Rester à la pointe de l'IA sans sacrifier vos valeurs de durabilité

Chez SwissTechNova, nous poursuivons deux ambitions qui devraient se renforcer mutuellement.

Nous souhaitons promouvoir un développement responsable et durable. Et nous voulons être un partenaire d'innovation — aider les organisations à transformer les technologies émergentes en solutions concrètes pour les entreprises et la société.

L'intelligence artificielle nous a amenés à examiner là où ces objectifs peuvent entrer en tension. Non pas de façon théorique — mais à travers notre propre travail.

Ces derniers mois, nous avons développé des applications fonctionnelles à l'aide de plateformes no-code combinées à un accompagnement par LLM.

L'une d'elles est un outil de gestion de portefeuille de projets structuré autour du cadre de projet SIA, conçu pour améliorer la visibilité sur les projets, les phases, les priorités et les ressources.

L'autre est Business Scout, un outil de démonstration en business intelligence qui explore la façon dont des informations métier fragmentées peuvent être structurées et rendues plus faciles à interpréter.

L'application fonctionnelle de gestion de portefeuille de projets de SwissTechNova, développée avec des outils no-code et un développement assisté par LLM, structurée autour d'un cadre de projet orienté SIA.

Business Scout, une démonstration fonctionnelle explorant comment le développement no-code et l'accompagnement par LLM peuvent rendre la business intelligence plus accessible.

Ce qui nous a surpris n'était pas simplement ce que ces outils pouvaient accomplir, mais la rapidité avec laquelle une personne disposant d'une expertise métier pouvait passer d'un problème opérationnel à une application fonctionnelle.

Un LLM peut aider à raisonner sur une structure de base de données, diagnostiquer une erreur d'automatisation, formuler des expressions, générer du code, analyser des cas limites, améliorer une interface ou proposer des implémentations alternatives. Les plateformes no-code réduisent ensuite considérablement la barrière de développement restante.

C'est remarquable. Et c'est précisément ce qui a soulevé une question inconfortable :

Si le calcul informatique devient aussi facile à créer et à consommer, quelles ressources physiques se cachent derrière — et quand cette consommation est-elle justifiée ?

Lorsque la friction technique liée à la production de calcul disparaît, il nous faut peut-être la remplacer par une autre forme de discipline : l'intentionnalité.

L'IA paraît virtuelle. Son infrastructure, non.

Une requête semble presque immatérielle. On saisit une demande. Quelques secondes plus tard, une réponse apparaît.

Pourtant, ce processus repose sur une infrastructure physique : processeurs, serveurs, centres de données, réseaux électriques, systèmes de refroidissement, eau, bâtiments, fabrication de semi-conducteurs et chaînes d'approvisionnement en matériaux.

L'Agence internationale de l'énergie prévoit que la consommation mondiale d'électricité des centres de données plus que doublera pour atteindre environ 945 TWh d'ici 2030 dans son scénario de référence. L'IA est le principal moteur de cette hausse, même si les centres de données ne représenteraient encore qu'un peu moins de 3 % de la demande mondiale totale d'électricité.

Des recherches récentes mettent également en garde contre la réduction de l'empreinte de l'IA à la seule électricité. Une revue publiée en 2026 dans Nature Reviews Clean Technology examine les impacts opérationnels en matière d'énergie, de carbone, d'eau douce et d'infrastructure, tout en soulignant les compromis — par exemple, les mesures qui réduisent la consommation d'eau peuvent, dans certaines circonstances, augmenter les émissions de carbone.

L'IA n'est donc pas le problème de durabilité mondial. Mais l'activité numérique n'est pas non plus sans matérialité.

Pourquoi notre propre empreinte IA est si difficile à calculer

Supposons que nos applications génèrent 10 000 requêtes LLM par mois.

Quelle quantité d'électricité ont-elles consommée ? Quelle émission de carbone est associée à cette électricité ? Où le calcul a-t-il été effectué ? Quelle quantité d'eau de refroidissement a été nécessaire ? Quelle fraction de l'impact de fabrication des serveurs et des accélérateurs revient à ces requêtes ?

