Derrière chaque requête adressée à un assistant IA se cachent des infrastructures énergivores, des centres de données gourmands en eau, des ressources minérales extraites aux quatre coins du monde, des risques de cybersécurité et de fuite de données, des questions éthiques sur la propriété intellectuelle, et une possible dépendance technologique que peu d’entreprises anticipent.
L’intelligence artificielle n’est plus uniquement un sujet d’innovation ou de transformation digitale. Elle devient un véritable sujet de RSE, de gouvernance et de responsabilité d’entreprise.
L’enjeu n’est donc plus de savoir s’il faut utiliser l’IA, cette question est aujourd’hui largement dépassée. La vraie question est : comment le faire de manière responsable, transparente et mesurable, en cohérence avec les engagements RSE de l’entreprise ?
Cet article vous propose un guide complet pour comprendre les impacts de l’IA, les intégrer dans votre stratégie RSE, mettre en place une gouvernance adaptée et mesurer concrètement les conséquences environnementales et sociales de vos usages.
Pourquoi parler des impacts de l'IA aujourd'hui ?
Ce dossier spécial propose un état des lieux des difficultés rencontrées par les entreprises pour objectiver le ROI de la RSE, structurer leurs données ESG et mieux valoriser leurs démarches auprès des directions générales, des clients et des partenaires financiers.
L'IA : une technologie qui existait bien avant ChatGPT
Il est important de replacer le débat dans son contexte. Avant même l’essor de l’IA générative, l’intelligence artificielle était déjà omniprésente dans notre quotidien professionnel et personnel. La retranscription automatique de documents, la reconnaissance faciale, les filtres anti-spam, les moteurs de recommandation sur les plateformes de streaming, la détection de fraude dans le secteur bancaire, la prévision de la demande en logistique : toutes ces applications reposaient déjà sur des algorithmes d’intelligence artificielle.
Ce qui a fondamentalement changé avec ChatGPT, puis avec les modèles de génération d’images, de vidéo et de code, c’est l’échelle des usages. L’IA générative a démocratisé l’accès à la création de contenu, à l’analyse de données complexes et à l’automatisation de tâches cognitives. Cette démocratisation massive a entraîné une augmentation sans précédent des volumes de données traités, des infrastructures mobilisées et, par conséquent, des impacts.
Des chiffres qui donnent le vertige
Ordres de grandeur
Ces ordres de grandeur illustrent l’ampleur du phénomène. L’IA n’est plus une technologie de niche : elle est désormais une infrastructure mondiale, avec les impacts qui en découlent.
Un sujet qui monte dans les agendas réglementaires et RSE
Plusieurs signaux forts indiquent que l’IA va devenir un sujet incontournable dans les rapports de durabilité et les obligations réglementaires des entreprises. L’IA Act européen est entré en vigueur en août 2024 et sera pleinement applicable en août 2026. La CSRD et les normes ESRS exigent une transparence croissante sur les impacts numériques. Et de nombreux investisseurs institutionnels commencent à interroger explicitement les entreprises sur leur gouvernance de l’IA dans leurs questionnaires ESG.
Comprendre la chaîne de valeur de l'IA : bien plus qu'un modèle de langage
Quand une entreprise utilise ChatGPT, Claude ou Mistral, elle a tendance à percevoir uniquement la partie visible de l’iceberg : l’interface conversationnelle, le modèle de langage, les réponses générées. Mais derrière cette couche applicative se cachent plusieurs niveaux d’infrastructure interdépendants, chacun portant ses propres impacts.
Comprendre la chaîne de valeur de l’IA est indispensable pour mesurer correctement son empreinte et identifier les leviers d’action pertinents.
- Ressources naturelles : extraction de métaux (cobalt, lithium, cuivre, terres rares), eau, énergie, terres.
- Puces et semi-conducteurs : composants stratégiques au coeur de la concurrence géopolitique mondiale. L’accès aux puces est devenu un enjeu de souveraineté nationale.
- Data centers : constructions physiques massives exploitées par Amazon, Google, Microsoft, Meta, qui investissent des dizaines de milliards d’euros pour répondre à la demande croissante de capacité de calcul.
- Données : les jeux de données d’entraînement, souvent extraits du web, sont le carburant des modèles. Leur collecte, leur nettoyage et leur annotation mobilisent des ressources humaines et techniques considérables.
- Modèles : Anthropic (Claude), OpenAI (GPT), Mistral, Gemini (Google), LLaMA (Meta). C’est le maillon le plus visible, mais pas le seul impactant.
