L’intelligence artificielle peut-elle accélérer la transition écologique sans aggraver les pressions environnementales qu’elle cherche à réduire ? La question ne peut plus être évitée.
L’IA est désormais mobilisée pour anticiper les risques naturels, analyser des données environnementales, contrôler l’efficacité des aides publiques, faciliter l’instruction de dossiers ou optimiser l’utilisation des ressources. Mais elle repose également sur des centres de données, des infrastructures énergivores et des équipements contenant de nombreux métaux critiques.
C’est dans cette tension que se dessine une IA de Transition : une intelligence artificielle conçue non comme une finalité technologique, mais comme un outil proportionné au service des transformations écologiques, sociales et organisationnelles.
Le rapport publié en février 2026 par l’Inspection générale de l’environnement et du développement durable, consacré au déploiement de l’IA dans le pôle ministériel chargé de la transition écologique, apporte une matière particulièrement riche pour définir cette approche. Son principal enseignement est clair :
la réussite ne dépend pas d’abord de la puissance des modèles, mais de la capacité à sélectionner les bons usages, gouverner les données, transformer les processus, accompagner les professionnels et mesurer les impacts réels.
Qu’est-ce que l’IA de Transition ?
L’expression IA de Transition désigne une approche de l’intelligence artificielle orientée vers une transformation soutenable des organisations et des territoires.
Elle recouvre deux exigences complémentaires.
La première consiste à utiliser l’IA pour répondre à des enjeux de transition : réduction des émissions, adaptation au changement climatique, préservation des ressources, amélioration de l’efficacité énergétique, évolution des mobilités ou renforcement de la résilience territoriale.
La seconde consiste à organiser le développement et l’utilisation de cette IA de manière responsable. Cela suppose de limiter sa consommation de ressources, d’encadrer ses risques, de protéger les données, de maintenir la responsabilité humaine et de veiller à ses effets sur le travail.
Une IA utilisée dans un projet environnemental n’est donc pas automatiquement une IA de Transition. Elle ne le devient que si sa contribution réelle est supérieure aux coûts économiques, sociaux et environnementaux qu’elle engendre.
Cette distinction est essentielle. Elle permet de sortir du discours simpliste selon lequel toute innovation numérique participerait mécaniquement à la transition écologique.
Un foisonnement de projets qui ne garantit pas encore leur impact
Le rapport de l’IGEDD recense 141 projets d’intelligence artificielle dans le périmètre ministériel étudié. Parmi eux, 58 % sont portés par les opérateurs publics, 28 % par l’administration centrale et 14 % par les services déconcentrés.
Les usages identifiés sont nombreux :
- automatisation de tâches administratives ;
- recherche documentaire ;
- génération de synthèses ;
- analyse prédictive ;
- détection de fraudes à MaPrimeRénov’ ou aux certificats d’économies d’énergie ;
- ciblage des contrôles ;
- instruction d’autorisations environnementales ;
- analyse de dossiers relatifs aux installations classées ;
- prévision et gestion des risques.
Cette diversité montre que l’IA ne se limite pas aux assistants conversationnels. Les modèles prédictifs, la reconnaissance de documents, l’analyse d’images ou les systèmes spécialisés peuvent également soutenir les politiques environnementales.
Pourtant, le nombre de projets ne constitue pas à lui seul un indicateur de réussite. Hors opérateurs, 60 % des initiatives sont encore au stade de l’idéation ou de la preuve de concept, tandis que seuls 12 % des projets correspondent à des services réellement opérés. Le rapport identifie des freins techniques, mais surtout organisationnels et managériaux.
Ce constat dépasse largement le secteur public. De nombreuses organisations savent lancer un démonstrateur en quelques semaines. Elles rencontrent davantage de difficultés lorsqu’il faut sécuriser les données, intégrer la solution au système d’information, former les équipes, financer son maintien et revoir les responsabilités.
Le premier défi de l’IA de Transition n’est donc pas d’accumuler les expérimentations. Il est de transformer les projets pertinents en usages durables, tout en arrêtant ceux qui ne créent pas suffisamment de valeur.
