Décarbonation, économie circulaire, adaptation, reporting ESG, numérique responsable : l’enjeu n’est pas de mettre de l’intelligence artificielle partout, mais de l’intégrer aux bons processus, avec le juste niveau de technologie.
L’intelligence artificielle s’invite désormais dans presque tous les sujets liés à la transition écologique. Elle analyse des données ESG, automatise des bilans carbone, optimise des consommations énergétiques, interprète des documents fournisseurs, anticipe des risques climatiques ou aide à identifier des solutions de réemploi.
À première vue, la rencontre entre IA et transition écologique paraît évidente. D’un côté, des transformations complexes nécessitant énormément de données, de coordination et de décisions. De l’autre, une technologie capable d’analyser rapidement des volumes considérables d’informations et d’assister les humains dans des tâches jusque-là difficiles à automatiser.
Mais cette vision masque une question essentielle.
Mettre davantage d’IA dans nos organisations signifie-t-il nécessairement accélérer la transition ?
Pas forcément.
Une entreprise peut automatiser son reporting carbone sans réduire ses émissions. Elle peut disposer d’un assistant ESG très performant sans modifier ses pratiques d’achat. Elle peut déployer des agents capables de produire des recommandations environnementales sans que celles-ci soient jamais intégrées dans les décisions quotidiennes.
Pire : l’intelligence artificielle est elle-même une infrastructure numérique. Elle nécessite des centres de données, des équipements, du stockage, des réseaux et de l’énergie. Déployer de l’IA pour résoudre un problème environnemental sans questionner la pertinence et la sobriété du dispositif reviendrait à ne regarder qu’une partie de l’équation.
L’enjeu n’est donc pas de maximiser l’utilisation de l’IA.
Il est de comprendre où elle peut réellement créer de la valeur de transition, comment l’intégrer dans les processus existants et comment s’assurer que les bénéfices produits justifient les ressources mobilisées.
Cette approche conduit à une idée assez simple :
La meilleure utilisation de l’IA pour la transition commence rarement par l’IA. Elle commence par l’observation du travail et des décisions qui produisent réellement les impacts.
Le problème n’est plus l’accès à l’IA, mais notre capacité à bien l’utiliser
Pendant longtemps, le principal obstacle à l’automatisation était technologique.
Il fallait disposer de compétences en développement, collecter et structurer les données, construire des modèles spécifiques et investir dans des infrastructures importantes.
L’IA générative change profondément cette situation.
Il devient relativement simple de créer un assistant capable de lire des documents, d’interroger une base de connaissances, de classifier des informations, de produire des synthèses ou de déclencher certaines actions dans un système d’information.
Les agents IA et les nouveaux outils de développement accélèrent encore cette évolution.
Mais cette facilité crée un nouveau risque : construire des solutions simplement parce qu’il est possible de les construire.
On commence alors par la technologie :
« Nous avons accès à un grand modèle de langage. Que pourrions-nous faire avec ? »
« Pourrions-nous ajouter un chatbot à notre plateforme ESG ? »
« Pourrions-nous automatiser notre questionnaire fournisseur ? »
« Pourrions-nous créer un agent carbone ? »
Ces questions peuvent produire des expérimentations intéressantes. Mais elles ne garantissent ni une valeur économique ni un impact environnemental.
Dans les sujets de transition, le problème est particulièrement important. Une technologie peut être spectaculaire tout en restant périphérique par rapport aux décisions qui déterminent réellement les impacts.
Un assistant capable de produire automatiquement une politique d’achats responsables ne change rien si les acheteurs continuent à sélectionner leurs fournisseurs exclusivement en fonction du prix et du délai.
Une IA capable d’analyser des données énergétiques n’a que peu d’effet si personne n’est responsable de transformer ses recommandations en actions.
Un système automatisant un reporting ESG peut même rendre une organisation beaucoup plus efficace pour mesurer ses impacts sans pour autant les réduire.
Produire de l’information n’est pas encore transformer un système.
