Dans un de nos articles récents, « L'IA, une menace pour la neutralité carbone ? », nous avons évoqué les défis de durabilité associés à l'IA ainsi que les obstacles que doivent surmonter les entreprises. Depuis, l'impact environnemental de l'IA suscite une attention grandissante, alimentant une prise de conscience publique sur sa durabilité.
En avril, le Government Digital Service (ou GDS), le centre numérique du gouvernement britannique, qui est responsable de la transformation numérique des services publics et partage les bonnes pratiques en matière de design, a intégré la durabilité aux Government Design Principles. Cette démarche marque une reconnaissance publique de la quantité importante d'énergie, d'eau et de matériaux nécessaires au fonctionnement des services numériques. Le GDS recommande aux praticiens de prendre en compte les impacts environnementaux à court et à long terme lors de la conception au déploiement des services.
Cependant, les entreprises rencontrent encore des difficultés pour mesurer et réduire l'impact environnemental de leur utilisation de l'IA. Dans cet article, nous passons du « pourquoi » au « comment », en nous demandant : comment agir concrètement sur les impacts environnementaux de l’IA afin de garantir sa durabilité, tout en développant des usages de l'IA au service de la durabilité ?
Quelle est la définition de l'IA durable ?
L'IA durable comprend deux volets interdépendants :
Durabilité de l'IA : la pratique qui consiste à réduire l'impact environnemental négatif lié à l'utilisation de toute forme d'IA.
IA pour la durabilité : l'utilisation de technologies d'IA pour répondre aux défis environnementaux, écologiques et sociaux, et promouvoir le développement durable.
Mesurer, réduire et prioriser l'impact avec le cadre STAR
Nous avons analysé l'environnement dans lequel évolue l'IA (en prenant en compte les enjeux croissants de son impact écologique), et constaté que les entreprises peinent à mesurer et réduire cet impact. Parallèlement, l'IA peut être utilisée à des fins de durabilité, mais les entreprises ont besoin d'accompagnement pour identifier ces opportunités et les concrétiser en priorité.
Face à ces enjeux, nous avons créé le cadre STAR : un processus en quatre étapes qui aide les entreprises à évaluer les risques et opportunités de l'IA durable, tout en servant leurs objectifs stratégiques.
Voici un aperçu de ces étapes, illustrées par des exemples pratiques pour déployer une stratégie de durabilité complète autour de l'IA :
Stratégie (“Strategy”)
Il faut d’abord comprendre ce que l'entreprise souhaite accomplir et comment l'IA peut contribuer à l'atteinte de ses objectifs. Existe-t-il déjà une stratégie IA en place ?
Dans cette phase, nous impliquons les parties prenantes afin d'aligner les cas d'usage de l'IA avec la stratégie et les objectifs de l'entreprise, et de les valider en fonction des besoins. Nous identifions les critères métiers et environnementaux clés pour l'organisation en nous demandant quel est l'enjeu majeur : consommation d'eau, émissions carbone, impact matériel ou autres critères ?
Par exemple, nous pouvons évaluer les besoins énergétiques, les émissions associées et la durabilité de l'infrastructure utilisée pour le développement et le déploiement de l'IA, et vérifier que le système est optimisé pour l'efficacité énergétique. Nous définissons également une stratégie pour tirer parti des bénéfices durables (directs et indirects) de l'IA dans le traitement des enjeux environnementaux. Enfin, nous clarifions le contexte opérationnel, les réglementations actuelles et futures, les engagements gouvernementaux, et nous veillons à ce que notre plan s'y conforme pleinement.
Evaluation (“Tally”)
La deuxième phase consiste à quantifier et mesurer l'impact de l'IA dans le contexte spécifique de l'entreprise. Nous connaissons les grandes tendances mondiales, mais il est essentiel de disposer d'une vision précise de l'entreprise pour pouvoir établir un plan d'action ciblé. Quels sont les impacts concrets et comment les réduire ? Il faut identifier les bons outils pour créer des changements significatifs et suivre les progrès dans le temps.
Nous avons conçu une approche de mesure alignée sur l'usage actuel et futur de l'IA dans l'entreprise, en utilisant 30 outils open source développés par Sopra Steria. Plusieurs calculateurs open source existent pour soutenir cette démarche, notamment AI Energy Score, EcoLogits ou ML CO₂ Impact. La mise en œuvre de ces outils permet de quantifier les risques et opportunités actuels liés à l'usage de l'IA, et d'établir une base solide pour les actions futures.
Action (“Action”)
Une fois que nous avons une vision claire de l'usage réel de l'IA dans l’entreprise grâce aux étapes précédentes, et une mesure de l'impact actuel et futur, quelles sont les meilleures pratiques à adopter pour réduire concrètement cet impact environnemental ?
Nous adaptons les actions à partir de 31 bonnes pratiques, élaborées avec le gouvernement, l'industrie et le monde académique. Celles-ci sont classées en fonction de leur potentiel de réduction de l’impact environnemental, des efforts requis pour leur déploiement, et des phases du cycle de vie qu'elles concernent. Elles couvrent l'amélioration de la conception, la collecte de données, l'entraînement, la gouvernance et la sensibilisation des utilisateurs.
Révision (“Review”)
La dernière étape du cadre STAR consiste à prendre de nouvelles mesures pour analyser les bénéfices du travail accompli. Cette phase permet de définir une feuille de route d'amélioration continue. Selon la taille ou le profil de l'entreprise, ou si les changements sont trop récents, cette étape peut être simulée à partir de scénarios.
Nous réévaluons l'impact des actions entreprises et les comparons à la stratégie initiale pour identifier et hiérarchiser les cas d'usage à développer à l'avenir.