Partir des besoins de transition plutôt que des outils disponibles
L’un des enseignements les plus structurants du rapport consiste à inverser la logique habituelle des projets d’intelligence artificielle.
Face à la multiplication des modèles génératifs, les organisations sont souvent tentées de partir de la technologie : elles acquièrent un outil, puis cherchent les situations dans lesquelles elles pourraient l’utiliser.
Cette démarche comporte plusieurs limites.
Les solutions évoluent très rapidement. Un modèle considéré comme performant aujourd’hui peut être remplacé quelques mois plus tard. Les usages métiers sont, eux, plus stables : analyser un dossier, repérer une anomalie, prévoir un risque, identifier une information ou accompagner un usager.
Par ailleurs, un outil généraliste puissant peut consommer davantage de ressources sans apporter de bénéfice proportionnel. La complexité technologique n’est pas une garantie de qualité.
Une démarche d’IA de Transition commence donc par quelques questions élémentaires :
- Quel problème environnemental, social ou opérationnel faut-il résoudre ?
- Quelle valeur supplémentaire l’IA peut-elle produire ?
- Une simplification du processus suffirait-elle ?
- Une automatisation classique serait-elle plus efficace ?
- Quel niveau de performance est réellement nécessaire ?
- Le système pourra-t-il être maintenu dans la durée ?
Le rapport souligne ainsi que la solution pertinente ne comporte pas nécessairement d’intelligence artificielle. Lorsqu’une IA est justifiée, le modèle le plus avancé et le plus puissant n’est pas toujours celui qui répond le mieux au besoin.
Cette approche évite de transformer l’innovation en objectif autonome. Elle oblige à relier chaque dépense technologique à un résultat attendu.
Cinq familles d’usages pour accélérer les transitions
Le rapport distingue cinq grandes familles d’usages, qui permettent d’identifier les domaines dans lesquels l’IA de Transition peut apporter une contribution tangible.
Traiter la parole et le langage
Les outils de transcription automatique peuvent faciliter la production de comptes rendus, l’analyse d’enquêtes publiques ou la documentation de réunions.
Dans les projets territoriaux et environnementaux, ils peuvent améliorer la traçabilité de la concertation et réduire le temps consacré aux tâches de retranscription. Ils posent néanmoins des questions de confidentialité, de protection des données et de qualité de reconnaissance des différentes voix.
Rechercher et extraire des informations
La recherche contextuelle permet d’interroger de grands corpus sans dépendre uniquement de mots-clés exacts.
Cette capacité est particulièrement utile face à l’accumulation de textes réglementaires, d’études environnementales, de dossiers techniques ou de retours d’expérience. Une IA peut repérer des passages pertinents, rapprocher des documents ou identifier des informations manquantes.
La fiabilité dépend cependant directement de la qualité du corpus utilisé. Une base documentaire incomplète ou mal structurée produira des réponses fragiles.
Assister les agents et les usagers
Les assistants intelligents peuvent aider à comprendre une procédure, préparer une réponse, remplir un formulaire ou orienter vers un service compétent.
Dans le champ de la transition, ils pourraient faciliter l’accès aux aides à la rénovation, à la mobilité durable ou aux dispositifs d’adaptation climatique. Leur utilisation ne doit toutefois pas conduire à éloigner davantage les publics fragiles des interlocuteurs humains.
Produire des synthèses et des contenus
Les IA génératives peuvent accélérer la préparation de notes, résumer des dossiers volumineux ou produire une première version d’un document.
Cet usage est intéressant pour des professionnels confrontés à une masse croissante d’informations. Mais un texte fluide n’est pas nécessairement un texte exact. La relecture humaine et la vérification des sources restent indispensables.
Modéliser, prévoir et anticiper
L’IA peut analyser des données météorologiques, géographiques, satellitaires, énergétiques ou économiques pour détecter des tendances et anticiper des événements.