La transition se joue dans les processus, pas uniquement dans les stratégies
Les stratégies de transition sont généralement exprimées à un niveau relativement macro.
- Réduire les émissions de gaz à effet de serre.
- Améliorer la circularité.
- Diminuer les consommations énergétiques.
- Décarboner la logistique.
- Augmenter la part des achats responsables.
- Réduire les déchets.
- Adapter les actifs aux risques climatiques.
Ces objectifs sont indispensables. Mais ils ne décrivent pas la manière dont la transition se produit concrètement.
Prenons les achats.
Une stratégie peut fixer un objectif de réduction de l’empreinte carbone des fournisseurs. Dans la réalité, un acheteur doit arbitrer chaque jour entre plusieurs paramètres : prix, disponibilité, qualité, délai, risque fournisseur, contrats existants, exigences techniques et parfois empreinte environnementale.
La transition se joue dans cet arbitrage.
Dans un bâtiment, une stratégie énergétique peut prévoir une réduction de 20 % des consommations. Mais les consommations réelles dépendent ensuite des horaires, des réglages, des équipements, de la maintenance, de la météo, des usages et du comportement des occupants.
Dans l’économie circulaire, une politique de réemploi devient concrète lorsqu’une personne décide si un équipement doit être réparé, stocké, reconditionné, revendu, recyclé ou remplacé.
Dans la mobilité, la réduction des émissions dépend de milliers de choix concernant les itinéraires, les véhicules, les modes de transport, les délais ou les déplacements professionnels.
Autrement dit :
la transition résulte d’une multitude de micro-décisions répétées dans les processus opérationnels.
C’est précisément à cet endroit que l’intelligence artificielle peut devenir particulièrement intéressante.
Non pas comme une couche supplémentaire de reporting, mais comme un outil capable d’aider à transformer les décisions qui produisent réellement les impacts.
Observer avant d’automatiser
C’est l’un des enseignements les plus intéressants des approches de type Forward Deployed Engineering : avant de construire une solution, il faut comprendre comment le travail est réellement réalisé.
Cela semble évident. Dans la pratique, c’est loin de l’être.
Les processus documentés ne correspondent jamais parfaitement aux processus réels.
Avec le temps, les collaborateurs développent des habitudes, des exceptions, des vérifications intermédiaires et des contournements. Certaines règles sont tellement intégrées au quotidien qu’elles ne sont même plus formulées.
- Une personne peut vérifier systématiquement une information qui n’apparaît dans aucune procédure.
- Un acheteur peut privilégier certains fournisseurs dans des situations précises.
- Un responsable maintenance peut savoir qu’un type d’incident nécessite une intervention particulière alors que cette connaissance n’existe dans aucune documentation.
- Un spécialiste carbone peut corriger instinctivement certaines données lorsqu’il connaît leur origine.
Ces connaissances tacites sont essentielles.
Si l’on automatise uniquement le processus théorique, on risque de créer un système techniquement cohérent mais opérationnellement inadapté.
La première étape d’un projet d’IA pour la transition écologique devrait donc souvent être beaucoup moins technologique qu’on ne l’imagine : observer.
- Observer une personne travailler.
- Documenter les étapes.
- Comprendre pourquoi chacune existe.
- Identifier les informations utilisées.
- Repérer les exceptions.
- Identifier les décisions qui ont un impact environnemental ou social.
Cette cartographie devient ensuite la base du système.
Ne pas mettre de l’IA partout
Une fois le processus compris, une deuxième question apparaît :
quelle technologie faut-il utiliser pour chaque étape ?
L’erreur serait de considérer qu’un projet d’intelligence artificielle doit nécessairement confier l’ensemble du processus à une IA.
Dans la plupart des situations, la meilleure architecture sera hybride.
Elle combinera trois éléments :
- du logiciel déterministe ;
- de l’intelligence artificielle ;
- de l’intervention humaine.
