L’intelligence artificielle devient une infrastructure.
Elle investit la recherche, le travail de bureau, la santé, l’éducation, la recherche et l’industrie. Elle s’insinue aussi dans les petits interstices où se prennent les décisions quotidiennes : que faire en premier, quelle option consomme le moins de ressources, une affirmation compliquée mérite-t-elle notre confiance.
Cela change la question que nous devrions nous poser. « Que peut faire l’IA ? » n’est plus la question la plus importante. La question plus difficile est celle-ci : alors que les capacités de l’IA progressent plus vite que nos institutions, nos systèmes énergétiques et nos accords sociaux, comment nous assurer que l’IA élargit les possibilités humaines au lieu de concentrer l’efficacité, les ressources et le pouvoir entre moins de mains ?
Il ne s’agit pas d’affirmer que l’IA sauvera le monde. Il ne s’agit pas non plus d’affirmer qu’elle le détruira. C’est une hypothèse de travail : l’IA peut devenir un amplificateur du développement durable, mais seulement après que nous avons décidé ce qui mérite d’être amplifié.
Cette question est proche de notre façon de penser AirJelly. Un compagnon IA proactif ne devrait pas simplement produire plus de contenu ou interrompre les gens avec davantage de suggestions. Il devrait aider les gens à comprendre le contexte, réduire les frictions à faible valeur et maintenir le jugement humain dans la boucle. Le même critère devrait s’appliquer lorsque nous pensons à l’IA à l’échelle de la société.
01. Le progrès a besoin d’une définition plus large
Pendant une bonne partie des dernières décennies, le progrès technologique a été mesuré par la vitesse, l’échelle et le volume de production. Les modèles deviennent plus rapides. Les usines deviennent plus automatisées. Le contenu devient plus abondant. Les chaînes de décision deviennent plus courtes.
Ces mesures comptent, mais elles ne sont pas synonymes de développement humain.
Les Objectifs de développement durable des Nations Unies décrivent le développement comme un ensemble connecté de responsabilités : mettre fin à la pauvreté et à la faim, améliorer la santé et l’éducation, créer un travail décent, réduire les inégalités, agir pour le climat et bâtir des institutions pacifiques et responsables. La croissance n’est pas un simple classement. C’est un ensemble de relations qui doivent rester viables dans le temps.
L’IA pose un défi particulier parce qu’elle excelle à optimiser des objectifs locaux.
Si l’objectif est de minimiser le temps de réponse moyen du service client, un système peut réduire l’intervention humaine. Si l’objectif est de maximiser l’engagement, il peut produire plus de stimulation. Si l’objectif est d’améliorer la précision prédictive, il peut rendre les expériences minoritaires moins visibles. Chaque indicateur local peut s’améliorer tandis que la qualité de vie globale se dégrade.
Une IA durable exige une définition plus large du succès : une valeur fiable, équitable et récupérable pour davantage de personnes sur une plus longue période.
Cela signifie que les indicateurs produit devraient inclure des questions moins glamour mais plus déterminantes. Combien d’énergie et de matières le système a-t-il permis d’économiser ? Combien de travail répétitif a-t-il supprimé ? Qui a gagné en capacité, et qui a perdu en choix ? Quand le système échoue, qui peut le remarquer, le corriger et le contester ?
Les meilleurs produits d’IA ne sont pas ceux qui donnent aux gens l’impression d’être entourés d’intelligence. Ce sont ceux qui aident les gens à consacrer leur attention là où cela compte.
02. L’IA peut nous aider à voir les systèmes. Elle ne peut pas faire les jugements de valeur à notre place.
Les problèmes climatiques et écologiques sont difficiles non seulement parce que nous manquons d’informations. Ils sont difficiles parce que les systèmes sont complexes, que les retours sont différés, que la responsabilité est distribuée et que de nombreux coûts n’apparaissent pas dans le rapport trimestriel d’une seule organisation.
L’IA est bien adaptée pour traiter une partie de cette complexité. Elle peut aider les chercheurs à combiner l’imagerie satellite, les données de capteurs, les relevés météorologiques et les informations sur les chaînes d’approvisionnement. Elle peut aider les réseaux électriques à prévoir la demande et à intégrer les énergies renouvelables. Elle peut aider les architectes à comparer les matériaux, la consommation d’énergie et les impacts sur le cycle de vie. Elle peut aider les agriculteurs à identifier des schémas dans l’irrigation, les ravageurs et l’état des sols.
Le rapport Energy and AI de l’Agence internationale de l’énergie met en évidence des opportunités significatives pour l’IA dans les systèmes électriques, les bâtiments, l’industrie, les transports et l’innovation énergétique. Il rend aussi impossible d’ignorer l’autre côté de l’équation : les centres de données et l’IA eux-mêmes nécessitent plus d’électricité.
L’IA n’est ni intrinsèquement verte ni non verte. Son impact dépend du système dans lequel elle est déployée, de l’énergie qui l’alimente et de l’objectif qu’on lui demande d’optimiser.
Le même modèle pourrait aider un réseau à réduire la demande de pointe, ou générer un flux interminable de calcul et de consommation à faible valeur. Nous ne devrions pas seulement demander combien d’énergie un modèle consomme. Nous devrions demander s’il aide le système dans son ensemble à économiser plus d’énergie, de matières, de temps ou de risque que le modèle n’en consomme.
