IA et écologie : transformer l’innovation technologique en levier de performance

L’intégration de l’intelligence artificielle entre dans une phase structurante pour les entreprises. À l’occasion de Tennaxia Connect, Rémy Balangué, Chief Product Officer de Tennaxia, et Grégoire Carpentier, Chief Technology Officer de Tennaxia, ont partagé leur lecture des enjeux de l’IA appliquée à la durabilité. Animée par le journaliste Sébastien Borgnat, cette intervention a permis de confronter les promesses technologiques aux impératifs opérationnels et environnementaux. Entre optimisation du traitement des données, maîtrise de l'empreinte carbone numérique et exigences de gouvernance, la conférence a montré que l’IA ne doit pas être un simple effet d’annonce. Bien intégrée, elle devient un cadre lisible, utile et connecté aux ambitions de performance durable et de pilotage stratégique des organisations.

‍

Pourquoi l’IA et la durabilité se croisent maintenant

Le croisement entre intelligence artificielle et trajectoires de durabilité intervient dans un contexte où la masse de données à gérer – qu'il s'agisse de textes réglementaires, de chartes ou de reportings extra-financiers – devient critique pour les entreprises. Pour mesurer la réalité du terrain, Tennaxia a mené une grande enquête auprès de ses clients. Les résultats mettent en lumière trois chiffres particulièrement parlants :

• 60 % des répondants utilisent déjà des systèmes d’IA dans le cadre de leur travail, mais via des comptes personnels sur des plateformes grand public. L’IA s’est ainsi invitée dans les métiers avant même d'être formellement structurée par les directions informatiques (DSI).
• 70 % d’entre eux citent le gain de temps comme le bénéfice premier attendu de l'IA dans leurs missions quotidiennes.
• 20 % déclarent ne pas l'utiliser du tout, principalement par manque de confiance ou parce que le ratio bénéfice-coût n'est pas encore jugé satisfaisant.

Cette bascule confirme que l'attente principale n'est plus la découverte de la technologie, mais la capacité à l'encadrer. Les entreprises demandent des solutions capables d'apporter un gain réel de productivité tout en garantissant un environnement de confiance.

‍

Une approche pragmatique qui privilégie l’utilité réelle au gadget

L’intégration de l’Intelligence Artificielle dans les démarches RSE et HSE ne doit pas chercher à tout bouleverser pour le seul plaisir de l'innovation. L'objectif rappelé par Tennaxia est de se concentrer sur les besoins métiers réels pour éviter les outils « gadgets ». Les grands modèles de langage (LLM ou Large Language Models) sont, par nature, des processeurs de texte conçus pour prédire un texte en sortie à partir d'un texte en entrée. Ils se révèlent donc nativement adaptés à la gestion des données de durabilité, qui reposent massivement sur des formats textuels et tabulaires.

La question n’est pas de réinventer les systèmes existants, mais de les rendre plus performants là où la charge administrative est la plus lourde : la recherche d'informations, la reformulation pour différents publics ou la consolidation de sources éparses. L’IA devient efficace lorsqu'elle éclaire les décisions sans complexifier les processus métiers.

‍

Les trois fonctionnalités fortes lancées sur le volet ESG

Pour traduire cette logique de manière opérationnelle, Tennaxia a déployé trois fonctionnalités concrètes cette année sur sa plateforme ESG :

• La traduction en masse de questionnaires : permettant de traduire automatiquement un questionnaire de référence dans plus de 20 langues pour faciliter la collecte auprès des filiales mondiales sans sortir de l'application.
• La création de tableaux de bord en langage naturel : l'utilisateur formule sa demande directement pour générer automatiquement le tableau de bord souhaité, avec les indicateurs, les données et les représentations graphiques adaptées.
• L'assistance à la rédaction du rapport de durabilité : un module capable de consolider et de réutiliser les informations des rapports précédents ou des documents politiques pour pré-remplir les données de l'exercice en cours.

‍

L’expérimentation interne et la transformation des métiers HSE

Sur le volet HSE, l'approche repose d'abord sur l'expérimentation interne avant le déploiement à grande échelle. Tennaxia teste actuellement auprès de ses propres consultants des outils d’IA appliqués aux audits : reconnaissance vocale (speech-to-text) pour la saisie de compte-rendus, prise de notes par photo et génération automatique de tableaux de synthèse ou de supports de restitution.

Cette démarche permet de valider la pertinence fonctionnelle de l'outil et de standardiser les pratiques en amont. En transformant le temps de rédaction en temps de relecture, l'IA agit comme un accélérateur. Surtout, elle change la nature des tâches en ouvrant la voie à de nouvelles décisions.

Exemple concret : Lors de l'ouverture d'une usine dans un nouveau pays, l'analyse d'une réglementation inconnue et volumineuse – tâche souvent si fastidieuse qu'elle peut retarder un projet – peut désormais être instruite et accélérée par des capacités de lecture et de synthèse automatisées, débloquant ainsi la prise de décision.

‍

L’empreinte environnementale de l’IA : le terrain de la sobriété

L'un des messages clés de la conférence concerne la responsabilité environnementale liée à l'usage même de la technologie. L’IA est une grande consommatrice d’énergie, un enjeu incontournable pour les acteurs de la durabilité. À l'échelle mondiale, la consommation des data centers (ou centres de données) s'élève à plus de 400 TWh. L'IA représente actuellement 15 % de cette consommation d'énergie, mais selon l'Agence Internationale de l'Énergie (AIE), cette part pourrait atteindre au moins 30 % d'ici 2030.