Ces capacités ouvrent des perspectives dans la prévention des risques naturels, la gestion de l’eau, la maintenance des infrastructures, la planification énergétique ou le ciblage des contrôles.
Elles sont probablement parmi les plus prometteuses pour une IA de Transition, car elles permettent de passer d’une action corrective à une action davantage préventive.
Mesurer la valeur réelle avant de généraliser une IA
Un projet techniquement fonctionnel n’est pas nécessairement utile. C’est pourquoi l’IGEDD recommande de soumettre les projets à un cadre d’analyse de la valeur.
Cette évaluation doit aller au-delà du simple retour financier. Une IA de Transition doit être examinée selon plusieurs dimensions.
La valeur opérationnelle porte sur le temps économisé, la réduction des délais, l’amélioration de la qualité ou l’augmentation de la capacité de traitement.
La valeur sociale concerne les conditions de travail, l’autonomie des professionnels, l’accessibilité du service et le risque de discrimination.
La valeur environnementale prend en compte à la fois les bénéfices attendus du projet et l’empreinte du système utilisé.
La valeur économique doit intégrer le coût total de possession : développement, licences, infrastructure, préparation des données, formation, sécurité, maintenance, mises à jour et fin de vie.
Le rapport propose de généraliser cette analyse à tous les projets IA et d’y intégrer explicitement des critères technico-financiers, sociaux et environnementaux.
Cette méthode apporte une discipline salutaire. Elle rend possible la comparaison entre plusieurs projets et, surtout, entre une solution fondée sur l’IA et une solution plus simple.
Elle permet également d’arrêter une expérimentation lorsque les résultats sont insuffisants. Cette capacité est souvent négligée dans les politiques d’innovation : les organisations savent financer un lancement, mais hésitent à abandonner un projet déjà engagé.
Or une IA de Transition crédible suppose aussi de renoncer aux usages accessoires, redondants ou surdimensionnés.
Transformer les processus plutôt que numériser leur complexité
L’IA ne produit pas automatiquement des gains de productivité. Lorsqu’elle est ajoutée à un processus inchangé, elle peut même créer de nouvelles tâches :
- sélection et préparation des données ;
- formulation des instructions ;
- vérification des réponses ;
- contrôle des sources ;
- correction des erreurs ;
- gestion des incidents ;
- documentation de l’intervention de l’IA.
Prenons l’exemple de l’instruction d’un dossier environnemental. Une IA peut extraire des informations, détecter les pièces manquantes, comparer le dossier à des précédents et préparer une synthèse.
Mais l’agent doit toujours évaluer la qualité des documents, comprendre le contexte territorial, identifier les enjeux significatifs, vérifier les sources et assumer la décision.
La valeur ne vient donc pas d’un remplacement mécanique de l’activité humaine. Elle repose sur une nouvelle répartition des tâches entre l’outil et le professionnel.
Cette transformation doit être conçue en amont. Dans le cas contraire, l’organisation conserve les anciennes étapes tout en ajoutant des procédures de vérification liées à l’IA. La charge de travail peut alors augmenter au lieu de diminuer.
Le rapport insiste sur le triptyque organisation, processus et compétences. Il estime que le passage à l’échelle repose davantage sur la transformation organisationnelle que sur le développement technologique lui-même.
L’IA de Transition doit ainsi devenir une occasion de simplifier les pratiques, et non un moyen de maintenir artificiellement des procédures devenues trop complexes.
La donnée, infrastructure essentielle de l’IA de Transition
La qualité d’une intelligence artificielle dépend moins de son apparence que des données sur lesquelles elle travaille.
Pour les politiques de transition, ces données sont particulièrement dispersées. Elles peuvent être détenues par des administrations, des opérateurs publics, des collectivités, des entreprises, des laboratoires de recherche ou des associations.
Elles présentent également des formats, des niveaux de qualité et des règles d’accès très différents.
Une stratégie de données adaptée doit organiser :
- le catalogage des ressources disponibles ;
- leur documentation ;
- leur mise en qualité ;
- leur interopérabilité ;
- les responsabilités associées ;
- les règles de confidentialité ;
- les conditions d’hébergement ;
- leur conservation et leur suppression.
