L’IA, une Révolution Numérique aux Enjeux Environnementaux Cruciaux
L’intelligence artificielle (IA) est au cœur d’une transformation numérique sans précédent, marquant une expansion fulgurante à l’échelle mondiale. Des projections indiquent que le marché global de l’IA devrait injecter 15 700 milliards de dollars dans l’économie mondiale d’ici 2030, représentant une croissance de 23 % du PIB global. Cette dynamique est d’autant plus palpable en 2025, où près de la moitié des dirigeants technologiques (49 %) ont déjà intégré l’IA au cœur de leurs stratégies d’entreprise, et 37 % des employés déclarent travailler dans des organisations où l’IA gère et organise les données. Ce développement rapide est alimenté par une puissance de calcul plus abordable, des modèles d’apprentissage automatique toujours plus performants, et une reconnaissance de plus en plus forte de l’IA comme une nécessité opérationnelle plutôt qu’une simple expérimentation. La capacité de calcul totale dédiée à l’IA, mesurée en FLOPS (opérations en virgule flottante par seconde), a d’ailleurs connu une croissance exponentielle, augmentant de 50 à 60 % chaque trimestre depuis le début de 2023, une tendance qui devrait se maintenir au moins jusqu’au premier trimestre 2025.
Cependant, cette révolution technologique s’accompagne d’un paradoxe environnemental notable. Bien que l’IA soit un puissant levier d’efficacité et de productivité, son déploiement rapide et massif engendre un coût écologique considérable. L’impact environnemental de l’IA est souvent décrit comme « imperceptible en apparence » pour l’utilisateur final. Contrairement aux industries traditionnelles qui produisent des fumées visibles ou des déchets tangibles, les répercussions de l’IA se manifestent par une consommation d’énergie et de ressources matérielles qui reste cachée derrière les écrans. Cette invisibilité de l’impact crée une difficulté significative à en saisir la gravité et à exiger des mesures concrètes. Lorsque les conséquences ne sont pas directement observables, la pression publique sur les entreprises et les décideurs politiques diminue, ce qui peut ralentir l’adoption de réglementations strictes. L’IA joue ainsi un double rôle dans la transition climatique : elle offre un immense potentiel pour accélérer la durabilité, mais elle est également associée à des défis environnementaux importants tout au long de son cycle de vie.
L’empreinte environnementale de l’IA : une réalité incontournable en 2025
Consommation énergétique : le cœur du défi
La consommation énergétique représente le principal défi environnemental posé par l’IA. Les infrastructures nécessaires à son fonctionnement, notamment les centres de données, sont des gouffres énergétiques.
Les centres de données : infrastructures gourmandes en énergie
Les centres de données sont les piliers physiques sur lesquels repose l’IA, et leur appétit énergétique est colossal. Ils représentent déjà 2 % de la consommation mondiale d’électricité. Pour 2025, Deloitte prévoit que cette part se maintiendra à environ 2 % de l’électricité mondiale, soit 536 térawattheures (TWh). Cependant, les projections à plus long terme sont encore plus alarmantes : la consommation mondiale d’électricité des centres de données pourrait doubler d’ici 2030 pour atteindre 1 065 TWh, et même dépasser 1 300 TWh si les améliorations d’efficacité énergétique ne se concrétisent pas comme prévu. Aux États-Unis, la demande croissante des centres de données, alimentée par l’IA et les cryptomonnaies, devrait pousser la consommation électrique nationale à des niveaux records en 2025 et 2026. Plus spécifiquement, les centres de données dédiés à l’IA pourraient nécessiter 10 gigawatts (GW) de capacité électrique supplémentaire au niveau mondial en 2025.
Cette croissance rapide exerce une pression considérable sur les réseaux électriques existants. Elle exige des investissements massifs, estimés par Goldman Sachs à environ 720 milliards de dollars d’ici 2030 pour la modernisation des réseaux, et entraîne déjà des goulets d’étranglement et des retards dans les projets d’expansion des infrastructures. La concentration géographique de ces centres, avec 20 % en Irlande et 25 % en Virginie, exacerbe les problèmes de résilience et de durabilité des infrastructures énergétiques locales, car ces régions peinent à supporter une croissance exponentielle.