- Applications et logiciels : les interfaces, API, agents IA et outils métiers qui permettent aux utilisateurs finaux d’exploiter ces modèles.
Chaque couche de cette chaîne dépend de la précédente : sans puces, pas de data centers ; sans data centers, pas de modèles ; sans modèles, pas d’applications. L’essor de l’IA augmente les besoins en énergie, en eau, en métaux et en capacité de calcul sur l’ensemble de cette chaîne.
Les impacts environnementaux de l'IA
L’impact environnemental de l’IA est un sujet encore trop peu documenté et trop souvent réduit à la seule question des émissions de CO2. En réalité, il englobe quatre dimensions distinctes, qui doivent toutes être prises en compte dans une approche de responsabilité.
La consommation énergétique
Les data centers sont les principaux consommateurs d’électricité liés à l’IA. Ils consomment aujourd’hui 420 TWh par an à l’échelle mondiale, soit presque autant que la consommation électrique de la France entière. Et selon les projections du Shift Project, cette consommation pourrait atteindre 1 500 TWh d’ici 2030, soit une multiplication par plus de trois en cinq ans.
Cette consommation électrique se répartit entre deux grandes phases :
- L’entraînement des modèles : la phase de création d’un grand modèle de langage nécessite des milliers de GPU fonctionnant en parallèle pendant des semaines ou des mois. Un seul entraînement peut générer plusieurs centaines de tonnes de CO2 équivalent.
- L’inférence : c’est la phase d’utilisation, lorsqu’un utilisateur soumet une requête et reçoit une réponse. L’inférence représente le poste d’impact le plus important sur la durée de vie d’un modèle. Selon l’ACV réalisée par Mistral AI en 2025, l’entraînement et l’inférence représentent 85,5 % des émissions de gaz à effet de serre.
À retenir
Une requête soumise à une IA générative consomme en moyenne 10 fois plus d’électricité qu’une recherche web classique sur Google (source : AIE). Ce chiffre donne un ordre de grandeur de l’ampleur de la transition en cours.
La consommation d'eau
Le refroidissement des data centers est l’une des sources d’impact les plus sous-estimées. Pour maintenir les serveurs en dessous de leur température critique, les opérateurs utilisent des systèmes de refroidissement liquide qui consomment des volumes d’eau considérables.
Selon l’analyse de cycle de vie publiée par Mistral AI (2025), l’entraînement et l’inférence représentent 91 % de la consommation d’eau totale d’un modèle. À l’échelle d’une page de texte générée (400 tokens), cela représente environ 0,05 litre d’eau, soit l’équivalent de l’eau nécessaire à la pousse d’un petit radis. Multiplié par des milliards de requêtes quotidiennes, l’impact sur les ressources en eau devient significatif, surtout dans les régions déjà soumises à un stress hydrique.
La localisation des data centers est donc un facteur déterminant : un data center implanté dans une région sèche aura un impact bien plus sévère qu’une infrastructure située en Scandinavie ou dans des zones à faible tension hydrique.
L'extraction de ressources minérales
Chaque GPU, chaque serveur, chaque composant électronique mobilise des métaux dont l’extraction pose de sérieux problèmes environnementaux et sociaux. Cobalt, lithium, cuivre, néodyme, tantale : ces ressources sont souvent extraites dans des conditions difficiles, dans des régions où la régulation environnementale est limitée.
L’analyse de cycle de vie de Mistral indique que la fabrication du matériel (serveurs, puces) représente 61 % de la consommation de ressources minérales, un poste d’impact majeur souvent oublié dans les calculs d’empreinte IA.
À cela s’ajoutent deux problématiques supplémentaires : la raréfaction progressive de certaines ressources stratégiques, qui alimente une compétition géopolitique intense, et le très faible taux de recyclage des composants électroniques, qui conduit à une extraction toujours croissante pour répondre à une demande en explosion.
L'effet rebond : le risque caché
L’effet rebond, aussi appelé paradoxe de Jevons, du nom de l’économiste britannique qui l’a théorisé au XIXe siècle à propos de la consommation de charbon, est l’un des mécanismes les plus importants à comprendre pour évaluer l’impact réel de l’IA.
Son principe est simple : lorsqu’une technologie devient plus efficace ou plus accessible, sa consommation augmente au lieu de diminuer. Les gains d’efficacité sont annulés par la multiplication des usages.
