Quelle IA choisir entre coût, risque, performance et durabilité ? Question majeure des Sustainable IT Days
Les solutions d’IA doivent générer de la valeur pour l’entreprise sans engendrer de coûts, de risques ou de dépendances inutiles. C’est le paradoxe de la double empreinte.
Aujourd’hui, a chiffré Capgemini, à peine 12 % des dirigeants confirment que leur organisation mesure l’empreinte de l’AI. Et seuls 20 % classent l’empreinte environnementale parmi les cinq premiers facteurs lors de la sélection ou de la construction de modèles.
Si les entreprises commencent à intégrer des mesures de durabilité dans le cycle de vie de l’IA générative, seuls 31 % des dirigeants déclarent que leur organisation a pris des mesures dans ce sens.
À mesure que les modèles d’IA générative deviennent plus complexes et omniprésents, une gestion minutieuse des coûts financiers et environnementaux sera cruciale pour l’évolutivité. Mais comment faire ? Et quelles IA choisir, à considérer que certaines sont plus « vertes » ?
C’est, dans les grandes lignes, le thème de la conférence « Choosing the Right AI: Balancing Performance, Cost, Risk and Sustainability » de James Martin, le 13 octobre durant les Sustainable IT Days.
L’IA, entre levier et contraintes
La montée en puissance du cloud, de la data et de l’IA pèse directement sur les infrastructures. D’ici 2028, plus de la moitié de l’électricité consommée par les data centers pourrait être dédiée à l’IA.
La plupart des entreprises n’ont pas encore de stratégie précise et intégrée liant l’IA et la durabilité, même si la prise de conscience progresse. Le pilotage est souvent intuitif. Selon plusieurs baromètres récents, l’impact positif de l’IA sur l’environnement (réduction des émissions de CO₂, optimisation énergétique) reste perçu de façon majoritairement intuitive plutôt que mesuré par des indicateurs rigoureux.
Les analystes évoquent le paradoxe de la double empreinte : par essence, l’IA est un levier puissant d’éco-efficacité (ajustement de la climatisation, prédiction des pannes, optimisation de la chaîne logistique), mais elle représente aussi une source massive de consommation énergétique via les centres de données.
Qui plus est, la contrainte est économique. À mesure que les usages se développent, la capacité à contenir les coûts énergétiques conditionne la rentabilité de nombreux projets d’IA. Toutes les initiatives ne seront pas poursuivies au même rythme.
Dualité
Durant la conférence « AI, ally or enemy of the planet ?», Amael Parreaux-Ey, CEO, Resilio, démontrera la dualité de l’IA. De fait, si elle permet d’optimiser des systèmes complexes, d’améliorer la gestion énergétique et de piloter plus finement les opérations, elle repose sur des infrastructures intensives en ressources.
Pendant des années, l’industrie a mesuré le progrès de l’IA principalement à travers la performance et la taille des modèles.
Aujourd’hui, un nouveau critère émerge : l’efficience. Les entreprises capables d’obtenir les mêmes résultats métier avec moins de puissance de calcul, moins d’énergie et moins d’infrastructure disposeront d’un avantage compétitif durable.
La question n’est plus de savoir s’il faut utiliser l’IA, mais bien sous quelles conditions. À court terme, son empreinte est significative. À moyen terme, sa soutenabilité conditionnera sa diffusion. Le paradoxe est désormais installé : l’IA accélère la transition tout en renforçant les contraintes.
Intégrer la contrainte dès la conception
La durabilité ne peut plus être ajoutée a posteriori. Elle suppose d’abord une mesure fiable, sur l’ensemble du cycle de vie. C’est ce que démontrera Louis de Diesbach, AI Ethics and Governance Senior Expert, Euroclear, au cours de la conférence « Responsible AI in practice: governance, risk and adoption ». La mesure devient un sujet de gouvernance. Les entreprises qui ne disposent pas d’indicateurs fiables sur leur consommation énergétique, leur empreinte carbone ou leur utilisation des ressources prennent des décisions d’investissement avec une visibilité incomplète.
À l’inverse, celles qui disposent de données robustes peuvent arbitrer plus efficacement leurs priorités stratégiques.
Sans visibilité, les arbitrages restent partiaux. Elle impose ensuite des choix de conception : sobriété des architectures, optimisation des workloads, gestion de la donnée, allongement de la durée de vie des équipements. Ces dimensions techniques traduisent des décisions stratégiques.