Le rapport constate un cloisonnement des responsabilités et un manque de visibilité sur la description et la qualité de certaines données. Il préconise la création d’un directeur des données à temps plein et le lancement d’un plan « Données pour l’IA ».
Cette recommandation pourrait être élargie à toutes les organisations qui souhaitent développer une IA de Transition. Sans gouvernance des données, les modèles risquent de reproduire des erreurs, d’écarter certains territoires ou de prendre appui sur des informations obsolètes.
La gestion des données est également un sujet environnemental. Collecter, dupliquer et conserver indéfiniment des volumes inutiles entraîne des besoins supplémentaires en stockage, en calcul et en infrastructures.
Une gestion raisonnée suppose de sélectionner les données dès leur collecte, de limiter leur durée de conservation, de supprimer les éléments obsolètes, de compresser les fichiers et d’éviter les duplications inutiles. Le rapport rapproche cette démarche d’une logique circulaire allant de la création de la donnée jusqu’à sa suppression.
Une IA au service de l’écologie doit mesurer sa propre empreinte
L’IA peut contribuer à la gestion des risques naturels, à la décarbonation, à la maîtrise de l’énergie ou à l’agriculture de précision. Mais ces externalités positives ne doivent pas masquer ses impacts directs.
Une évaluation sérieuse doit couvrir l’ensemble du cycle de vie :
- extraction des matières premières ;
- fabrication des composants électroniques ;
- construction et fonctionnement des centres de données ;
- collecte et stockage des informations ;
- entraînement du modèle ;
- ajustements et mises à jour ;
- utilisation quotidienne ;
- refroidissement des équipements ;
- renouvellement du matériel ;
- traitement des déchets électroniques.
Cette approche évite de réduire le débat à la consommation électrique d’une seule requête.
Elle met également en lumière les dépendances matérielles de l’intelligence artificielle. Les serveurs et accélérateurs reposent sur de nombreux métaux critiques. Leur extraction, leur raffinage et leur transformation sont géographiquement concentrés et génèrent des impacts environnementaux parfois importants.
La fin de vie constitue un autre point faible. Le rapport rappelle que les équipements utilisés pour l’IA associent de nombreux matériaux difficiles à séparer et à recycler.
L’IA de Transition doit donc intégrer l’analyse du cycle de vie dès la conception du projet, et pas seulement lorsque l’outil est déjà déployé.
L’effet rebond peut annuler les progrès d’efficacité
Les modèles deviennent progressivement plus performants et plus économes par opération. Mais cette amélioration peut entraîner une multiplication des usages.
Une requête moins énergivore peut être compensée par :
- un nombre croissant d’utilisateurs ;
- une fréquence d’utilisation plus élevée ;
- des réponses plus longues ;
- la génération massive d’images ou de vidéos ;
- l’intégration de l’IA dans un nombre toujours plus important d’applications.
C’est l’effet rebond : la diminution de l’impact unitaire favorise une augmentation de la consommation globale.
Le rapport souligne que l’inférence, c’est-à-dire l’utilisation quotidienne des modèles, peut devenir la phase la plus impactante de leur cycle de vie lorsque les outils répondent en continu à des millions de requêtes.
Cette observation modifie la manière d’évaluer un projet. Il ne suffit pas de mesurer l’empreinte d’un test ou d’un utilisateur. Il faut anticiper l’impact du système lorsqu’il sera généralisé.
Une IA de Transition doit ainsi définir des règles d’usage : quels contenus doivent réellement être générés, quelle longueur de réponse est nécessaire, quelles demandes peuvent être traitées par un outil plus léger et quelles fonctionnalités doivent rester optionnelles ?
Choisir la technologie la plus proportionnée
La sobriété ne consiste pas uniquement à optimiser un grand modèle. Elle commence par le choix du bon niveau de technologie.