Cette augmentation exponentielle de la demande énergétique, en particulier celle des centres de données, n’est pas une simple croissance linéaire de la consommation. Elle exerce une pression systémique sur les infrastructures énergétiques mondiales, ce qui pourrait potentiellement compromettre les efforts de décarbonation. La rapidité avec laquelle les besoins énergétiques de l’IA augmentent dépasse le rythme de déploiement des énergies renouvelables et de la modernisation des réseaux. Cette situation contraint certaines régions à retarder la fermeture de centrales au charbon et à augmenter leur dépendance au gaz naturel pour répondre à la demande immédiate. Cela signifie que, sans des investissements proactifs et à grande échelle dans les infrastructures d’énergie renouvelable et la capacité des réseaux, la croissance de l’IA pourrait activement entraver les objectifs mondiaux de décarbonation, créant une « dette climatique » plutôt que d’accélérer les solutions climatiques. Les initiatives visant une « IA verte » risquent d’être submergées par la réalité d’une « IA pour la croissance » si cette dynamique n’est pas maîtrisée.
Entraînement vs. inférence : la bascule vers l’utilisation quotidienne
Historiquement, la phase d’entraînement des modèles d’IA, qui implique le traitement de milliards de points de données pour « apprendre », était considérée comme la plus énergivore. Cependant, une transformation majeure s’opère en 2025 : l’inférence, c’est-à-dire l’utilisation quotidienne des modèles d’IA pré-entraînés (comme poser une question à ChatGPT ou générer une image), représente désormais la majeure partie de la consommation énergétique de l’IA, soit 60 à 70 % du total, contre 20 à 40 % pour l’entraînement. Cette bascule est une conséquence directe de l’adoption massive de l’IA générative par le grand public et les entreprises.
À titre d’exemple, l’entraînement d’un grand modèle de langage comme GPT-3 a consommé entre 324 MWh et 1 287 MWh d’électricité par exécution, générant l’équivalent de 552 tonnes de CO2. Cela correspond aux émissions annuelles de 123 véhicules à essence ou à la consommation électrique annuelle de 130 foyers américains.
Comparaison de l’impact énergétique des modèles
L’impact énergétique varie considérablement d’une application ou d’un modèle d’IA à l’autre. Une seule requête sur ChatGPT, par exemple, consomme en moyenne 10 fois plus d’énergie qu’une recherche Google classique. D’autres estimations indiquent une fourchette de 5 à 10 fois. La génération d’une image par IA, quant à elle, nécessite une quantité d’énergie équivalente à une recharge complète de smartphone.
Des études récentes révèlent que les modèles d’IA générative les plus puissants peuvent émettre jusqu’à 50 fois plus de CO2 que les modèles plus petits pour des tâches comparables, mettant en évidence un « compromis clair entre précision et durabilité ». Les modèles qui nécessitent un « raisonnement explicite » pour répondre aux requêtes génèrent un nombre de jetons (unités de texte) considérablement plus élevé (par exemple, 543,5 jetons par requête pour les modèles de raisonnement contre seulement 37,7 pour les modèles concis), ce qui entraîne une consommation d’énergie accrue. L’utilisation du modèle chinois DeepSeek R1 pour répondre à 600 000 questions générerait ainsi autant de CO2 qu’un vol aller-retour entre Londres et New York.
Cette exigence énergétique croissante des modèles d’IA plus grands et plus précis crée un véritable goulot d’étranglement économique pour les entreprises. Elles sont contraintes de faire un compromis entre la performance et la précision d’une part, et la durabilité et le coût d’autre part. Le modèle Cogito de 72 milliards de paramètres, par exemple, a atteint une précision de 84,9 % mais a émis trois fois plus de CO2 que des modèles de taille similaire conçus pour des réponses plus concises. Cela démontre que la poursuite du paradigme « plus c’est grand, mieux c’est » n’est pas seulement écologiquement insoutenable, mais également économiquement inefficace à long terme. Les entreprises doivent désormais évaluer si la performance marginale accrue justifie le coût environnemental et financier exponentiel.
Les émissions globales de CO2 des géants technologiques illustrent cette tendance. Google a vu ses émissions augmenter de 48 % entre 2019 et 2023, principalement en raison de l’IA et de l’expansion de ses centres de données. Microsoft a connu une évolution similaire, avec une augmentation de près de 30 % de ses émissions depuis 2020.