Des exemples concrets permettent d’illustrer ce phénomène :
- Une voiture plus économique n’incite pas à moins conduire : au contraire, le coût au kilomètre baissant, les conducteurs ont tendance à faire plus de kilomètres.
- L’introduction du courrier électronique n’a pas réduit le volume de communications : il l’a multiplié par plusieurs dizaines.
- L’amélioration des algorithmes de recommandation n’a pas diminué le temps passé sur les plateformes : elle l’a augmenté.
Appliqué à l’IA, ce mécanisme signifie que même si les modèles deviennent techniquement plus efficaces, la démocratisation accélérée des usages pourrait plus que compenser ces gains d’efficacité. Plus l’IA est accessible et puissante, plus les entreprises l’utilisent pour des tâches nouvelles, plus souvent, avec des requêtes plus longues et plus complexes.
L’effet rebond est l’argument le plus fort en faveur d’une gouvernance des usages IA : sans cadre interne clair et sans indicateurs de suivi, la sobriété numérique restera une intention sans lendemain. C’est précisément pour cette raison que gouverner les usages IA n’est pas une option : c’est une condition pour que la démarche RSE reste cohérente et crédible.
Les impacts sociaux et éthiques de l'IA
Si les impacts environnementaux de l’IA commencent à être mieux documentés, ses impacts sociaux et éthiques restent souvent moins bien appréhendés par les directions d’entreprise. Pourtant, ils sont tout aussi significatifs et potentiellement tout aussi structurants pour la réputation et la responsabilité des organisations.
Éthique algorithmique et propriété intellectuelle
Les grands modèles de langage sont entraînés sur des volumes massifs de données extraites d’internet, de livres, d’articles, d’œuvres littéraires et artistiques. Ces données n’ont généralement pas été collectées avec le consentement explicite de leurs auteurs, et leur utilisation pose des questions fondamentales de propriété intellectuelle.
Par ailleurs, ces jeux de données reflètent les biais de la société : stéréotypes de genre, de race, de culture, de religion. Sans traitement spécifique, les modèles reproduisent et amplifient ces biais dans leurs réponses. Pour une entreprise qui déploie un outil d’IA en contact avec ses clients ou ses collaborateurs, ce risque est concret et peut avoir des conséquences juridiques et réputationnelles sérieuses.
Cybersécurité et fuite de données
L’utilisation non encadrée des outils d’IA générative au sein des entreprises crée un risque majeur de fuite de données confidentielles. Lorsqu’un collaborateur soumet à ChatGPT public un contrat, un brief stratégique, des données clients ou des informations financières, ces données peuvent être utilisées pour l’entraînement des modèles ou interceptées.
Ce risque est d’autant plus préoccupant qu’il est souvent invisible : le collaborateur n’a pas conscience du danger, et l’entreprise ne dispose d’aucune visibilité sur ce qui a été partagé. C’est l’un des arguments les plus forts en faveur d’une politique IA clairement définie et communiquée.
Creusement des inégalités
L’essor de l’IA concentre les richesses générées vers un petit nombre d’acteurs technologiques, principalement américains et chinois. La valeur créée par des millions d’utilisateurs bénéficie avant tout aux actionnaires des grandes plateformes.
Par ailleurs, le fonctionnement des grands modèles de langage repose en partie sur ce que les chercheurs appellent le «prolétariat du clic» : des milliers de travailleurs, principalement situés dans les pays du Sud (Inde, Kenya, Philippines), qui annotent des données, filtrent des contenus problématiques et évaluent les réponses des modèles pour quelques centimes par tâche. Ces travailleurs sont souvent exposés à des contenus violents ou traumatisants, dans des conditions de travail précaires.
Transformation de l'emploi et dépendance technologique
Le rapport Goldman Sachs de 2023 estimait que 25 % du travail pourrait être automatisé aux États-Unis et en Europe, soit l’équivalent de 300 millions d’emplois à temps plein dans le monde. Si ce chiffre est sujet à débat, il traduit une réalité : l’IA va profondément transformer de nombreux métiers, accélérer l’obsolescence de certaines compétences et en créer de nouvelles.
Au-delà de la question quantitative des emplois, la question de la dépendance technologique est peut-être la plus stratégique pour les entreprises. En déployant massivement l’IA dans leurs processus critiques sans en maîtriser les fondements, elles risquent de se trouver dans une position de dépendance vis-à-vis de quelques fournisseurs dont les décisions, commerciales ou géopolitiques, peuvent affecter leur fonctionnement du jour au lendemain.