Cette distinction est importante sur le plan opérationnel, mais elle l’est également du point de vue du numérique responsable.
Quand une règle suffit, utilisons une règle
De nombreux processus de transition reposent sur des règles parfaitement déterministes.
- Calculer une distance.
- Appliquer un facteur d’émission.
- Déclencher une alerte lorsqu’une consommation dépasse un seuil.
- Vérifier qu’une donnée obligatoire est présente.
- Contrôler qu’un fournisseur possède une certification donnée.
- Appliquer une formule réglementaire.
- Comparer une valeur avec un seuil.
Aucune de ces opérations ne nécessite nécessairement un grand modèle de langage.
Un programme classique sera souvent :
- plus fiable ;
- plus rapide ;
- moins coûteux ;
- plus simple à auditer ;
- moins gourmand en ressources.
C’est un point important de la sobriété numérique appliquée à l’IA :
la solution la plus responsable est souvent la technologie la moins complexe capable de répondre correctement au besoin.
L’intelligence artificielle ne devrait donc pas devenir une infrastructure par défaut.
Elle doit être utilisée lorsqu’elle apporte une capacité réellement nécessaire.
Là où l’IA devient vraiment intéressante
L’IA apporte en revanche une valeur particulière lorsque les informations sont difficiles à traiter avec des règles classiques.
C’est notamment le cas lorsque les données sont :
- non structurées ;
- dispersées ;
- textuelles ;
- hétérogènes ;
- ambiguës ;
- très volumineuses.
Les sujets de transition écologique regorgent précisément de ces situations.
Dans les achats responsables
Une entreprise reçoit des centaines de documents provenant de ses fournisseurs :
rapports RSE, certifications, questionnaires, fiches techniques, politiques environnementales, documents réglementaires.
Une IA peut aider à extraire les informations pertinentes, rapprocher les preuves des critères attendus, identifier les données manquantes et préparer le travail d’analyse.
Dans le reporting ESG
Une part importante de l’information nécessaire au reporting ne se trouve pas dans une base de données parfaitement structurée.
Elle peut être répartie entre des feuilles de calcul, rapports, contrats, factures, emails ou documents internes.
L’IA peut faciliter cette collecte et réduire une partie du travail manuel.
Dans l’économie circulaire
Pour décider si un équipement peut être réemployé ou réparé, il faut parfois interpréter sa description, son état, son historique, ses composants ou ses conditions d’utilisation.
Une IA peut assister l’opérateur dans cette analyse.
Dans l’adaptation climatique
Les décisions nécessitent souvent de croiser des informations sur les caractéristiques d’un actif, sa localisation, son exposition à différents aléas, sa vulnérabilité et les solutions possibles.
L’intelligence artificielle peut aider à synthétiser ces informations et à produire des scénarios.
Dans toutes ces situations, l’IA joue essentiellement un rôle d’interprétation.
C’est probablement là que réside aujourd’hui l’une de ses plus grandes valeurs.
Certaines décisions doivent rester humaines
La troisième catégorie concerne les décisions dont les conséquences sont trop importantes pour être entièrement déléguées.
La transition écologique implique des arbitrages.
Décarboner un site industriel peut avoir des conséquences sur l’emploi.
Changer de fournisseur peut modifier les équilibres économiques d’une filière.
Une stratégie d’adaptation climatique peut nécessiter de choisir quels actifs protéger en priorité.
Un investissement environnemental peut engager une organisation pendant plusieurs décennies.
Ces choix ne sont pas seulement des problèmes mathématiques.
Ils impliquent :
- des valeurs ;
- des responsabilités ;
- des intérêts divergents ;
- des risques ;
- des conséquences sociales ;
- des choix politiques ou stratégiques.
L’intelligence artificielle peut apporter des données, identifier des scénarios, comparer des options et rendre certaines informations plus accessibles.
Mais elle ne doit pas servir à faire disparaître la responsabilité de la décision.
L’IA peut éclairer un arbitrage de transition. Elle ne doit pas effacer celui qui doit l’assumer.