Pour les services d'IA commerciaux, nous ne pouvons souvent pas répondre précisément à ces questions. Les utilisateurs ne connaissent généralement pas le matériel sous-jacent, le taux d'utilisation, le regroupement des requêtes, la localisation des centres de données, le mix électrique ou les conditions de refroidissement.

Même la notion d'impact environnemental d'« une requête » est problématique. Une étude publiée en 2026 dans Joule estimait environ 0,31 Wh pour une requête d'inférence classique à l'échelle frontier dans ses hypothèses de référence — mais constatait également que des requêtes de raisonnement approfondi pouvaient consommer environ treize fois plus d'énergie.

Le chiffre importe moins que la leçon : une requête n'est pas une unité de calcul standardisée. Une demande de classification de phrase, de génération d'image et d'exécution d'un agent de raisonnement autonome peuvent avoir des profils computationnels très différents.

Pour la gestion interne, nous trouvons donc utile de distinguer quatre niveaux :

• Mesuré — directement observé.
• Communiqué par le fournisseur — divulgué par le prestataire de service.
• Estimé — dérivé à partir d'hypothèses transparentes.
• Inconnu — impossible à établir avec une confiance raisonnable à ce stade.

La responsabilité environnementale ne devrait pas exiger une fausse précision.

Le problème de fond : l'efficacité ne réduit pas nécessairement la consommation totale

Cette question renvoie à un problème bien plus ancien en matière d'énergie et d'économie.

La production économique est devenue nettement moins énergivore au fil du temps. Il serait inexact de prétendre que le PIB et la demande énergétique restent mécaniquement liés.

La revue 2026 de l'AIE illustre un vrai découplage relatif : le PIB mondial a progressé d'environ 3,1 % en 2025 tandis que la demande énergétique augmentait de 1,3 % et les émissions de CO₂ liées à l'énergie d'environ 0,4 %.

C'est un progrès réel. Mais la consommation d'énergie a quand même augmenté. Les émissions ont quand même augmenté.

Et sur une période plus longue, le PNUE rapporte que l'extraction mondiale de ressources naturelles a triplé au cours des cinq dernières décennies. Sans changement significatif, elle pourrait encore augmenter de 60 % par rapport aux niveaux de 2020 d'ici 2060.

C'est pourquoi il faut distinguer l'efficacité relative de la consommation absolue.

Le même problème s'applique à l'IA. Supposons que le calcul devienne deux fois plus efficace. C'est de la bonne ingénierie. Mais un calcul moins coûteux rend également d'autres applications économiquement viables. Davantage d'applications créent davantage de demande. Une demande accrue augmente l'utilisation de l'infrastructure et peut finalement justifier la construction de capacités supplémentaires.

La séquence peut devenir : meilleure efficacité → coût réduit → plus d'applications → plus de demande → plus grande utilisation → capacités supplémentaires.

Cela est lié à l'effet rebond, et dans sa forme la plus forte au paradoxe de Jevons. Il serait erroné d'affirmer que l'efficacité augmente toujours la consommation totale. L'effet rebond varie selon le secteur, la technologie, le prix et les comportements.

La conclusion défendable est plus utile :

L'efficacité peut réduire les ressources par unité sans réduire la consommation totale de ressources si la demande croît plus vite que l'efficacité ne s'améliore.

Cette distinction devrait avoir une importance considérable pour toute stratégie IA.

Nos propres applications illustrent le problème

Imaginons que nous réduisions de moitié le coût de calcul d'une analyse dans Business Scout. Nous l'avons rendue plus efficace. Mais nous pourrions décider de réaliser dix fois plus d'analyses. Ou de les actualiser toutes les heures. Ou de fournir cinq interprétations au lieu d'une. Ou de les exécuter automatiquement sur chaque segment métier.

De même, dès lors qu'ajouter une fonctionnalité IA à une application de gestion de projet devient simple, on peut ajouter des résumés de projets, de la détection de risques, de la préparation de réunions, de l'extraction documentaire, des prévisions et finalement une surveillance autonome.

Chaque fonctionnalité individuelle peut être efficace. L'activité computationnelle totale peut néanmoins augmenter.

Cela ne signifie pas que ces fonctions ne devraient pas exister. Cela signifie que chaque couche supplémentaire doit mériter sa place.

Efficacité et sobriété

L'efficacité demande : comment fournir une unité de service avec moins de ressources ?

