IA et RSE : quel impact pour votre entreprise

Une requête IA paraît anodine. Elle ne l’est pas. Derrière chaque prompt se cache une chaîne industrielle entière, des mines de terres rares jusqu’aux data centers qui tournent jour et nuit. Pendant que les entreprises peaufinent leurs bilans RSE, l’intelligence artificielle s’installe dans les usages sans jamais apparaître clairement dans les tableaux de bord.


Résultat, un angle mort grandit, celui du scope 3, là où se loge l’essentiel de l’empreinte numérique. Entre effet rebond, course à la puissance de calcul et promesses de sobriété parfois creuses, la cohérence entre discours et pratiques devient un vrai sujet de gouvernance.

L’empreinte environnementale réelle de l’IA

Une infrastructure plus lourde qu’il n’y paraît 

Un système IA ne surgit pas du néant au moment où vous tapez votre requête. Tout commence dans les mines, là où l’on extrait les métaux et les terres rares qui composent les puces électroniques.


Vient ensuite la fabrication des semi-conducteurs, une étape qui consomme beaucoup d’eau et d’électricité dans des fonderies de pointe. Puis les serveurs prennent forme, les data centers sortent de terre, et les émissions carbone s’accumulent avant même la première utilisation d’un algorithme. 

La course à la puissance de calcul accélère ce phénomène. Les fabricants de puces sortent désormais une nouvelle génération chaque année, contre tous les deux ans il y a peu.

Face à cette croissance des besoins, les opérateurs de cloud communiquent volontiers sur une alimentation électrique renouvelable, via des contrats d’achat d’énergie à long terme. Ces accords ont pourtant leurs limites. Beaucoup portent sur des parcs de production déjà existants, ou qui auraient vu le jour de toute façon, avec ou sans ce contrat.

Pour une entreprise qui bâtit sa stratégie IA et RSE, ce constat matériel change la donne. Il ne suffit plus de regarder l’usage quotidien d’un outil IA, le poids réel se joue bien en amont, dans une chaîne industrielle rarement visible depuis un poste de travail. 

Le coût variable d’une requête et l’effet rebond 

Toutes les requêtes envoyées à une IA ne se valent pas sur le plan énergétique. Une question simple posée à un modèle courant consomme peu. Une tâche de raisonnement approfondi, une génération d’image ou de vidéo, mobilise un tout autre niveau de calcul. 

Ce chiffre grimpe vite dès que la complexité augmente. Des travaux de recherche récents montrent qu’une même tâche exécutée sur un modèle sophistiqué peut consommer jusqu’à cinquante fois plus d’énergie qu’un modèle plus léger. 

Cette variabilité rejoint un mécanisme économique bien documenté, l’effet rebond. Rendre une tâche plus rapide et moins coûteuse ne réduit pas la consommation globale. Elle la multiplie. Rédiger un rapport en quelques minutes grâce à l’IA pousse à en produire dix plutôt qu’un seul. 

Deux géants du numérique illustrent ce paradoxe avec une franchise inhabituelle. Microsoft vise la neutralité carbone d’ici 2030, mais ses émissions totales ont augmenté de plus de 23 % depuis 2020, tirées par la construction de data centers dédiés à l’IA. 

Ces chiffres rappellent une règle simple pour toute démarche RSE sérieuse. Une trajectoire de décarbonation affichée sur le papier ne dit rien de ce qui se passe réellement du côté des infrastructures qui soutiennent la croissance de l’IA. 

Mesurer pour piloter

Pourquoi la mesure est le premier levier 

Un principe simple gouverne toute démarche RSE sérieuse. Ce qui n’est pas mesuré a peu de chances d’être piloté, et encore moins réduit. Appliqué à l’IA, ce principe prend une dimension particulière, tant les usages restent aujourd’hui largement invisibles dans les tableaux de bord des entreprises. 

Mettre en place un suivi réel suppose de faire dialoguer deux équipes qui se croisent peu. La direction des systèmes d’information connaît les volumes d’usage, les API sollicitées, les modèles déployés. La direction RSE porte les objectifs de sobriété et les obligations de reporting. 

Un suivi structuré permet en général de répondre à trois questions : 

• Combien de requêtes sont envoyées, et pour quels types de tâches ?

• Quels modèles sont sollicités, et avec quel niveau de complexité ?

• Quelle est la tendance dans le temps, à la hausse ou à la baisse ?
  
  

Donnée suivie	Ce qu’elle révèle
Volume de requêtes par service	Les usages à forte intensité, ceux qui méritent un arbitrage
Type de modèle sollicité	Le rapport entre la puissance mobilisée et le besoin réel
Évolution mensuelle	L’apparition d’un effet rebond ou d’une dérive d’usage

Sur le terrain, certains acteurs ouvrent déjà la voie. Mistral AI, en partenariat avec l’ADEME, a publié l’une des toutes premières analyses de cycle de vie complètes portant sur un grand modèle de langage. 

Les référentiels qui structurent la démarche 

Face à un sujet aussi mouvant, les entreprises ne partent pas de zéro. Plusieurs cadres méthodologiques existent déjà pour structurer une politique IA et RSE cohérente. 

