Application du principe de non-préjudice significatif aux projets d'IA, afin de s'assurer qu'une solution présentée comme « verte » ne crée pas d'effets négatifs majeurs sur d'autres enjeux environnementaux ou sociaux. Cela implique une analyse structurée des risques et des mesures d'atténuation.
Le DNSH appliqué à l'IA transforme un raisonnement souvent mono-critère (« l'algorithme réduit les émissions ») en analyse à 6 objectifs de la Taxonomie : climat (atténuation/adaptation), eau, économie circulaire, pollution, biodiversité. Trois arbitrages typiques à documenter : (1) une IA d'optimisation énergétique dont l'inférence consomme plus qu'elle n'économise (test seuil : ratio kWh évités / kWh consommés > 5) ; (2) un modèle de maintenance prédictive qui allonge la vie d'équipements polluants et retarde leur substitution ; (3) une IA agricole qui améliore les rendements mais accroît la pression hydrique locale. Sans matrice DNSH formalisée, le projet est inéligible au financement Taxonomie et exposé à un risque de Greenwashing sanctionné par l'AMF et la CSSF.
Une banque qui finance un projet d'IA pour optimiser le trafic routier vérifie que les modèles n'aggravent pas la pollution de l'air dans certains quartiers sensibles et que les données utilisées respectent les droits fondamentaux.
Termes connexes (Environnement)
Green AI & eco-conception IA
Stratégie holistique réduisant l'empreinte carbone de l'IA : quantization, pruning, distillation, choix d'architectures légères. Elle intègre l'impact environnemental dès la phase de conception et non a posteriori.
Scope 3 de l'Intelligence Artificielle
Émissions indirectes de gaz à effet de serre générées par l'utilisation de systèmes d'IA tout au long de leur chaîne de valeur : fabrication des puces (TSMC, Samsung), consommation électrique des data centers, refroidissement par eau, et fin de vie des équipements. En 2025, les émissions Scope 3 de l'IA représentent environ 75% de l'empreinte carbone totale du secteur numérique selon l'AIE.
PUE – Indice d'efficacité énergétique des data centers
Indicateur d'efficacité énergétique qui exprime le ratio entre l'énergie totale consommée par un data center et l'énergie réellement utilisée par les équipements informatiques. Plus le PUE se rapproche de 1, plus le data center utilise efficacement l'électricité disponible.
WUE – Indice d'efficacité en eau des data centers
Indicateur qui rapporte le volume d'eau consommé au fonctionnement d'un data center à l'énergie délivrée aux équipements informatiques, généralement exprimé en litres par kWh. Il permet d'évaluer l'empreinte hydrique des infrastructures numériques dans un contexte de stress croissant sur la ressource en eau.
Émissions d'entraînement des LLM
Émissions de gaz à effet de serre générées lors de l'entraînement initial des grands modèles de langage, souvent très intensif en calcul et concentré sur quelques semaines. Ces émissions peuvent atteindre plusieurs milliers de tonnes de CO₂e pour un seul modèle, selon la taille du modèle, l'architecture et la source d'énergie utilisée.
Émissions d'inférence des LLM
Émissions quotidiennes générées par les requêtes adressées aux modèles d'IA en production, lorsque ceux-ci répondent à des utilisateurs ou traitent des flux automatiques. À long terme, les émissions liées à l'inférence dépassent souvent celles de la phase d'entraînement, surtout pour les services très utilisés.