La sobriété demande : de quelle quantité de ce service avons-nous réellement besoin ?

La politique technologique se concentre généralement sur la première question. La durabilité exige les deux.

Une entreprise peut devenir extraordinairement efficace à produire quelque chose dont personne n'a réellement besoin.

Cela nous amène à une deuxième distorsion : le prix.

Un calcul bon marché ne reflète pas nécessairement son coût réel

Supposons qu'une opération IA coûte CHF 0.01. Si elle crée plus de CHF 0.01 de valeur commerciale, il semble économiquement rationnel de l'exécuter.

Mais le prix du fournisseur n'intègre pas nécessairement toutes les conséquences environnementales. Les économistes appellent externalités les impacts qui ne se reflètent pas totalement dans le prix d'une transaction.

La tarification du carbone tente de résoudre en partie ce problème. Mais les taxes carbone, les quotas ETS, les crédits carbone et le coût social du carbone ne sont pas interchangeables.

La Banque mondiale indique que la tarification directe du carbone couvre désormais un peu plus de 29 % des émissions mondiales de gaz à effet de serre, avec un prix direct moyen d'environ 21 USD/tCO₂e.

Ce prix de marché ou réglementaire ne doit pas être confondu avec le coût complet à long terme des dommages climatiques — et encore moins avec le coût de la rareté de l'eau, des atteintes à la biodiversité ou de l'épuisement des matières.

Un outil commercial plus défendable est donc un prix environnemental fictif (shadow price). La Banque mondiale elle-même utilise la tarification fictive du carbone dans l'analyse économique de projets d'investissement pertinents pour intégrer les conséquences climatiques que l'analyse financière classique peut autrement ignorer.

Pour l'IA, un calcul simplifié pourrait être :

Énergie estimée × intensité carbone de l'électricité = CO₂e estimé

puis :

CO₂e estimé × prix carbone fictif interne = coût climatique fictif

L'objectif n'est pas de découvrir le « vrai prix de la nature ». Il s'agit de tester si une décision reste pertinente lorsque certaines externalités environnementales cessent d'être traitées comme gratuites.

Testez plusieurs hypothèses. Si une application reste intéressante avec un prix du carbone nettement plus élevé, c'est une information utile. Si son modèle économique disparaît dès que les coûts environnementaux deviennent visibles, c'est également une information utile.

L'eau, les matériaux et la biodiversité devraient généralement rester des indicateurs distincts, sauf s'il existe une méthodologie robuste pour les monétiser. Une fausse comparabilité n'est pas une meilleure comptabilité.

Faire mériter à l'IA son coût en ressources

Notre principe de travail est donc devenu :

Utiliser la méthode la moins gourmande en ressources qui produit de façon fiable le résultat attendu — et exiger que tout calcul supplémentaire se justifie par une valeur supplémentaire.

Cela ne signifie pas toujours choisir le modèle le plus léger. Un modèle léger qui nécessite dix tentatives et de nombreuses corrections humaines peut être pire qu'un modèle plus puissant qui réussit du premier coup.

La meilleure métrique est celle des ressources par résultat utile et fiable.

Cela conduit à une séquence de décision pratique.

Éviter → Substituer → Minimiser → Mesurer → Valoriser → Optimiser → Justifier

• Éviter. La tâche nécessite-t-elle vraiment l'IA ? Une formule, une requête en base de données, une automatisation déterministe, une fonction BIM, une liste de contrôle ou le jugement d'un professionnel peuvent être préférables.
• Substituer. Si l'IA est utile, quel est le modèle ou système le moins gourmand en ressources qui atteint le seuil de qualité requis ?
• Minimiser. Limiter les générations redondantes, les sorties excessives, les validations inutiles, les nouvelles tentatives et les boucles autonomes. Mettre en cache les résultats stables.
• Mesurer. Suivre les modèles, les requêtes, les tokens, les appels automatisés, le coût financier et les indicateurs environnementaux estimés.
• Valoriser. Appliquer des scénarios de coût fictif là où une valorisation crédible existe.
• Optimiser. Comparer les flux de travail conventionnels, IA légère, IA avancée et hybrides humain/IA.
• Justifier. Se demander quelle valeur mesurable le calcul a réellement créée.