Exemple concret
En juin 2026, le gouvernement américain a restreint l’accès aux modèles d’IA les plus avancés de certains fournisseurs pour les entreprises et utilisateurs étrangers, y compris européens. Cette décision a illustré de manière concrète le risque de dépendance technologique lorsqu’une entreprise repose sur un fournisseur unique.
Pourquoi intégrer l'IA dans votre stratégie RSE ?
Face à l’ensemble de ces impacts, la question n’est pas de savoir si l’IA doit être intégrée à la stratégie RSE, mais comment le faire de manière systématique et crédible. Cinq raisons majeures motivent cette intégration.
Une réglementation en constante évolution
L’IA Act, entré en vigueur en 2024 et pleinement applicable en 2026, impose des obligations de gouvernance aux entreprises qui utilisent des systèmes d’IA à haut risque. La CSRD et les normes ESRS exigent une transparence croissante sur les impacts numériques. Il est probable que les prochaines évolutions réglementaires incluent une obligation de reporting sur les impacts de l’IA.
Le paradoxe performance versus sobriété
L’utilisation intensive de l’IA peut faire exploser les postes Scope 3 du bilan carbone d’une entreprise. Une organisation qui affiche des objectifs Net Zero ambitieux et déploie l’IA sans mesure ni sobriété crée une incohérence stratégique qui peut être perçue comme du greenwashing.
La crédibilité et la réputation
Les parties prenantes, clients, investisseurs, collaborateurs, partenaires, observent de près les pratiques des entreprises en matière d’IA. Une entreprise qui déploie l’IA sans charte ni gouvernance s’expose à des accusations de greenwashing et à une érosion de sa crédibilité RSE.
L'accompagnement social
Anticiper les évolutions induites par l’IA, former les collaborateurs, structurer un dialogue social autour de l’automatisation : ces actions garantissent que l’IA serve la montée en compétence plutôt que la précarisation. Elles s’inscrivent pleinement dans le volet social de la RSE.
La gouvernance comme source de confiance
Une charte d’usage de l’IA claire et transparente rassure toutes les parties prenantes et protège l’entreprise contre les dérives. Elle constitue un élément de différenciation positif dans les appels d’offres, les audits ESG et les relations avec les investisseurs.
📥 Téléchargez gratuitement notre checklist « Gouverner l’IA dans votre démarche RSE » et assurez-vous de n’oublier aucun point clé pour déployer une IA responsable au sein de votre entreprise.
Les cinq principes d'une IA responsable
Une IA responsable désigne une approche de conception, de développement et de déploiement de l’IA qui intègre des principes éthiques, sociaux et légaux dès la phase de conception, afin de minimiser les risques et de maximiser les bénéfices pour les individus, les communautés et la société. Voici les cinq principes reconnus internationalement.
Transparence et explicabilité
Une entreprise ne peut pas déléguer des décisions importantes à un outil qu’elle ne comprend pas. Si l’IA se trompe, c’est l’entreprise, et non le fournisseur du modèle, qui est tenue responsable des effets négatifs. La transparence implique de savoir quel modèle est utilisé, sur quelles données il a été entraîné, quelles sont ses limites et comment ses réponses sont générées.
Équité et non-discrimination
Sans contrôle actif des biais algorithmiques, les modèles reproduisent les stéréotypes présents dans leurs données d’entraînement. Cela peut conduire à des discriminations basées sur le genre, l’âge, l’origine, la religion ou la situation de handicap. La mise en place d’un processus d’audit des biais est indispensable, surtout pour les usages qui impactent les décisions RH, commerciales ou client.
Sécurité et protection des données
Résister aux manipulations et aux cyberattaques, protéger rigoureusement les données personnelles et confidentielles, respecter le RGPD dans l’utilisation des outils IA : ces exigences ne sont pas optionnelles. Elles doivent être formalisées dans la politique IA de l’entreprise.
Supervision humaine
Garder un humain dans la boucle est peut-être le principe le plus important. L’IA doit être un outil d’aide à la décision, pas un substitut au jugement humain. Un collaborateur formé doit être en mesure d’auditer, de valider et, si nécessaire, de corriger les outputs de l’IA. La responsabilité des décisions reste celle de l’entreprise et de ses collaborateurs.
Sobriété numérique
Avant de lancer une requête IA, la bonne pratique consiste à se poser deux questions : est-ce que j’ai vraiment besoin de l’IA pour cette tâche ? Est-ce que je peux utiliser un modèle plus léger qui donnera un résultat suffisamment satisfaisant ? La sobriété n’est pas une contrainte : c’est une pratique qui réduit les impacts, les coûts et la dépendance technologique.