Consommation d’eau : une demande colossale et souvent ignorée
Outre l’énergie, l’eau représente une ressource critique et souvent sous-estimée dans l’empreinte écologique de l’IA. Les centres de données nécessitent d’importantes quantités d’eau pour le refroidissement de leurs serveurs, un processus essentiel pour éviter la surchauffe et maintenir leur fonctionnement optimal. Cette consommation est indirecte mais colossale, découlant de l’eau nécessaire à la production d’énergie et, plus directement, au refroidissement des infrastructures.
Par exemple, les centres de données de Google ont consommé près de 20 millions de litres d’eau en 2022. Une seule requête sur ChatGPT-4 est estimée à 519 millilitres d’eau pour un e-mail de 100 mots, ce qui, multiplié par des milliards de requêtes, s’accumule rapidement. L’entraînement d’un grand modèle d’IA comme GPT-3 a pu consommer près d’un million de litres d’eau. Plus préoccupant encore, la demande mondiale en eau liée à l’IA devrait atteindre entre 4,2 et 6,6 milliards de mètres cubes de prélèvements d’eau d’ici 2027.
Cette pression croissante sur les réserves d’eau locales a des implications sociétales importantes, en particulier dans les régions où l’eau est déjà une ressource limitée et inégalement répartie. L’eau réchauffée rejetée dans la nature peut également affecter les écosystèmes aquatiques.
Déchets électroniques (e-déchets) : Le revers matériel de l’innovation
L’expansion rapide de l’IA s’accompagne d’une demande accrue en matériel spécialisé, ce qui contribue de manière significative à la problématique des déchets électroniques. La fabrication des infrastructures (serveurs, GPU, etc.) et des puces en silicium est intrinsèquement énergivore et nécessite des métaux rares, accentuant la pression sur les ressources naturelles. Ces « émissions incorporées », liées à l’extraction, la production, le transport, la construction et l’élimination des matériaux, représentent une part substantielle (un tiers à deux tiers) des émissions totales sur la durée de vie des centres de données. Par exemple, l’empreinte carbone de Microsoft a augmenté de 30 % entre 2020 et 2023, en grande partie à cause des émissions associées à l’acier, au béton et à la fabrication de puces.
Le développement effréné de l’IA entraîne une obsolescence rapide du matériel. Les avancées constantes forcent les centres de données à des cycles de mise à niveau quasi permanents, remplaçant des équipements opérationnels par des versions plus récentes et plus puissantes. Cette « course à l’armement » technologique signifie que les anciens équipements deviennent rapidement obsolètes et sont jetés, même s’ils sont encore fonctionnels. Le problème est aggravé par le fait que seulement 22 % des e-déchets sont correctement collectés et recyclés à l’échelle mondiale. Le reste finit souvent dans des décharges, polluant les sols et les eaux souterraines avec des composants toxiques comme le mercure, le plomb et l’arsenic. On estime que l’IA sera responsable de 2,6 millions de tonnes métriques d’e-déchets par an d’ici 2030.
L’effet rebond et le greenwashing : Des Controverses Persistantes
L’IA, malgré son potentiel d’optimisation, est confrontée à des controverses majeures, notamment l’effet rebond et le greenwashing. L’effet rebond se produit lorsque les gains d’efficacité permis par l’IA conduisent à une augmentation globale de la consommation. Par exemple, une optimisation des transports grâce à l’IA pourrait paradoxalement encourager davantage de trajets. Un cas frappant est celui de la marque Shein, qui utilise l’IA pour produire plus, plus vite et vendre partout, ce qui fait exploser son empreinte carbone, allant à l’encontre de la nécessaire démarche de minimalisme pour la transition écologique. Cela signifie que les améliorations d’efficacité apportées par l’IA, sans un changement de paradigme vers la sobriété, peuvent paradoxalement augmenter la consommation globale et l’impact environnemental, sapant ainsi les efforts de durabilité. L’innovation technologique seule ne suffira pas sans une réduction drastique de la surconsommation.