Du cas d’usage IA au « cas de transition »
Cette manière de raisonner conduit à renverser l’approche traditionnelle des projets IA.
Un cas d’usage IA commence souvent par :
« Que peut-on faire avec cette technologie ? »
Un cas de transition devrait commencer par :
« Quel impact voulons-nous réduire ou améliorer ? »
Puis :
« Quels processus et quelles décisions produisent cet impact ? »
Et seulement ensuite :
« Quelle combinaison de données, de logiciel, d’IA et d’intervention humaine pourrait améliorer ces décisions ? »
Ce changement de perspective est fondamental.
Il permet de sortir de la logique démonstrateur pour entrer dans une logique d’impact.
On peut alors prioriser les processus en croisant plusieurs dimensions :
fréquence × impact unitaire × potentiel d’amélioration × capacité d’action.
Une petite optimisation répétée des milliers de fois peut avoir beaucoup plus d’effet qu’une démonstration technologique spectaculaire.
Réduire de quelques pourcents l’impact de dizaines de milliers de décisions d’achat peut représenter un potentiel considérable.
Optimiser systématiquement des tournées logistiques peut produire davantage de valeur qu’un rapport annuel extrêmement sophistiqué.
Identifier plus rapidement les équipements réemployables peut transformer un modèle opérationnel.
L’enjeu est donc de chercher les flux de décisions à fort impact.
Ajouter une dimension indispensable : l’empreinte numérique de la solution
Une démarche sérieuse d’IA et transition écologique ne peut cependant pas s’arrêter à l’impact évité.
Il faut également regarder les ressources nécessaires au fonctionnement de la solution.
Les systèmes d’intelligence artificielle reposent sur une infrastructure physique.
Entraînement et utilisation des modèles nécessitent du calcul.
Les données doivent être stockées et transportées.
Les centres de données utilisent de l’énergie.
Les serveurs et équipements mobilisent des matières premières et doivent être renouvelés.
À cela s’ajoutent les impacts liés aux terminaux, aux réseaux et à l’ensemble du cycle de vie du système numérique.
Cela ne signifie pas qu’il faudrait renoncer à l’intelligence artificielle.
Cela signifie qu’il faut raisonner en impact net.
Si une solution IA mobilise une certaine quantité de ressources mais permet d’éviter un impact beaucoup plus important, son utilisation peut parfaitement être pertinente.
En revanche, mobiliser une infrastructure lourde pour produire un gain environnemental marginal mérite d’être questionné.
Le numérique responsable apporte donc un principe simple :
ne pas utiliser davantage de technologie que nécessaire pour atteindre l’objectif.
Cela peut conduire à privilégier :
- une règle plutôt qu’un LLM ;
- un petit modèle spécialisé plutôt qu’un modèle généraliste ;
- un traitement ponctuel plutôt qu’une interrogation permanente ;
- un volume de données maîtrisé plutôt qu’une collecte systématique ;
- une infrastructure existante plutôt qu’une nouvelle plateforme.
L’écoconception ne devrait plus concerner seulement les sites internet ou les interfaces.
Elle devient progressivement un principe d’architecture des systèmes d’IA.
Éviter la multiplication des plateformes
Cette réflexion conduit à une autre règle importante : ne pas reconstruire inutilement ce qui existe déjà.
Les organisations disposent généralement d’un système d’information constitué au fil des années :
ERP, logiciels achats, CRM, outils carbone, solutions de gestion énergétique, tableurs, outils collaboratifs, bases métiers.
Créer une plateforme IA supplémentaire peut sembler séduisant.
Mais cela signifie également :
- une nouvelle interface ;
- de nouvelles données à synchroniser ;
- une maintenance supplémentaire ;
- de nouveaux comptes utilisateurs ;
- parfois une double saisie ;
- une nouvelle infrastructure à maintenir.
Or l’un des changements majeurs apportés par les agents et les protocoles d’interconnexion est précisément la possibilité d’intégrer l’IA dans les systèmes déjà utilisés.