Pour notre outil de portefeuille de projets, cela pourrait se traduire par du temps administratif économisé, des risques identifiés plus tôt, moins d'incohérences dans les rapports ou une meilleure allocation des ressources. Pour Business Scout, cela pourrait signifier une information identifiée plus rapidement ou des décisions mieux étayées.

Cette discipline oriente également la façon dont les outils sont construits. Dans Business Scout, par exemple, nous avons délibérément intégré un algorithme déterministe qui présélectionne d'abord quelques sujets prioritaires avant qu'un modèle de langage soit sollicité. Le LLM est ensuite appliqué uniquement à cette présélection — ce qui réduit considérablement la masse de données que le modèle doit traiter et le réserve à l'étape où il crée vraiment de la valeur.

Gagner du temps est un bénéfice de productivité légitime. Mais cela ne devrait pas être automatiquement requalifié en bénéfice environnemental.

Outils pratiques

Plusieurs ressources peuvent aider les organisations à aller au-delà des approximations.

EcoLogits modélise les impacts environnementaux de l'inférence par IA générative, en incluant les composantes d'usage et embarquées, et se révèle particulièrement utile lorsque la mesure directe d'API distantes est impossible.

ML.ENERGY publie des benchmarks de modèles mesurés incluant l'énergie par token et par réponse, utile pour comparer des configurations plutôt que supposer que la taille seule détermine l'efficacité.

CodeCarbon suit les émissions liées à l'énergie pour du calcul exécuté sur du matériel que vous contrôlez, et oriente les utilisateurs d'API GenAI distantes vers EcoLogits.

Green Algorithms fournit un calculateur et une méthodologie reconnus pour l'estimation de l'empreinte carbone computationnelle.

Electricity Maps permet d'ajouter une intensité carbone de l'électricité différenciée géographiquement et temporellement, avec des paramètres de fournisseur et de région de centres de données pris en charge.

World Bank Carbon Pricing fournit un contexte sur les taxes carbone, les ETS et les systèmes de crédits.

De l'IA efficace au calcul conscient

Il n'existe probablement pas de nombre universel de requêtes ou de wattheures à partir duquel l'IA devient soudainement « durable ». Un objectif plus utile est le calcul conscient.

Avant qu'un flux de travail IA ne passe à l'échelle, posez-vous ces questions :

• Quel problème résout-il ?
• Quelle est la véritable alternative ?
• Que se passe-t-il si tout le monde l'utilise ?
• Que se passe-t-il si une action humaine déclenche vingt actions machines ?
• Quelles ressources pouvons-nous mesurer ?
• Qu'est-ce qui demeure incertain ?
• Quels coûts environnementaux sont absents du prix actuel ?

Et surtout : le résultat est-il suffisamment précieux pour justifier ces ressources ?

Pour nous, ce n'est pas un argument contre l'IA. L'expérience de développement de nos propres outils a renforcé notre conviction quant à la puissance de cette technologie. Mais l'innovation doit rester un moyen, pas une fin en soi.

Parfois, le bon choix sera un modèle puissant. Parfois un modèle plus léger. Parfois un logiciel conventionnel. Et parfois, la décision technologiquement la plus mûre sera : ne pas calculer ceci.

C'est cela, pour nous, que signifie mettre l'innovation au service de la société.

Liste de contrôle pour une IA durable

Avant de valider ou de déployer à grande échelle un flux de travail IA :

Test final :

Si ce calcul était moins artificiellement bon marché — ou si tout le monde l'effectuait à grande échelle — le considérerions-nous encore comme utile ?

Vous souhaitez tester l'outil de portefeuille de projets ?

Les applications qui ont suscité cette réflexion sont fonctionnelles — pas de simples maquettes conceptuelles. Business Scout reste un environnement de démonstration. Pour l'outil de gestion de portefeuille de projets, nous souhaitons aller un cran plus loin et inviter de vrais utilisateurs dans l'expérience.

Nous ouvrons l'accès test à un premier groupe d'utilisateurs, et nous sommes particulièrement intéressés par ce que les testeurs considèrent comme réellement utile, ce qui devrait rester déterministe, et là où l'IA crée suffisamment de valeur ajoutée pour justifier son inclusion. Cette discussion fait partie de l'expérience.