique ou stratégique, il devient aussi réglementaire. Avec l’AI Act européen et le renforcement progressif des exigences de transparence, de documentation et de maîtrise des risques, les entreprises devront de plus en plus justifier leurs usages de l’IA, en particulier lorsque ceux-ci influencent des décisions ou des informations sensibles.

L’intelligence artificielle n’est ni neutre, ni infaillible, ni immatérielle. Elle repose sur des infrastructures, consomme des ressources, véhicule des biais et produit des effets bien réels tant sur les organisations que sur la société. Simultanément, elle peut aussi devenir un formidable accélérateur de transformation, à condition d’être pensée comme un outil au service d’une stratégie, et non comme une finalité en soi.

Pour les acteurs de la durabilité, l’enjeu n’est donc plus de savoir s’il faut ou non recourir à l’IA mais de définir dans quels cas elle crée réellement de la valeur, à quelles conditions elle reste cohérente avec les engagements de l’entreprise, et jusqu’où il est acceptable d’en déléguer l’usage. Car une IA utile à la durabilité n’est pas seulement efficace: c’est une technologie dont on comprend les mécanismes, dont on maîtrise les effets, et dont on peut encore librement discuter les résultats.

La vraie modernité n’est sans doute pas dans l’adoption systématique des outils les plus puissants, mais dans la capacité à en faire un usage lucide, proportionné et responsable. C’est à ce prix que l’IA pourra devenir un levier crédible de durabilité, plutôt qu’une dissonance cognitive supplémentaire à gérer.