L’agent vient vers le processus plutôt que d’obliger le processus à migrer vers l’agent.
Cette logique répond simultanément à trois enjeux :
- adoption, parce que les utilisateurs conservent leurs habitudes ;
- efficacité, parce qu’on évite de reconstruire l’existant ;
- sobriété, parce qu’on limite la multiplication des systèmes.
L’IA peut alors devenir une couche d’orchestration entre les outils plutôt qu’une nouvelle plateforme isolée.
La confiance est une infrastructure de la transition
Une solution peut être techniquement excellente et ne jamais être utilisée.
Ce point est particulièrement important pour les décisions environnementales.
Imaginez qu’une IA recommande à un acheteur :
« Choisissez le fournisseur B, son empreinte carbone est inférieure de 22 %. »
La première réaction devrait être de demander :
D’où vient cette information ?
Quel est le périmètre considéré ?
Quelle méthode de calcul a été utilisée ?
De quelle année datent les données ?
Les deux fournisseurs ont-ils été évalués avec la même méthodologie ?
Quelle est l’incertitude ?
La recommandation ne devient réellement exploitable que si l’utilisateur peut retrouver suffisamment d’éléments pour lui faire confiance.
Cela signifie que les systèmes doivent être conçus pour rendre visibles :
- les sources ;
- les hypothèses ;
- les critères ;
- les données manquantes ;
- les résultats intermédiaires ;
- les niveaux de confiance.
L’objectif n’est plus seulement de construire une intelligence artificielle capable de produire une réponse.
Il faut construire une intelligence artificielle permettant de prendre une décision vérifiable.
Cette traçabilité devient particulièrement importante dans des environnements soumis à des exigences de conformité, d’audit ou de justification auprès de parties prenantes externes.
Concevoir les erreurs avant de chercher l’autonomie
Un autre piège consiste à concevoir un système uniquement pour les situations où tout fonctionne.
Or les systèmes d’IA sont probabilistes.
Ils peuvent interpréter incorrectement une donnée, confondre une unité, utiliser une information obsolète ou extrapoler à partir d’informations insuffisantes.
Le problème est que certaines de ces erreurs peuvent être très crédibles.
Dans un processus carbone, une mauvaise unité peut modifier complètement un résultat.
Dans une analyse fournisseur, une certification mal interprétée peut produire un faux sentiment de conformité.
Dans un scénario climatique, une donnée inadaptée au territoire peut modifier la conclusion.
Un système robuste doit donc savoir ce qu’il fait lorsqu’il ne sait pas.
Les situations nécessitant une intervention humaine peuvent être définies dès la conception :
- informations manquantes ;
- sources contradictoires ;
- niveau de confiance insuffisant ;
- décision financière importante ;
- conséquence sociale significative ;
- action difficilement réversible.
Le principe peut se résumer simplement :
plus le coût potentiel d’une erreur augmente, plus le contrôle humain doit être important.
L’autonomie ne doit donc pas être considérée comme un objectif absolu.
Dans de nombreux cas, la meilleure architecture sera un système dans lequel l’IA prépare 80 % du travail et permet à un expert de se concentrer sur les 20 % qui nécessitent réellement son jugement.
Tester avec le passé réel de l’organisation
Les démonstrateurs IA sont souvent convaincants parce qu’ils utilisent quelques exemples particulièrement adaptés.
La réalité opérationnelle est beaucoup moins propre.
Pour savoir si un système fonctionne, il faut donc le confronter à des cas réels.
Une entreprise dispose généralement déjà d’une ressource précieuse : son historique.
Anciens dossiers fournisseurs.
Calculs carbone déjà validés.
Demandes traitées manuellement.
Décisions de maintenance.
Données de consommation.
Rapports ESG.
Ces éléments peuvent constituer un jeu d’évaluation.
Le principe est simple :
prendre des cas pour lesquels la bonne réponse est connue, les faire traiter par le système puis comparer les résultats.