Le laboratoire Ecolab, rattaché au ministère de la Transition écologique, a publié un Référentiel Général pour l’IA Frugale.

En parallèle, la normalisation avance sur plusieurs fronts : 

• L’AFNOR SPEC 2314 propose un socle de bonnes pratiques pour une IA plus sobre 

• Les travaux du comité ISO/IEC JTC 21 posent les bases d’une future norme internationale sur l’IA frugale 

• Le projet Hugging Face « AI Energy Score » attribue une note d’efficacité énergétique aux modèles 
  
  

Texte	Portée	Ce qu’il impose
AI Act (UE, 2024)	Modèles d’IA commercialisés en Europe	Transparence renforcée sur la consommation de ressources des systèmes à haut risque
Loi REEN (France, 2021)	Opérateurs et hébergeurs de data centers	Publication de données environnementales sur les infrastructures

L’AI Act européen introduit des obligations de transparence sur la consommation de ressources des systèmes d’IA, avec un renforcement entré en application en août 2025. Source : Commission européenne

Le scope 3, angle mort et risque de greenwashing

Pourquoi l’impact reste sous-estimé 

Une entreprise peut afficher un bilan carbone soigné sur ses sites et ses véhicules, et pourtant laisser filer un pan entier de son empreinte numérique sans même s’en apercevoir. La raison tient à un point technique trop souvent ignoré, la manière dont sont comptabilisées les émissions liées aux achats de services numériques. 

L’essentiel de l’impact d’un usage IA côté entreprise cliente atterrit dans le scope 3, sous la catégorie « achats de biens et services ».

Le problème vient surtout de la méthode de calcul retenue. Deux approches coexistent : 

1. La méthode basée sur l’activité physique, qui s’appuie sur des données réelles de consommation, de calcul ou d’énergie 

2. La méthode basée sur les dépenses financières, qui applique un facteur d’émission moyen au montant dépensé, sans distinguer la nature exacte du service acheté 
   
   

Cette approximation produit deux effets indésirables : 

• Un biais d’information, avec des bilans RSE qui paraissent complets alors qu’ils masquent une partie réelle de l’empreinte numérique 

• Une inertie managériale, puisqu’un poste invisible dans les tableaux de bord ne déclenche aucune action corrective 

Éviter la « responsabilité artificielle » 

Un projet vitrine communiqué en grande pompe, une charte éthique publiée sur le site institutionnel. Ces initiatives existent, et elles ont leur valeur. Le risque survient lorsqu’elles servent de paravent à un déploiement massif et non maîtrisé de l’IA, ailleurs dans l’organisation, loin des projecteurs. 

Ce décalage porte un nom, la responsabilité artificielle. 

Vers une gouvernance de l’IA frugale et responsable

Les principes concrets à appliquer 

Passer de la théorie à la pratique demande moins de moyens qu’on ne l’imagine souvent. La sobriété numérique appliquée à l’IA repose avant tout sur des réflexes simples, à ancrer dans les habitudes de travail. 

Quelques principes structurent cette démarche de fond : 

• Écarter le réflexe de mobiliser systématiquement le modèle le plus puissant disponible, par facilité ou par habitude 

• Réserver les modèles lourds aux tâches qui justifient réellement leur niveau de complexité 

• Former les équipes à formuler des prompts précis, pour limiter les itérations inutiles 

• Diffuser des ordres de grandeur concrets sur l’impact d’une requête 

• Ouvrir un espace de dialogue sur le droit de ne pas utiliser l’IA 

Un point mérite une attention particulière, souvent absent des politiques RSE classiques, l’apprentissage des plus jeunes collaborateurs. Utilisée sans discernement, l’IA peut fonctionner comme une béquille cognitive. 

Notre formation « La bataille de l’IA » met vos collaborateurs en situation pour qu’ils intègrent ces bons réflexes de manière concrète, plutôt que théorique.

L’IA comme levier au service du pilotage RSE 

Il serait réducteur de s’arrêter aux seuls risques. Bien encadrée, l’IA devient un allié concret pour une équipe RSE.

 

Sur le terrain, plusieurs cas d’usage se distinguent déjà par leur maturité : 

• Maintenance prédictive : anticiper l’usure des équipements industriels pour prolonger leur durée de vie 

• Régulation énergétique intelligente : ajuster en temps réel le chauffage, la climatisation ou l’éclairage selon l’occupation réelle des locaux 

• Gestion des flux de déchets : analyser et trier les volumes produits pour améliorer le taux de valorisation 

• Suivi de la chaîne d’approvisionnement : repérer plus vite les fournisseurs à risque sur le plan social ou environnemental

Consultis Environnement, votre partenaire pour une stratégie IA et RSE cohérente 

Une organisation qui articule RSE et IA avec méthode en tire un double bénéfice, un pilotage plus fin de ses engagements, et une réduction mesurable de sa propre empreinte numérique.


Notre équipe accompagne vos diagnostics RSE, vos analyses de cycle de vie et vos parcours de formation pour construire une démarche IA et RSE à la fois crédible et vérifiable.