Le coût caché de l’IA : externalités sociales et environnementales

En 2023, l’entraînement d’un grand modèle de langage a consommé en moyenne autant d’énergie que cinq voitures thermiques sur l’ensemble de leur cycle de vie, selon les estimations publiées par le AI Now Institute. Ce chiffre ne figure dans aucun bilan de déploiement présenté à un comité exécutif. Il ne figure pas davantage dans les pitchs des éditeurs qui promettent des gains de productivité à deux chiffres. Entre ce que l’IA promet et ce qu’elle coûte réellement, un écart se creuse, invisible dans les tableaux de bord ROI, visible dans les relevés de consommation des datacenters, dans les rapports de santé mentale des travailleurs du clic, dans les dossiers de recours déposés auprès des autorités de protection des droits. Cet article ne prétend pas que l’intelligence artificielle ne tient pas ses promesses. Il s’attache à documenter ce que le bilan classique refuse de comptabiliser.

L’empreinte carbone de l’IA : une grandeur que les directions financières n’ont pas encore appris à lire

Laurence Devillers, chercheuse en IA émotionnelle et professeure à Sorbonne Université, le répète dans ses conférences devant les comités de direction : « On ne peut pas piloter ce qu’on ne mesure pas. Or personne ne mesure l’empreinte réelle de ses modèles. » Elle a raison sur un point factuel que peu de DSI contestent une fois qu’ils l’ont étudié : la phase d’inférence, c’est-à-dire l’usage quotidien d’un modèle déployé, représente souvent plus de 80 % de la consommation énergétique totale d’un système d’IA, loin devant l’entraînement initial.

L’AI Index de Stanford, publié chaque année par le Stanford HAI, documente cette progression : la consommation électrique des datacenters liés à l’IA a doublé entre 2020 et 2023 à l’échelle mondiale. Microsoft a reconnu en 2024 que ses émissions de CO₂ avaient augmenté de 29 % depuis 2020, en grande partie à cause de ses investissements dans l’infrastructure IA. Google a publié des chiffres comparables. Ces entreprises investissent parallèlement dans le nucléaire et dans des contrats d’énergie renouvelable, ce qui ne résout pas la tension, cela la déplace dans le temps.

Pour un directeur général qui s’est engagé sur des objectifs de décarbonation à horizon 2030, l’équation mérite d’être posée clairement : déployer un assistant IA pour mille collaborateurs, c’est ajouter une ligne de consommation énergétique qui ne disparaîtra pas. Le bilan RSE doit l’intégrer. Julien, directeur des systèmes d’information d’un groupe industriel de taille intermédiaire, a découvert ce point lors d’un audit interne en 2024 : « On avait tout calculé sauf ça. Quand on a additionné les appels API mensuels, on s’est rendu compte qu’on avait créé une charge énergétique équivalente à celle de notre site de Valenciennes. Personne n’avait posé la question. »

La question de l’eau s’ajoute à celle de l’électricité. Les datacenters refroidissent leurs serveurs à l’eau. Google a consommé 5,6 milliards de litres d’eau en 2022 pour ses datacenters américains, selon son propre rapport environnemental. Ces volumes se situent souvent dans des régions où la ressource en eau est sous tension. Aucun indicateur ESG standard ne force aujourd’hui les entreprises à déclarer leur consommation d’eau indirecte liée à leurs usages cloud et IA.

Le travail invisible : ce que les modèles doivent aux personnes qu’ils ne citent pas

Les grands modèles de langage sont entraînés sur des données annotées par des humains. Ces humains travaillent, pour beaucoup d’entre eux, dans des pays où la protection sociale est limitée et où les conditions de travail échappent aux standards que les entreprises qui déploient l’IA appliquent à leurs propres salariés.

Timnit Gebru, ancienne co-responsable de l’équipe éthique de l’IA chez Google et fondatrice du Distributed AI Research Institute (DAIR), a documenté ce que ces chaînes de sous-traitance produisent : des travailleurs exposés à des contenus violents, traumatisants, pornographiques, payés entre 1 et 3 dollars de l’heure pour modérer et annoter des millions de contenus afin que les modèles apprennent à les éviter. Elle a mis en évidence le paradoxe structurel : la fluidité éthique des IA que vous déployez repose sur une main-d’œuvre qui n’a pas accès à cette même éthique dans ses propres conditions de travail.

Ce n’est pas une question périphérique pour les directions des ressources humaines. Amara, DRH d’un groupe de services numériques présent dans six pays, a été confrontée à cette réalité lors d’un appel d’offres en 2023 : « Un prestataire nous proposait une solution d’IA générative pour l’assistance RH. En creusant la chaîne de valeur, on a compris que l’annotation des données avait été sous-traitée à deux reprises. On n’avait aucune visibilité sur les conditions de travail réelles. On a demandé des garanties. On n’en a pas obtenu. On a choisi un autre prestataire. » Cette décision lui a valu une discussion de deux heures avec son comité de direction sur la différence entre diligence raisonnable et préférence morale. Ce n’est pas la même chose.

L’OCDE, dans ses travaux sur l’avenir du travail et l’IA, a identifié plusieurs catégories de travailleurs exposés à une forme de double vulnérabilité : ceux dont les emplois sont menacés par l’automatisation et ceux dont le travail rend l’automatisation possible. Ces deux catégories se superposent peu. Elles ne partagent pas les mêmes ressources pour se défendre.

Les biais systémiques : quand l’algorithme amplifie ce que l’organisation voulait corriger

Gary Marcus, chercheur en sciences cognitives et critique reconnu des limites actuelles de l’apprentissage profond, formule régulièrement un avertissement que les directions des ressources humaines devraient placer en tête de leurs cahiers des charges : un modèle entraîné sur des données historiques reproduit les inégalités historiques, à moins qu’un travail explicite et coûteux ne soit conduit pour les corriger, et même dans ce cas, la correction n’est jamais garantie.