Les erreurs deviennent ensuite des sources d’apprentissage.
Cette approche permet également de dépasser une simple mesure de précision.
Un système IA destiné à la transition devrait être évalué sur plusieurs dimensions :
- qualité des résultats ;
- taux d’erreur ;
- temps économisé ;
- adoption par les utilisateurs ;
- impact environnemental obtenu ;
- coût de fonctionnement ;
- risques évités.
La question pertinente n’est plus seulement :
« Est-ce que l’IA répond correctement ? »
Mais :
« Est-ce que ce système améliore réellement le fonctionnement et l’impact de l’organisation ? »
Du ROI au « Return on Transition »
La plupart des projets numériques finissent par être évalués selon leur retour sur investissement.
C’est nécessaire.
Une organisation doit comprendre combien coûte une solution et quelle valeur économique elle apporte.
Mais pour un projet destiné à accompagner une transition, ce calcul est insuffisant.
Il faut regarder plusieurs formes de valeur.
La valeur économique
- Temps économisé.
- Coûts évités.
- Productivité.
- Réduction des risques.
- Nouveaux revenus.
La valeur environnementale
- Tonnes de CO₂ évitées.
- Énergie économisée.
- Matières préservées.
- Déchets évités.
- Consommation d’eau réduite.
- Durée de vie des équipements prolongée.
La valeur sociale
Selon les projets : conditions de travail, sécurité, accessibilité, inclusion, maintien ou transformation de l’emploi.
Enfin, il faut retrancher les externalités du système numérique lui-même.
On pourrait ainsi parler de Return on Transition :
Valeur nette de transition = bénéfices économiques + bénéfices environnementaux + bénéfices sociaux – impacts du dispositif numérique.
Cette équation n’a évidemment pas vocation à réduire toutes les dimensions à une unité unique.
Elle sert surtout à imposer une discipline de raisonnement.
Une solution n’est pas « durable » parce qu’elle utilise l’intelligence artificielle pour traiter un sujet environnemental.
Elle doit démontrer que les bénéfices qu’elle génère sont significatifs au regard des ressources qu’elle mobilise.
Ne pas oublier les effets rebond
Le numérique responsable invite enfin à observer les conséquences indirectes.
Une technologie peut rendre une tâche plus efficiente mais provoquer une augmentation importante de son utilisation.
C’est l’effet rebond.
Imaginons qu’une analyse nécessitant auparavant plusieurs heures puisse désormais être produite en quelques secondes grâce à l’IA.
Le coût unitaire s’effondre.
Mais si l’organisation multiplie ensuite par cent le nombre d’analyses réalisées, la consommation globale peut augmenter.
Le même phénomène peut toucher la production de contenus, les simulations, les requêtes ou le stockage.
Il faut donc distinguer :
l’efficacité d’une opération
de :
l’impact global du système dans lequel elle s’inscrit.
Cette logique est fondamentale pour penser simultanément IA responsable, sobriété numérique et transition écologique.
Vers un nouveau rôle : l’architecte de transition augmentée
Toutes ces dimensions font émerger un besoin particulier dans les organisations.
Le spécialiste carbone maîtrise les méthodologies environnementales.
Le développeur maîtrise les systèmes numériques.
Le data scientist maîtrise les données et les modèles.
Le responsable métier connaît les opérations.
Mais qui relie réellement l’ensemble ?
Le développement des approches de Forward Deployed Engineering apporte une piste intéressante.
Le rôle consiste moins à construire une technologie isolée qu’à comprendre un métier, cartographier ses processus et déterminer où différentes technologies peuvent créer de la valeur.
Appliqué aux enjeux environnementaux, on pourrait parler d’architecte de transition augmentée.
Sa mission serait de connecter :
objectifs de transition → processus métier → données → règles → IA → décisions humaines → mesure d’impact.
Sa compétence principale ne serait pas nécessairement de savoir entraîner un modèle.