IA Act : ce que cela change concrètement pour les entreprises
L’IA Act est le premier cadre réglementaire mondial complet dédié à l’intelligence artificielle. Entré en vigueur en août 2024, il sera pleinement applicable en août 2026. Son objectif : garantir que les systèmes d’IA déployés sur le marché européen soient sûrs, transparents, traçables et respectueux des droits fondamentaux.
Une approche par niveaux de risque
L’IA Act classe les systèmes d’IA en quatre catégories selon leur niveau de risque :
- Risque inacceptable (interdit) : systèmes de manipulation comportementale, de reconnaissance biométrique de masse dans les espaces publics, de notation sociale. Ces systèmes sont strictement prohibés sur le marché européen.
- Haut risque (très réglementé) : systèmes d’IA utilisés dans des domaines sensibles déjà réglementés, comme la santé, l’éducation, l’emploi, les infrastructures critiques, la sécurité. Ces systèmes doivent respecter des exigences strictes de documentation, de traçabilité et de supervision humaine.
- Risque limité : systèmes soumis à une obligation de transparence vis-à-vis des utilisateurs. Par exemple, un chatbot doit informer l’utilisateur qu’il interagit avec une IA.
- Risque minimal ou inexistant : la grande majorité des applications IA, comme les filtres anti-spam ou les moteurs de recommandation, qui ne sont pas spécifiquement encadrées.
Pour les entreprises, les principales implications sont : documenter les systèmes d’IA utilisés et leur niveau de risque, s’assurer de la conformité des fournisseurs d’IA, mettre en place une gouvernance interne et préparer les équipes à la pleine applicabilité de 2026.
ISO 42001 : la norme internationale pour gouverner l'IA
Publiée en décembre 2023, la norme ISO 42001 est la première norme internationale dédiée au système de management de l’intelligence artificielle. À l’image de l’ISO 27001 pour la cybersécurité ou de l’ISO 14001 pour l’environnement, elle fournit un cadre structuré pour s’assurer que l’IA est utilisée de manière responsable, sûre et éthique.
L’ISO 42001 est destinée aux entreprises qui souhaitent aller au-delà de la simple conformité réglementaire et certifier leur approche. Elle évalue la capacité de l’organisation à :
- Définir une gouvernance claire de ses systèmes d’IA (qui décide quoi, avec quelle supervision)
- Identifier et évaluer les risques liés à l’IA (risques éthiques, sécuritaires, opérationnels, réglementaires)
- Assurer la conformité réglementaire et éthique (IA Act, RGPD, droits humains)
- Protéger la sécurité, la vie privée et les données personnelles
- Déployer des actions favorisant la fiabilité, la robustesse et la résilience des modèles
La certification ISO 42001 devient un élément de différenciation commercial significatif, notamment dans les appels d’offres publics et les relations avec des donneurs d’ordre exigeants en matière de responsabilité numérique.
Comment mettre en place une gouvernance IA dans son entreprise ?
La gouvernance de l’IA n’est pas un sujet réservé aux DSI ou aux experts technologiques. C’est un sujet transversal qui implique la direction générale, les RH, le juridique, la RSE, la finance et les métiers. Voici les quatre étapes clés pour structurer une gouvernance IA efficace.
La formation des collaborateurs aux impacts ESG de l’IA est le point de départ indispensable de toute démarche d’IA responsable. Sans sensibilisation, les bonnes pratiques restent des intentions. La formation doit couvrir les risques (fuite de données, biais, dépendance), les impacts environnementaux (sobriété numérique) et les outils autorisés par l’entreprise.
La politique IA doit répondre clairement à trois questions :
- Ce qui est fourni par l’entreprise (outils IA approuvés, plateformes sécurisées)
- Ce qui est toléré sous conditions (certains usages personnels avec des données non confidentielles)
- Ce qui est strictement interdit (soumettre des données clients à un ChatGPT public, partager des données financières sensibles, etc.)
Cette politique doit être écrite, validée par la direction, communiquée à tous les collaborateurs et mise à jour régulièrement.
Un comité transdisciplinaire, regroupant typiquement DSI, RSE, RH, juridique et des représentants métiers, est nécessaire pour valider tout nouveau projet intégrant de l’IA avant qu’il parte en production. Ce comité pose les bonnes questions : quelle est l’utilité réelle de ce projet ? Quels sont les risques ? Comment les mitiger ? Quel est le coût réel, énergétique, financier, organisationnel ?