Pour un besoin structuré, un système de règles peut suffire. Pour détecter une fraude dans des données tabulaires, un modèle d’apprentissage automatique classique peut offrir un meilleur rapport entre performance, explicabilité et consommation qu’un réseau neuronal complexe.
Lorsque l’apprentissage profond est nécessaire, il est possible de privilégier des modèles compacts et spécialisés.
Le rapport mentionne plusieurs leviers techniques :
- réutilisation de modèles déjà entraînés ;
- ajustement ciblé ;
- arrêt anticipé des entraînements inutiles ;
- quantification ;
- élagage du modèle ;
- distillation ;
- traitement par lots ;
- mise en cache des requêtes fréquentes.
Ces pratiques peuvent réduire la taille des modèles, la durée de calcul et le coût de l’inférence.
Une hiérarchie de décision peut être appliquée :
- simplifier le processus ;
- vérifier si une solution sans IA répond au besoin ;
- utiliser un système expert ou un algorithme classique ;
- sélectionner un modèle compact ;
- réserver les grands modèles aux usages qui le justifient réellement.
L’IA de Transition n’est donc pas nécessairement une IA moins performante. Elle recherche une performance suffisante au regard du besoin, sans mobiliser inutilement des ressources.
Maintenir un humain réellement responsable
L’une des dérives possibles consiste à maintenir formellement un humain dans la boucle, alors que celui-ci ne dispose plus du temps, des compétences ou des informations nécessaires pour contester la réponse de l’IA.
La supervision humaine ne peut pas se limiter à cliquer sur un bouton de validation.
Elle implique de pouvoir :
- comprendre l’origine des informations ;
- vérifier les sources ;
- identifier les biais ;
- repérer une incohérence ;
- demander une nouvelle analyse ;
- refuser une recommandation ;
- expliquer la décision finale.
Le rapport identifie plusieurs risques : hallucinations, biais, perte de traçabilité, affaiblissement de l’esprit critique et dépendance technologique. Il rappelle que la validation finale doit rester humaine pour les systèmes d’aide à la décision.
Cette exigence est particulièrement importante dans les décisions liées à l’environnement, à l’aménagement ou aux droits des usagers. Une réponse statistiquement vraisemblable ne remplace pas une décision juridiquement motivée et adaptée au contexte.
Former les équipes et accompagner les managers
La formation à l’intelligence artificielle ne doit pas se limiter à apprendre à rédiger un prompt.
Les professionnels doivent comprendre :
- le fonctionnement général des modèles ;
- leurs domaines de pertinence ;
- les hallucinations ;
- les biais ;
- les règles de protection des données ;
- les enjeux de propriété intellectuelle ;
- les impacts environnementaux ;
- les modalités de vérification ;
- les conditions d’un usage responsable.
Les managers ont besoin d’un accompagnement spécifique. Leur rôle consiste à sélectionner les cas d’usage, organiser l’expérimentation, préserver le collectif de travail, suivre les gains et décider de l’affectation du temps économisé.
Le rapport recommande un socle obligatoire de formation pour l’ensemble des agents, complété par une formation destinée aux managers et par la désignation de référents IA dans chaque direction.
Cette organisation en réseau est pertinente pour une IA de Transition. Les référents peuvent relier les besoins métiers aux compétences numériques, faire remonter les difficultés et partager les solutions réutilisables.
Organiser le dialogue social autour des transformations du travail
L’IA transforme rarement un métier en une seule fois. Elle modifie progressivement certaines tâches, les responsabilités, les compétences et les rapports entre professionnels.
Les gains de temps peuvent être utilisés de différentes manières : améliorer la qualité, réduire la charge, renforcer la relation avec les usagers, développer de nouvelles missions ou diminuer les effectifs.
Ces choix ne sont pas purement techniques. Ils relèvent du projet social et stratégique de l’organisation.
Le rapport recommande donc un dialogue social dynamique, itératif et participatif. Celui-ci doit intervenir avant le développement, pendant l’expérimentation, au moment du déploiement et après la mise en service.