Le greenwashing est une autre préoccupation majeure. Certaines entreprises promeuvent une « IA verte » sans pour autant agir sur les causes profondes de leur empreinte environnementale. Cette pratique est facilitée par un manque criant de transparence. Il n’existe, à ce stade, pas encore de contrainte ou de cadre légal à l’échelle mondiale obligeant les entreprises de l’IA à un reporting sur leur impact écologique. Les géants comme OpenAI, Microsoft ou Google ne publient pas les informations permettant de calculer et de révéler leur empreinte carbone de manière exhaustive. Cette opacité rend difficile l’évaluation précise de l’empreinte carbone, en particulier pour le Scope 3 (qui inclut la fabrication du matériel). L’Agence internationale de l’énergie (AIE) elle-même a admis en décembre dernier manquer de chiffres précis dans ce domaine, créant un « trou dans l’analyse du cycle de vie de l’IA qu’on ne peut pas combler ». Ce décalage entre le rythme rapide du développement de l’IA et la lenteur des cadres réglementaires crée un vide qui permet le greenwashing et entrave la responsabilisation environnementale effective. Une normalisation et une transparence accrues sont donc cruciales.
L’IA comme alliée de la transition écologique : potentiel et initiatives
Malgré son empreinte environnementale croissante, l’IA détient un potentiel considérable pour devenir un puissant allié dans la lutte contre le dérèglement climatique et la promotion de la durabilité.
Optimisation énergétique et réseaux intelligents
L’IA peut transformer la gestion de l’énergie dans de nombreux secteurs. Les algorithmes d’apprentissage automatique sont capables d’analyser d’énormes volumes de données en temps réel (historiques de consommation, modèles météorologiques, tendances opérationnelles) pour optimiser dynamiquement la consommation d’énergie. Cela permet de réduire les gaspillages et les coûts.
Les réseaux intelligents (smart grids), alimentés par l’IA, sont un exemple clé. Ils peuvent équilibrer l’offre et la demande d’énergie en prévoyant plus précisément la production des sources variables comme le solaire et l’éolien, en gérant efficacement le stockage d’énergie, et en redirigeant l’énergie de manière efficiente pour minimiser les pertes. Des entreprises comme Enfor au Danemark utilisent l’IA pour prévoir et optimiser la production et la consommation d’énergie renouvelable, réduisant ainsi le gaspillage et l’empreinte carbone. L’IA peut également optimiser le fonctionnement des centrales électriques et des réseaux pour réduire les pertes énergétiques. Certaines estimations suggèrent que l’IA pourrait contribuer à réduire de 5 à 10 % les émissions mondiales de gaz à effet de serre d’ici 2030 grâce à ces optimisations.
Modélisation climatique et protection de la biodiversité
L’IA est un outil précieux pour les scientifiques et les experts environnementaux, leur permettant de réaliser des analyses et des détections beaucoup plus rapidement.
- Modélisation climatique et prédiction : L’IA est à l’avant-garde de l’amélioration de la modélisation climatique, offrant une précision sans précédent dans la prédiction et l’atténuation des risques liés au climat. En intégrant de vastes ensembles de données provenant de satellites, de stations météorologiques et de capteurs environnementaux, les systèmes d’IA fournissent des informations détaillées sur les changements météorologiques, les fluctuations de température et la probabilité d’événements extrêmes comme les ouragans ou les sécheresses. L’IA a été cruciale pour mieux comprendre les impacts du réchauffement climatique et le fonctionnement du cycle du carbone de la Terre.
- Protection de la biodiversité : L’IA assiste les spécialistes dans la préservation des écosystèmes et la sauvegarde des espèces. Elle peut être utilisée pour détecter les marées noires et les polluants dans les sols via des images satellites ou des drones. Elle permet de surveiller les taux de carbone dans les forêts en identifiant et comptant les arbres sur des images satellites, offrant un gain de temps et de précision significatif. L’IA aide également à fluidifier le trafic routier, réduisant les émissions de CO2 et de particules fines. Enfin, elle est employée dans la lutte contre le braconnage (ex: projet Seeker) et pour la conservation marine, en détectant les chants de baleines ou en traquant les navires de pêche illégale.
Développement d’une « IA Verte » : vers la sobriété numérique
Face à l’impact croissant de l’IA, le concept d' »IA verte » (Green AI) a émergé, visant à développer des modèles et des pratiques d’IA durables sur le plan environnemental, tout en maintenant des performances élevées. Les principes fondamentaux de l’IA verte incluent l’efficacité énergétique, l’utilisation des énergies renouvelables et l’optimisation des ressources.