Ce n’est pas un frein à l’innovation : c’est un garde-fou qui évite les échecs coûteux et les dérives.
Sans mesure, pas de pilotage. Les premiers indicateurs à mettre en place peuvent être relativement simples :
- Environnement : coût énergétique moyen par projet IA lancé (euros/projet ou kWh/projet)
- Social : taux de collaborateurs formés à l’utilisation responsable de l’IA
- Gouvernance : nombre d’incidents de sécurité liés à l’IA identifiés et bloqués par mois.
Que doit contenir une charte IA en entreprise ?
La charte IA est le document opérationnel central de la gouvernance IA. Elle traduit la politique IA en règles concrètes et actionnables pour chaque collaborateur. Voici les éléments essentiels qu’elle doit couvrir.
À noter
La charte IA n’est pas un document une fois pour toutes. Elle doit être revue régulièrement, au moins une fois par an, pour s’adapter à l’évolution rapide des outils et des réglementations.
Comment mesurer l'impact de l'IA dans son entreprise ?
C’est l’une des questions les plus fréquemment posées par les dirigeants et les responsables RSE. Et c’est encore aujourd’hui l’une des plus difficiles à répondre avec précision, car les méthodologies sont en cours de normalisation et les fournisseurs de modèles restent peu transparents sur leurs consommations réelles.
La méthodologie en deux étapes
Étape 1 : évaluer la quantité de calcul. On cherche à déterminer le nombre d’opérations de calcul (exprimé en FLOPs) lié à l’utilisation du modèle. Cela dépend des caractéristiques du modèle (taille, nombre de paramètres, architecture), du volume de tokens consommés ou générés et de la répartition entre entraînement et inférence.
Étape 2 : traduire en énergie et émissions. On convertit ce temps de calcul en consommation énergétique, puis en émissions de gaz à effet de serre. Cela nécessite de connaître les caractéristiques physiques des GPU et serveurs mobilisés, l’efficacité énergétique des data centers (PUE) et les facteurs d’émission de l’électricité dans les pays d’hébergement.
Un outil accessible : Ecologits Calculator
Pour les entreprises qui souhaitent commencer sans se plonger dans des formules complexes, Hugging Face a développé l’outil Ecologits Calculator, une calculette carbone qui permet d’obtenir des estimations de l’impact de ses usages IA en quelques clics.
Pour l’utiliser, vous avez besoin de quatre informations :
- Le fournisseur du modèle utilisé (Anthropic, OpenAI, Mistral, Google, etc.)
- Le modèle spécifique (ex : Claude Sonnet, GPT-4o, Mistral Small)
- Le nombre de tokens consommés par jour et par utilisateur (accessible dans les onglets Paramètres ou Facturation de votre compte)
- Le nombre de collaborateurs utilisant l’IA dans votre organisation
L’outil vous restituera quatre indicateurs : consommation d’électricité, empreinte carbone (émissions de CO2eq), consommation d’eau et consommation de ressources minérales. Ces données peuvent être intégrées directement dans votre BEGES ou votre bilan carbone.
Important
Ces chiffres restent des estimations, avec des niveaux d’incertitude parfois significatifs. Les préciser dans votre reporting est indispensable pour maintenir la crédibilité de vos données.
Ce que l'ACV de Mistral nous apprend
En 2025, Mistral AI a publié l’analyse de cycle de vie (ACV) de ses modèles, réalisée selon la méthodologie Frugal AI développée par l’AFNOR. C’est à ce jour l’une des rares initiatives de transparence de ce type de la part d’un fournisseur de modèles d’IA. Ses enseignements sont précieux :
- L’entraînement et l’inférence représentent 85,5 % des émissions de GES et 91 % de la consommation d’eau d’un modèle sur son cycle de vie.
- La fabrication des serveurs représente 61 % de la consommation de ressources minérales.
- La localisation des data centers est l’un des principaux facteurs influençant l’impact environnemental d’un modèle.
- Privilégier des modèles plus petits ou plus spécialisés pour un cas d’usage donné permet généralement de réduire significativement l’impact.
Sept bonnes pratiques pour réduire l'impact de l'IA au quotidien
Au-delà de la gouvernance organisationnelle, chaque collaborateur peut contribuer à réduire l’impact environnemental de ses usages IA en adoptant quelques pratiques simples.