L’objectif est de traiter ouvertement les questions qui accompagnent l’IA :
- Quelles tâches seront transformées ?
- Quelles compétences doivent être préservées ?
- Qui vérifiera les résultats ?
- Comment les incidents seront-ils signalés ?
- À quoi servira le temps économisé ?
- Quels effets sont attendus sur les conditions de travail ?
Une IA de Transition doit être collectivement discutée. À défaut, elle risque d’alimenter la méfiance, de creuser les écarts entre utilisateurs et de fragiliser les dynamiques d’adoption.
Construire une gouvernance capable de décider et d’arrêter
Le rapport recommande une gouvernance combinant un comité stratégique trimestriel, un comité de pilotage mensuel et un coordinateur ministériel de l’IA à temps plein.
Au-delà de cette architecture précise, le principe est transposable à de nombreuses organisations.
Une gouvernance de l’IA de Transition doit pouvoir :
- définir des priorités ;
- sélectionner les cas d’usage ;
- attribuer des financements ;
- évaluer la valeur ;
- mutualiser les outils ;
- coordonner les données ;
- surveiller les risques ;
- mesurer les impacts ;
- suivre l’adoption ;
- interrompre les projets insuffisamment performants.
Elle doit aussi poser des exigences non négociables : sécurité, conformité, éthique, protection des données et impact environnemental.
Cette gouvernance ne doit pas empêcher les initiatives locales. Elle doit au contraire fournir un cadre permettant d’expérimenter sans multiplier les doublons, les dépendances ou les projets sans avenir opérationnel.
Sept principes pour déployer une IA de Transition
Les enseignements du rapport peuvent être synthétisés en sept principes opérationnels.
1. Partir du besoin. Le problème à résoudre doit être défini avant le choix du modèle.
2. Comparer les alternatives. Une solution sans IA ou un modèle plus simple peut être plus pertinent.
3. Mesurer la valeur globale. Les bénéfices économiques, sociaux et environnementaux doivent être confrontés au coût total.
4. Repenser les processus. L’IA doit simplifier le travail plutôt que se superposer à une organisation complexe.
5. Gouverner les données. Qualité, documentation, sécurité, interopérabilité et cycle de vie sont des prérequis.
6. Maintenir la responsabilité humaine. Les professionnels doivent conserver les compétences et les moyens de vérifier, contester et décider.
7. Mesurer l’impact sur tout le cycle de vie. Énergie, eau, équipements, matières premières, stockage et fin de vie doivent être intégrés à l’évaluation.
L’IA de Transition ne sera pas forcément la plus puissante
L’intelligence artificielle représente une opportunité réelle pour les politiques environnementales et la transformation des organisations. Elle peut accélérer l’analyse, améliorer la prévention, réduire certaines tâches répétitives et renforcer la capacité d’action.
Mais son efficacité ne doit pas être confondue avec sa sophistication.
Une IA de Transition pertinente sera parfois un grand modèle génératif. Dans d’autres situations, elle prendra la forme d’un algorithme spécialisé, d’un système expert, d’une base documentaire mieux structurée ou d’un processus simplement mieux conçu.
La question décisive n’est donc pas : comment utiliser davantage d’intelligence artificielle ?
Elle est plutôt : où l’IA produit-elle une valeur environnementale et sociale supérieure aux ressources qu’elle mobilise et aux risques qu’elle génère ?
C’est à cette condition que l’intelligence artificielle pourra devenir un véritable instrument de transition, et non une nouvelle couche technologique ajoutée à des organisations qui n’auraient pas pris le temps de se transformer.
Le défi est exigeant. Il est aussi stimulant : concevoir des technologies non seulement performantes, mais réellement utiles, proportionnées et compatibles avec les limites planétaires. C’est précisément le type de réflexion que nous souhaitons alimenter sur Les Transitions.
Source principale : rapport IGEDD n° 016275-01, Déploiement de l’intelligence artificielle au sein du pôle ministériel transition écologique, aménagement du territoire, transports, ville et logement, février 2026. Consulter le document