- Efficacité algorithmique et matérielle : La recherche se concentre sur le développement d’algorithmes plus économes en énergie et l’optimisation de la mise à l’échelle des modèles. Des techniques comme la compression de modèle, la quantification (réduction de la précision des calculs), l’élagage (suppression des neurones peu contributifs) et la distillation des connaissances (permettre à des modèles plus petits d’apprendre de modèles plus grands) permettent de réduire la taille et la complexité des modèles sans compromettre la performance. L’utilisation de modèles pré-entraînés et le transfert d’apprentissage réduisent également le besoin d’entraînement à partir de zéro. Sur le plan matériel, des processeurs économes en énergie (comme la nouvelle génération Blackwell de Nvidia, promettant une efficacité 25 fois supérieure pour certaines tâches ) et des architectures de serveurs optimisées sont essentiels. Le déploiement d’IA décentralisée, qui s’exécute sur des appareils locaux et réduit le transfert de données, est également moins énergivore.
- Intégration des énergies renouvelables : Un levier crucial est le passage des centres de données à des sources d’énergie verte comme l’éolien et le solaire. Des acteurs majeurs du cloud s’engagent à alimenter leurs centres de données à 100 % avec de l’énergie renouvelable.
- Gestion des données : Une gestion efficace des données, incluant la déduplication et la compression, minimise le gaspillage lors de l’entraînement et du stockage, contribuant ainsi à la durabilité. La suppression des « dark data » (données non utilisées) représente également une piste simple pour alléger l’empreinte environnementale.
- Initiatives et collaborations : Des initiatives comme « Climate Change AI » (CCAI), le programme « AI for Earth » de Microsoft, et la recherche « Green AI » de l’Université du Massachusetts à Amherst se concentrent sur le développement d’algorithmes plus économes en énergie. La collaboration entre gouvernements, universités et industries est essentielle pour établir les meilleures pratiques et les cadres réglementaires favorisant l’IA durable.
La nécessité de réduire la consommation énergétique de l’IA stimule l’innovation dans le matériel et les algorithmes. Cette poussée vers l’efficacité énergétique marque un déplacement du paradigme « plus c’est grand, mieux c’est » vers une approche « plus intelligent et plus efficace ». Les progrès techniques, tels que les puces plus efficaces et les modèles compressés, sont des réponses directes à la pression environnementale et économique, montrant que la sobriété numérique peut être un moteur d’innovation plutôt qu’un frein.
Régulation et gouvernance
Pour que l’IA devienne véritablement un atout pour la transition écologique, un cadre réglementaire et une gouvernance solide sont indispensables.
Cadre législatif et normatif
Actuellement, il existe un manque de reporting obligatoire et standardisé à l’échelle mondiale concernant l’impact environnemental de l’IA. Cependant, des efforts sont en cours. La France, par exemple, se positionne comme pionnière avec la loi REEN (Réduction de l’Empreinte Environnementale du Numérique) promulguée en 2021, qui vise à limiter les impacts du numérique, notamment en luttant contre l’obsolescence programmée. Bien que cette loi soit un pas important, elle a malheureusement laissé l’aspect écologique de l’IA en grande partie de côté. En juin 2024, la France a également publié le premier « Référentiel général pour l’IA frugale », une norme volontaire élaborée en collaboration avec une centaine d’entreprises, associations et chercheurs.
Au niveau européen, l’EU AI Act, entré en vigueur le 1er août 2024 et pleinement mis en œuvre à partir du 2 août 2026, est le premier cadre juridique mondial spécifiquement dédié à l’IA. Son objectif est de rendre l’IA sûre, transparente et économe en ressources. L’Article 40 de cette réglementation établit des normes pour améliorer l’efficacité énergétique des systèmes d’IA, et la Commission européenne prévoit de charger les organismes de normalisation de développer des standards prenant en compte la consommation d’énergie des systèmes d’IA à haut risque tout au long de leur cycle de vie. La loi exige également des évaluations des risques, une transparence accrue et une documentation détaillée pour les systèmes d’IA. Cependant, il est important de noter que l’EU AI Act se concentre fortement sur la consommation d’énergie et ignore largement d’autres aspects cruciaux comme la consommation d’eau, l’extraction des ressources et les déchets électroniques, s’appuyant davantage sur le développement de normes que sur des exigences contraignantes.
Des organismes internationaux comme l’UNESCO et le Programme des Nations Unies pour l’environnement (PNUE) promeuvent également une approche mondiale de la normalisation pour la durabilité environnementale de l’IA.