Face à ce constat, le pilotage doit intégrer des critères de sobriété numérique en s'appuyant notamment sur les travaux d'associations comme Green IT ou du think tank The Shift Project. Tennaxia applique cette vigilance à travers deux leviers :

• Une politique interne d'utilisation adossée à une veille scientifique continue pour suivre les publications de référence.
• Des heuristiques de bon sens lors du développement, consistant à choisir le modèle le plus adapté et le plus sobre pour une tâche donnée, plutôt que de mobiliser systématiquement les infrastructures les plus lourdes et énergivores.

‍

Confiance, souveraineté et centralité de l’humain

La fiabilité de l’Intelligence Artificielle reste un point de vigilance majeur, aucun modèle n'étant fiable à 100 %. La réponse à cette limite réside dans une gouvernance stricte basée sur le principe du "Human-in-the-loop" (l'humain dans la boucle). Sur la plateforme, l’IA fonctionne exclusivement en mode "opt-in" : elle n’est jamais activée par défaut et nécessite une démarche explicite de l'entreprise. De plus, l'outil se cantonne à suggérer des textes ou des pré-remplissages ; il ne peut écraser ou remplacer une donnée sans une validation humaine explicite, entièrement traçable et horodatée.

Sur le plan de la souveraineté et de la sécurité, les données sont stockées et traitées au sein de l’Union européenne, et précisément en France pour les niveaux de confidentialité les plus élevés (exigeant une résidence des données et une inférence réalisées dans des data centers français). Les données clients ne servent jamais à l'entraînement des modèles des fournisseurs.

Enfin, cette approche s'intègre dans le cadre des exigences ISO 27001 et SOC 2, garantissant l'auditabilité et la résilience du système : le logiciel est conçu pour fonctionner sans IA, évitant ainsi toute perte fonctionnelle pour l'entreprise en cas d'interruption technique ou d'explosion des coûts de la technologie. Cette architecture est par ailleurs alignée avec les exigences du règlement européen sur l'Intelligence Artificielle (AI Act), dont les dispositions s'appliquent progressivement jusqu'en 2027.

‍

De la technologie au pilotage durable

L'intelligence artificielle ne demande pas aux entreprises de produire de la technologie pour elle-même, mais de mieux l'utiliser pour prendre de meilleures décisions. Dans un contexte de durabilité et de conformité de plus en plus exigeant, elle apporte un cadre utile pour passer de la collecte subie au pilotage stratégique. En automatisant les tâches administratives répétitives, elle redonne de la valeur à l'expertise humaine sur le terrain.

Pour les organisations, l’enjeu est désormais de transformer l'enthousiasme technologique en opportunité de transformation : faire de l’IA un socle maîtrisé, sobre et souverain pour propulser une performance RSE à la fois robuste, cohérente et pleinement pilotable.

‍

Pourquoi l'IA est-elle polluante ?

Alors que l’intelligence artificielle est souvent perçue comme une technologie virtuelle et immatérielle, son déploiement à grande échelle repose sur une infrastructure physique lourde et gourmande en ressources naturelles. Entre l’extraction des matières premières, le fonctionnement quotidien des algorithmes et le renouvellement des équipements, l’impact environnemental de l’IA touche l’ensemble de son cycle de vie.

1. Une empreinte carbone liée à une consommation électrique massive

La première source d’impact réside dans la consommation d'énergie nécessaire pour entraîner et faire fonctionner les modèles d'IA générative :

• L'explosion des besoins dans les data centers : Les calculs complexes mobilisent des milliers de puces haute performance hébergées dans des centres de données. Ces infrastructures géantes pèsent de plus en plus lourd dans la consommation électrique mondiale.
• Le poids du mix énergétique et les émissions indirectes : La consommation électrique génère une empreinte carbone directe ou indirecte (scope 2). Lorsque les serveurs sont alimentés par des énergies carbonées ou soutenus par des centrales à charbon lors des pics de charge, cela entraîne une pollution atmosphérique directe et aggrave le changement climatique.
• L'enjeu d'une décarbonation réelle : Même si les géants de la tech investissent dans l'énergie verte, l'augmentation de la capacité de stockage et de calcul dépasse souvent le rythme de déploiement des filières renouvelables, ce qui limite les gains d'une décarbonation réelle.

2. La tension sur la ressource en eau pour le refroidissement

L'autre impact critique concerne la consommation d'eau liée à la gestion énergétique et thermique des infrastructures, en particulier le refroidissement des serveurs.

Refroidissement à eau vs refroidissement à sec :

• Pour éviter la surchauffe des composants, de nombreux sites privilégiant l'efficacité énergétique thermique utilisent le refroidissement à eau par évaporation.
• Ce procédé consomme des millions de litres d'eau douce potable chaque année, créant une pression directe sur le cycle de l'eau local, là où le refroidissement à sec (par air) s'avère souvent plus gourmand en électricité.

3. Un impact matériel : de l'extraction aux déchets électroniques

Enfin, la pollution de l'IA est ancrée dans le matériel lui-même :

• L'extraction des métaux rares : La fabrication des puces spécialisées (GPU) nécessite de grands volumes de métaux rares et de minéraux critiques, dont l'extraction minière détruit les sols et pollue les nappes phréatiques.
• L'obsolescence et les déchets électroniques : La course à la puissance entraîne un renouvellement rapide des matériels. Ce cycle court génère un volume massif de déchets électroniques complexes à recycler, bouclant ainsi un bilan environnemental qui impose une stricte démarche de sobriété numérique.

‍

Source : La conférence "IA et durabilité : enjeux et perspectives" qui a rassemblé Rémy Balangué (CPO de Tennaxia), Grégoire Carpentier (CTO de Tennaxia) et Sébastien Borgnat (journaliste) à l'occasion de Tennaxia Connect