Elle serait de savoir déterminer :
- où utiliser l’IA ;
- où utiliser une automatisation classique ;
- où maintenir une décision humaine ;
- quelles données doivent être mobilisées ;
- comment rendre le système vérifiable ;
- comment limiter son empreinte numérique ;
- comment mesurer les résultats.
Avec la progression des outils de développement assistés par IA, cette capacité de compréhension et d’orchestration pourrait devenir encore plus stratégique.
Construire devient progressivement plus facile.
Savoir quoi construire reste difficile.
Comment commencer : réaliser un audit « IA × Transition »
Une organisation qui souhaite explorer cette approche n’a pas besoin de commencer par un programme de transformation de plusieurs millions d’euros.
Elle peut choisir un seul processus.
Par exemple :
- achats fournisseurs ;
- reporting carbone ;
- mobilité ;
- maintenance ;
- consommation énergétique ;
- gestion des déchets ;
- logistique ;
- réemploi.
Puis appliquer une méthode simple.
1. Observer
Regarder comment le processus fonctionne réellement.
Pas uniquement comment il est décrit dans une procédure.
2. Cartographier
Décrire chaque étape, les informations utilisées, les décisions prises et les exceptions.
3. Identifier les impacts
Comprendre quelles étapes influencent réellement les émissions, les ressources, les déchets, les risques ou les dimensions sociales.
4. Mesurer le volume
Identifier les décisions répétées suffisamment souvent pour que leur amélioration ait un effet significatif.
5. Répartir les tâches
Pour chaque étape :
règle déterministe, intelligence artificielle ou humain ?
6. Appliquer un principe de sobriété
Existe-t-il une technologie plus simple permettant d’obtenir le même résultat ?
Quelle est l’empreinte numérique du dispositif ?
7. Tester sur des cas réels
Utiliser les données historiques pour mesurer la qualité du système.
8. Mesurer l’impact net
Comparer les coûts, les gains économiques, les impacts environnementaux évités et les ressources numériques mobilisées.
On obtient alors quelque chose de beaucoup plus précieux qu’une liste de cas d’usage IA.
On obtient une feuille de route de transformation opérationnelle.
La meilleure IA pour la transition est parfois celle que l’on décide de ne pas utiliser
L’intelligence artificielle peut devenir un levier puissant de transition écologique.
Elle peut rendre des informations jusque-là difficiles à exploiter accessibles aux décideurs.
Elle peut réduire le coût de certaines analyses.
Elle peut connecter des données dispersées.
Elle peut automatiser des tâches administratives et permettre aux experts de consacrer davantage de temps aux décisions à forte valeur.
Elle peut aider à faire évoluer des milliers de micro-décisions quotidiennes qui, cumulées, déterminent l’impact environnemental d’une organisation.
Mais son potentiel dépend de la manière dont nous choisissons de l’utiliser.
La transition ne consiste pas à maximiser le nombre d’agents, de modèles ou de fonctionnalités intelligentes.
Elle consiste à transformer des systèmes économiques et opérationnels afin de réduire leurs externalités et d’améliorer leur résilience.
Cela suppose parfois d’utiliser une IA sophistiquée.
Parfois un modèle beaucoup plus léger.
Parfois une simple règle informatique.
Et parfois aucun outil supplémentaire.
C’est peut-être là que se trouve le principe le plus important d’une approche réellement responsable de l’IA et de la transition écologique :
utiliser la juste technologie, au bon endroit, pour produire un impact mesurable supérieur aux ressources qu’elle mobilise.
La question à poser n’est donc plus :
« Comment intégrer davantage d’IA dans notre stratégie de transition ? »
Mais plutôt :
« Dans quels processus l’intelligence artificielle peut-elle réellement améliorer nos décisions, accélérer notre transformation et créer davantage de valeur de transition que de nouvelles externalités ? »
C’est en répondant précisément à cette question que l’IA pourra passer du statut de promesse technologique à celui de véritable infrastructure de transformation.
