Building AI sustainably paraît difficile à atteindre alors que l’expansion rapide de l’intelligence artificielle s’accompagne, dans certains cas, d’infrastructures énergivores alimentées par des sources fossiles. Dans le même temps, le cadre réglementaire et les exigences environnementales varient fortement selon les régions, ce qui renforce la pression sur les entreprises pour documenter leurs choix et leurs impacts.

Une demande qui change de camp

Longtemps, la question de la durabilité de l’IA a semblé surtout portée par des préoccupations individuelles. Aujourd’hui, elle remonte nettement dans l’entreprise sous forme de demandes internes : pression des équipes, attentes de la direction, et exigences de mesure imposées par les conseils d’administration. Pour beaucoup d’organisations, l’enjeu n’est plus de savoir s’il faut utiliser l’IA, mais comment la déployer sans augmenter inutilement l’empreinte environnementale.

Les entreprises cherchent notamment à comprendre où tournent leurs modèles, sur quels réseaux électriques ils s’appuient et comment les émissions liées à la chaîne d’approvisionnement se répartissent. Sans ces éléments, il devient compliqué de piloter des objectifs ESG (environnementaux, sociaux et de gouvernance) ou de justifier des choix technologiques.

Le passage de la promesse à la preuve

Selon des spécialistes de la durabilité de l’IA, la transparence est devenue un sujet central. L’idée n’est pas seulement d’annoncer des intentions, mais de rendre visibles les performances et les impacts environnementaux des modèles utilisés, y compris leur efficacité énergétique.

Dans cette logique, des travaux se sont développés pour documenter l’efficience des modèles open source et permettre des comparaisons plus structurées. L’objectif est de donner aux décideurs des repères concrets pour choisir des architectures, des variantes ou des configurations moins coûteuses en énergie, sans dégrader inutilement la qualité des services.

Qu’attendent vraiment les entreprises de la grande tech

La durabilité ne se résume pas à un seul levier. Elle dépend d’un ensemble de paramètres : sélection du modèle, optimisation des usages, et prise en compte de l’électricité utilisée pour alimenter les centres de données. Dans ce contexte, les entreprises veulent savoir ce qui peut être amélioré et quelles options s’offrent à elles pour réduire l’impact de leurs systèmes, y compris dans des cas d’usage plus spécifiques comme la conversion de la parole en texte ou certaines formes de génération vidéo.

Une partie du débat porte aussi sur la manière dont l’information est partagée. Des critiques soulignent que des données clés sur l’énergie et la durabilité ne seraient pas toujours rendues publiques, alors même que la demande de transparence augmente.

Des exigences réglementaires qui poussent les mesures

L’Europe impose progressivement davantage de contraintes et de reporting liés à l’empreinte environnementale. De plus, des initiatives existent pour améliorer la qualité des données disponibles, même si certaines limites demeurent : les informations sur l’énergie réelle des centres de données ne sont pas toujours suffisamment détaillées pour permettre une planification à moyen terme.

En parallèle, d’autres régions cherchent à s’appuyer sur des rapports existants et à renforcer la transparence, notamment afin d’anticiper les besoins de capacité et d’orienter les investissements. Cette dynamique montre que la durabilité de l’IA dépend aussi de la disponibilité de données fiables et comparables.

Ce que “rendre l’IA durable” implique concrètement

À mesure que l’IA devient une brique standard des produits et services, la durabilité passe par des décisions opérationnelles. Le défi est de trouver un équilibre entre performance, coûts et impacts environnementaux. Les entreprises sont donc conduites à :

• Mesurer l’impact énergétique et les émissions associés aux modèles et aux infrastructures
• Exiger des informations sur la localisation, le réseau électrique et, lorsque c’est possible, les sources d’énergie utilisées
• Choisir les modèles et les configurations les plus efficients pour le besoin réel
• Prendre en compte la chaîne d’approvisionnement et la logistique, souvent sous-estimées

Dans cette approche, la question n’est plus de “faire sans IA”, mais d’installer des pratiques de pilotage et de comparaison capables d’améliorer la trajectoire environnementale, notamment à l’échelle des déploiements.

Des outils pour mieux évaluer et suivre

Pour les équipes qui souhaitent structurer une démarche de suivi et de réduction des impacts, disposer d’une instrumentation fiable est souvent un premier pas. À cette fin, beaucoup se tournent vers des solutions de gestion et de mesure de consommation, ou vers des environnements de supervision capables de relier l’activité applicative à des métriques énergétiques.

Parmi les options courantes, certains utilisent des équipements de mesure et de contrôle de l’énergie comme un compteur/prise de mesure de consommation “smart” pour mieux comprendre les variations de charge dans un environnement de test ou de déploiement. D’autres préfèrent des solutions de supervision et de surveillance qui facilitent l’observation des performances et des charges réseau, à condition de les relier à des indicateurs environnementaux pertinents via des processus internes.

Au-delà de ces dispositifs, la durabilité nécessite surtout des données comparables, des méthodes de calcul claires et une gouvernance interne capable de traduire les résultats en décisions (choix de modèles, optimisation des usages, priorisation des sources d’énergie).