Défis de la transparence et de la mesure
Un défi persistant est le manque de transparence de la part des grandes entreprises technologiques concernant leur empreinte carbone. Cette opacité rend extrêmement difficile le calcul précis de l’empreinte carbone, en particulier pour les émissions de Scope 3 (qui incluent la fabrication du matériel). La chercheuse Sasha Luccioni a souligné que des géants comme OpenAI, Microsoft ou Google ne publient pas les informations nécessaires pour calculer leur empreinte carbone. Le fait que l’Agence internationale de l’énergie (AIE) manque elle-même de chiffres précis dans ce domaine met en évidence un « trou dans l’analyse du cycle de vie de l’IA qu’on ne peut pas combler ».
Le développement rapide de l’IA dépasse souvent le rythme des cadres réglementaires, créant un vide qui peut favoriser le greenwashing et entraver une responsabilisation environnementale efficace. Sans des données fiables et une obligation de reporting, il est difficile d’évaluer l’efficacité des mesures prises et de comparer les impacts des différents acteurs. Une normalisation et une transparence accrues sont donc essentielles pour permettre une véritable reddition de comptes et orienter les investissements vers des solutions plus durables.
La nécessité d’une approche globale et collaborative
Faire de l’IA un levier de la transition écologique exige une action collective et coordonnée. Les entreprises, les particuliers et les décideurs politiques doivent œuvrer de concert. L’éducation des utilisateurs aux enjeux environnementaux de l’IA et l’instauration de normes de transparence pour mesurer et rapporter la consommation énergétique des systèmes d’IA sont essentielles pour encourager des pratiques plus responsables. Les utilisateurs peuvent également jouer un rôle en adoptant une utilisation plus réfléchie de l’IA, en se demandant si l’outil est vraiment nécessaire pour une tâche donnée ou en réduisant le nombre de requêtes inutiles.
La transition vers une IA plus respectueuse de l’environnement nécessite un engagement collectif. Les gouvernements, les institutions de recherche et les entreprises doivent collaborer pour établir les meilleures pratiques, financer des initiatives et créer des cadres réglementaires qui soutiennent le développement durable de l’IA.
L’IA en 2025 – un impératif de sobriété et de responsabilité
En 2025, l’intelligence artificielle se trouve à un carrefour crucial. Son essor fulgurant, bien que prometteur en termes d’innovation et d’efficacité économique, s’accompagne d’une empreinte écologique de plus en plus lourde. La consommation énergétique des centres de données, la demande colossale en eau pour le refroidissement, et la génération croissante de déchets électroniques constituent des défis environnementaux majeurs et incontournables. La bascule de la consommation énergétique de l’entraînement vers l’inférence, due à l’adoption massive de l’IA générative, souligne que l’impact n’est plus seulement lié à la conception des modèles, mais à leur utilisation quotidienne à grande échelle.
Le paradoxe de l’IA réside dans sa dualité : elle est à la fois un problème et une solution potentielle. Si son déploiement non maîtrisé risque d’exacerber la crise climatique en augmentant la demande en énergie fossile et en générant des e-déchets, elle offre également des capacités inégalées pour l’optimisation énergétique, la modélisation climatique, et la protection de la biodiversité.
Pour orienter l’IA vers une trajectoire durable, un changement de paradigme est impératif. Il faut passer de la course au « plus grand est le meilleur » à une approche axée sur la « frugalité et l’efficacité ». Cela implique des innovations continues dans le matériel et les algorithmes pour réduire la consommation d’énergie, l’adoption généralisée des énergies renouvelables pour alimenter les infrastructures, et une gestion plus responsable du cycle de vie des équipements.
Enfin, la régulation et la transparence sont des piliers fondamentaux. L’absence de reporting standardisé et l’opacité des entreprises technologiques entravent une évaluation juste de l’impact et freinent les efforts de responsabilisation. Des cadres législatifs comme l’EU AI Act et des initiatives nationales sont des premiers pas encourageants, mais ils doivent être renforcés et étendus pour couvrir l’ensemble des impacts environnementaux de l’IA.
En somme, l’année 2025 marque un moment décisif où la communauté mondiale – développeurs, entreprises, gouvernements et utilisateurs – doit collectivement s’engager à concevoir, déployer et utiliser l’IA de manière éthique et écologiquement responsable. C’est à cette condition que l’IA pourra pleinement réaliser son potentiel en tant qu’alliée indispensable de la transition écologique, sans devenir un accélérateur de crises.