Réduire la fréquence
Avant chaque requête, posez-vous la question : ai-je vraiment besoin de l’IA pour cette tâche ? Peut-elle être réalisée autrement, par une recherche web classique, par une réflexion personnelle ? La sobriété commence par une question.
Choisir le bon modèle
Utiliser le modèle le plus puissant pour une tâche simple est un gaspillage. Selon les estimations de l’outil Claude Carbon, l’utilisation d’un modèle léger plutôt que d’un modèle lourd pourrait réduire les émissions de GES d’environ 60 % pour une tâche équivalente.
Optimiser ses prompts
Ajouter dans ses instructions : «Sois concis et direct. Pas de recherche web. Une seule réponse, sans variantes. Utilise du texte brut.» Ce type d’instruction peut réduire jusqu’à 80 % l’impact lié à l’exploration et à la génération de réponses (source : Claude Carbon).
Grouper les requêtes
Poser plusieurs questions dans une seule requête plutôt que de multiplier les allers-retours avec le modèle réduit significativement le nombre d’opérations de calcul.
Éviter la génération d'images et de vidéos
La génération de contenus visuels est beaucoup plus consommatrice de ressources que la génération de texte. Réserver cette fonctionnalité aux usages vraiment nécessaires.
Exiger la transparence des fournisseurs
Si vous êtes client payant d’un fournisseur de modèle IA, demandez explicitement des rapports de transparence sur la consommation énergétique et l’empreinte carbone de leurs services. Plus les entreprises le demandent, plus les fournisseurs seront incités à communiquer ces données.
Considérer les Small Language Models (SLM)
Pour des cas d’usage spécifiques et circonscrits, les petits modèles de langage peuvent être une alternative significativement moins coûteuse en ressources que les grands LLM. Ils peuvent être hébergés localement, ce qui offre un meilleur contrôle des données et de la consommation énergétique.
L'IA responsable au service de la démarche RSE : cas d'usage concrets
Au-delà de la gouvernance, l’IA peut être un véritable levier d’accélération pour les démarches RSE des entreprises, à condition d’être déployée de manière structurée et maîtrisée. Voici quatre cas d’usage illustrant le spectre des possibilités, du niveau intermédiaire au niveau expert.
Automatiser les réponses aux critères RSE dans les appels d'offres
La RSE représente aujourd’hui entre 5 % et 30 % de la note finale dans les appels d’offres privés et publics. À partir d’août 2026, les AO publics intégreront systématiquement une notation RSE. Les équipes qui répondent avec des formulations génériques sont pénalisées.
Un agent IA entraîné sur la base de données RSE de l’entreprise peut rédiger des réponses personnalisées, cohérentes et documentées à ces critères, en gagnant environ deux heures par dossier pour un investissement de mise en place de deux à trois jours.
Vous souhaitez comprendre comment l’IA peut vous aider à mieux répondre aux critères RSE des appels d’offres, tout en renforçant la qualité et la cohérence de vos dossiers ? Découvrez des cas d’usage concrets et les bonnes pratiques lors de notre webinar dédié aux critères RSE dans les appels d’offres.
Répondre aux questionnaires ESG des parties prenantes
Les directions RSE passent un temps considérable à répondre aux questionnaires ESG, qu’ils viennent d’investisseurs, de clients, de banques ou de donneurs d’ordre. Un agent IA connecté à la base de données RSE peut automatiser une grande partie de ces réponses, libérant du temps pour les actions à plus forte valeur ajoutée.
Tableau de bord de pilotage des KPI ESG
Une plateforme de pilotage des indicateurs ESG, alimentée automatiquement par les données de l’entreprise et dotée d’une interface de visualisation personnalisée, permet de suivre en temps réel la progression vers les objectifs RSE et de produire facilement les reportings réglementaires (CSRD, BEGES, VSME).
Automatisation du bilan carbone
Pour les entreprises qui ont déjà réalisé au moins un bilan carbone, un outil IA peut permettre de gagner en autonomie pour les exercices suivants : import automatisé des données d’activité, récupération des facteurs d’émission, génération de plans d’actions. Ce type de projet nécessite trois à quatre semaines de configuration et l’intervention d’experts métiers et techniques.
G.A.C. Group vous accompagne dans le déploiement d'une IA responsable.
Identifier les bons cas d’usage, structurer votre politique IA, mesurer vos impacts ESG et rester en conformité avec l’IA Act : nos experts RSE et gouvernance IA vous accompagnent à chaque étape.
Questions fréquentes sur l'impact de l'IA
Quelle est la consommation énergétique d'une requête IA ?