Les cas documentés sont nombreux. Un outil de tri de CV déployé par un grand groupe de recrutement a systématiquement sous-classé les candidatures de femmes pour des postes techniques pendant dix-huit mois avant qu’un audit interne ne détecte l’anomalie. L’outil avait appris sur dix ans de recrutements passés, dans lesquels les hommes étaient surreprésentés dans ces postes. Il avait reproduit la norme, non l’objectif. Ce groupe n’a pas publié de communiqué de presse sur cet incident.

La CNIL, dans ses recommandations sur les systèmes d’IA à risque publiées dans le cadre du déploiement du règlement européen sur l’IA, insiste sur la nécessité d’audits continus, pas seulement d’une validation initiale. Un modèle peut drifter, dériver, au fil du temps, à mesure que les données d’entrée changent. Une direction qui a validé un système à son déploiement doit accepter qu’elle ne l’a pas validé pour toujours.

Eric Sadin, philosophe et critique de la rationalisation algorithmique, situe le problème à un niveau plus fondamental : ce ne sont pas seulement des erreurs techniques que les biais révèlent, c’est une délégation de jugement à des systèmes qui n’ont pas de responsabilité. Quand un algorithme refuse un crédit, écarte un dossier médical ou classe un profil comme à risque, personne ne signe cette décision. La traçabilité de la responsabilité disparaît précisément là où elle aurait dû être la plus claire.

Ce que les régulateurs commencent à exiger et que les directions générales n’ont pas encore budgété

Le règlement européen sur l’intelligence artificielle, entré en vigueur en août 2024, crée des obligations de conformité graduées selon le niveau de risque des systèmes déployés. Pour les systèmes classés à haut risque, recrutement, crédit, accès à des services essentiels, sécurité des infrastructures, les obligations incluent des registres de conformité, des évaluations d’impact, des mécanismes de supervision humaine, et des obligations de transparence à l’égard des personnes affectées.

Ces obligations ont un coût. Le NIST, l’agence américaine des standards, a publié en 2023 son cadre de gestion des risques liés à l’IA, qui identifie quatre dimensions à couvrir : fiabilité, explicabilité, résilience, et équité. Construire un dispositif de gouvernance qui adresse ces quatre dimensions représente, selon les estimations des cabinets spécialisés, entre 15 % et 25 % du budget total d’un projet IA de taille intermédiaire. Ce poste n’apparaît dans aucun ROI présenté à un comité exécutif avant décision de déploiement.

Sophie, directrice juridique d’un groupe financier qui a déployé un outil d’analyse de risque crédit basé sur l’apprentissage automatique, résume la situation avec une précision qui mérite d’être entendue : « On nous a vendu un outil. On nous a ensuite expliqué qu’on était l’opérateur au sens de l’AI Act, et que la responsabilité de conformité était la nôtre, pas celle de l’éditeur. On a découvert ce point dix-huit mois après le déploiement, lors d’un audit réglementaire. Le budget de mise en conformité a dépassé le coût initial de la solution. »

Asma Mhalla, chercheuse en géopolitique de la technologie, rappelle que ces questions de gouvernance ne sont pas seulement des contraintes réglementaires à gérer : elles constituent un terrain de compétition géopolitique. Les standards techniques que l’Europe impose aujourd’hui définissent les conditions d’accès au marché de demain pour les acteurs mondiaux. Les directions générales qui internalisent cette logique avant leurs concurrents construisent un avantage. Celles qui la subissent la paieront deux fois.

« Faire croître ce qui compte vraiment, c’est accepter de mesurer ce que les tableaux de bord habituels ont décidé de ne pas voir. L’externalité ignorée n’est pas un angle mort technique : c’est un choix de gouvernance. », La rédaction Afervescence

Vers une comptabilité intégrale du déploiement de l’IA

Les directions générales qui ont intégré les critères ESG dans leurs décisions d’investissement ont appris, parfois douloureusement, que le coût de l’ignorance dépasse toujours le coût de la mesure. L’IA suit la même logique. Une empreinte carbone non mesurée devient un passif réglementaire. Un biais non audité devient un risque juridique. Une chaîne de sous-traitance opaque devient une exposition réputationnelle.

La comptabilité intégrale du déploiement de l’IA n’est pas une posture philosophique. Elle est une discipline de gestion. Elle commence par trois questions que tout comité exécutif devrait poser avant de valider un projet IA : Quelle est la consommation énergétique prévisionnelle sur trois ans, et comment s’intègre-t-elle à nos objectifs de décarbonation ? Qui a produit les données sur lesquelles le modèle a été entraîné, dans quelles conditions, et qui assume la responsabilité de la chaîne ? Quelles populations peuvent être affectées négativement par ce système, et quel mécanisme de recours leur est ouvert ?

Ces questions n’appellent pas nécessairement à ralentir le déploiement. Elles permettent de le conduire avec les yeux ouverts. Les organisations qui les posent avant le déploiement dépensent moins en corrections post-incident, en litiges réglementaires, et en audits d’urgence. Elles construisent aussi une culture de responsabilité qui rend les équipes plus solides face aux évolutions réglementaires à venir, et ces évolutions s’accéléreront, pas l’inverse.

Le bilan classique ne montre pas ces coûts. Cela ne signifie pas qu’ils n’existent pas. Cela signifie que quelqu’un d’autre les paie.

Pour aller plus loin, decouvrez notre accompagnement des organisations et notre approche.

Et si le vrai indicateur de maturité IA d’une organisation était sa capacité à nommer ce que son déploiement coûte à ceux qui n’ont pas de voix dans son comité de direction ?

Questions fréquentes