Une requête adressée à un modèle d’IA générative consomme en moyenne 10 fois plus d’électricité qu’une recherche web classique (source : AIE). Pour une page de texte générée (400 tokens) par le modèle Mistral Large 2, cela représente 1,14 gramme de CO2 équivalent, soit l’équivalent de 10 secondes de streaming vidéo aux États-Unis. Ces chiffres varient selon le modèle utilisé et la localisation des data centers.
L'IA est-elle obligatoirement un risque pour la RSE ?
Non. L’IA peut être à la fois un sujet de risque RSE (impacts environnementaux, sociaux, éthiques) et un levier d’amélioration RSE (automatisation du reporting, pilotage des indicateurs, aide à la prise de décision durable). La clé est de déployer l’IA avec une gouvernance adaptée et de maintenir une balance positive entre les impacts générés et la valeur créée.
Qu'est-ce que l'IA Act et qui est concerné ?
L’IA Act est le premier cadre réglementaire européen complet sur l’intelligence artificielle. Entré en vigueur en août 2024 et pleinement applicable en août 2026, il concerne principalement les concepteurs et les déployeurs de systèmes d’IA sur le marché européen. Les entreprises utilisatrices sont concernées lorsqu’elles déploient des systèmes d’IA classés à haut risque.
Comment mesurer l'impact carbone de mes usages IA ?
La méthode la plus accessible est d’utiliser l’outil Ecologits Calculator de Hugging Face. Il vous faut connaître le fournisseur et le modèle utilisés, le nombre de tokens consommés par jour et par utilisateur, et le nombre de collaborateurs utilisant l’IA. Le calculateur vous restitue une estimation de la consommation électrique, des émissions de CO2, de la consommation d’eau et des ressources minérales.
Qu'est-ce qu'une charte IA et est-ce obligatoire ?
Une charte IA est un document interne qui définit les règles d’utilisation de l’intelligence artificielle au sein de l’entreprise : outils autorisés, données interdites, obligations de validation humaine, responsabilités. Elle n’est pas encore légalement obligatoire en France, mais elle est fortement recommandée dans le cadre de l’IA Act et devient un élément différenciant dans les appels d’offres.
Conclusion : l'IA responsable, un enjeu stratégique pour les entreprises
Le véritable enjeu n’est pas d’opposer performance et responsabilité. Ces deux dimensions sont complémentaires, à condition de les piloter ensemble.
Les entreprises qui tireront durablement parti de l’intelligence artificielle seront celles qui sauront :
- Comprendre et mesurer les impacts de leurs usages IA sur l’environnement, la société et la gouvernance
- Intégrer l’IA dans leur stratégie RSE au même titre que les autres enjeux ESG
- Mettre en place une gouvernance adaptée : politique IA, charte d’usage, comité éthique, indicateurs de suivi
- Former leurs collaborateurs et instaurer une culture de l’IA responsable
- Rester indépendantes technologiquement en évaluant régulièrement leurs dépendances
Une IA responsable ne consiste pas à utiliser moins d’intelligence artificielle. C’est l’utiliser de manière pertinente, sécurisée, transparente et alignée avec les objectifs de l’entreprise. C’est cette approche que G.A.C. Group accompagne au quotidien, en combinant expertise RSE, conseil en gouvernance IA et outils digitaux comme Kiosk by G.A.C.
Vous souhaitez aller plus loin ? Nos experts RSE et IA sont disponibles pour vous aider à diagnostiquer votre maturité IA, élaborer votre charte d’usage et intégrer l’IA dans votre stratégie RSE.
Sources principales
OpenAI (2025). How people use ChatGPT.
The Shift Project (2025). IA, données, calcul.
Mistral AI (2025). Our contribution to a global environmental standard for AI.
Goldman Sachs (2023). The Potentially Large Effects of Artificial Intelligence on Economic Growth.
Agence Internationale de l’Énergie (AIE). Rapports sur la consommation énergétique du numérique.
Welgryn L., Alves Da Costa T. (2026). IA le grand enfumage.
Passez à l'action
Déployez une IA responsable dans votre entreprise
Identifier les bons cas d’usage, structurer votre politique IA, mesurer vos impacts ESG et rester en conformité avec l’IA Act : nos experts vous accompagnent à chaque étape.
« Gouverner l'IA dans votre démarche RSE »
Assurez-vous de n'oublier aucun point clé pour déployer une IA responsable au sein de votre entreprise.