C’est pourquoi l’IA devrait être traitée comme un observateur, un coordinateur et un constructeur de scénarios — non comme le juge final. Elle peut produire des prévisions, révéler des compromis et rendre lisibles des schémas complexes. Elle ne peut pas décider seule de la valeur d’une rivière, de l’opportunité d’aménager une zone humide ou de la question de savoir quel risque est acceptable.
Ces décisions relèvent toujours du débat public, de la loi et du jugement humain.
03. Le calcul fait partie du monde matériel
Quand nous parlons de grands modèles, il est facile de ne voir que des résultats immatériels : texte, images, réponses et prédictions. Chacun de ces résultats dépend pourtant de puces physiques, de serveurs, de systèmes de refroidissement, d’électricité, de terres et d’eau.
La demande des centres de données devient une question d’infrastructure. L’analyse Electricity 2024 de l’AIE prévoyait que la consommation d’électricité des centres de données, de l’IA et des cryptomonnaies pourrait plus que doubler d’ici 2026. L’augmentation exacte variera selon l’efficacité, les mix énergétiques régionaux et la demande, mais la direction est claire : l’IA ne peut pas se déployer indépendamment du système électrique.
Cela ne signifie pas que la recherche ou les applications utiles doivent s’arrêter. Cela signifie que nous avons besoin d’une meilleure définition de l’efficacité.
Un modèle plus grand ne crée pas automatiquement une valeur publique proportionnelle à son coût. Une réponse plus longue n’est pas automatiquement plus utile. Envoyer chaque tâche au modèle le plus coûteux n’est pas automatiquement une meilleure conception de produit.
Un système mature choisit un modèle en fonction de la difficulté de la tâche. Il réutilise les résultats lorsque c’est possible. Il évite les appels inutiles. Il rend visibles les limites importantes en matière de ressources. Il traite le calcul comme quelque chose à dépenser délibérément.
C’est un principe produit simple : ne laissez pas le calcul se substituer à la réflexion.
Quand un problème difficile exige un raisonnement minutieux, l’IA est un outil. Quand un système ne cesse de générer, de rappeler et de réévaluer simplement pour paraître intelligent, il s’approche du gaspillage.
04. La durabilité, c’est aussi ne pas retirer aux humains leurs capacités
Si l’IA n’est utilisée que pour réduire les coûts de main-d’œuvre, le développement durable devient un euphémisme pour faire faire plus de travail à moins de personnes. C’est une voie facile à emprunter, et dangereuse.
Les recherches de l’Organisation internationale du travail de 2023 sur l’IA générative et l’emploi suggèrent que l’IA générative est plus susceptible de transformer et d’augmenter des tâches au sein de nombreuses professions que d’éliminer immédiatement des professions entières. Mais les effets sont inégaux selon les pays, les secteurs, les genres et les types de travail. Les gains moyens ne nous disent pas qui paie le coût de la transition.
Un système d’IA centré sur l’humain devrait remplacer la question « combien d’emplois avons-nous automatisés ? » par des questions plus utiles :
- A-t-il réduit le travail dangereux, répétitif ou à faible valeur ?
- A-t-il donné aux gens plus de temps pour apprendre, prendre soin, créer et exercer leur jugement ?
- Les utilisateurs comprennent-ils les limites du système, ou sont-ils simplement censés accepter ses conclusions ?
- Les personnes affectées par une décision peuvent-elles faire appel, demander un réexamen et se retirer ?
La Recommandation sur l’éthique de l’intelligence artificielle de l’UNESCO place la dignité humaine, l’autonomie, la transparence, l’explicabilité, la responsabilité et la protection de l’environnement au centre d’une IA responsable. Ces notions peuvent sembler abstraites jusqu’à ce qu’elles deviennent des décisions produit : préserver la relecture humaine ; afficher l’incertitude ; conserver un historique de décision traçable ; ne pas traiter le silence comme un consentement ; permettre aux gens de corriger ce qu’un système croit à leur sujet.
C’est aussi là que le contexte personnel compte. Un assistant qui se souvient des bonnes choses peut réduire la charge cognitive. Un assistant qui transforme silencieusement la mémoire en contrôle peut faire l’inverse. Chez AirJelly, le but du contexte n’est pas de prédire parfaitement une personne. Il est d’aider une personne à utiliser son propre contexte accumulé avec davantage de maîtrise.
Si l’IA rend les gens moins capables de se souvenir, de juger, de s’organiser ou d’être en désaccord, elle peut améliorer l’efficacité à court terme tout en affaiblissant la résilience à long terme de la société.
05 La ligne de partage n’est pas de savoir si les gens ont l’IA, mais qui peut l’utiliser et la gouverner
Le risque de durabilité le plus profond n’est souvent pas la technologie elle-même. C’est la répartition inégale de ses bénéfices et de ses risques.
L'informatique avancée, les données, les talents et les infrastructures sont concentrés dans un nombre relativement restreint de pays et d'entreprises. Les régions les plus riches peuvent utiliser l'IA pour la modélisation climatique, le dépistage médical et l'éducation personnalisée. Les régions moins bien dotées en ressources peuvent recevoir des systèmes externes qui notent, surveillent ou classifient les personnes sans qu'elles aient un rôle significatif dans leur conception, leur audit ou leur gouvernance.
Cela peut reproduire les inégalités existantes. Les personnes disposant de plus de données reçoivent de meilleurs services. Les organisations disposant de plus de ressources gagnent en efficacité. Les groupes vulnérables deviennent plus susceptibles d'être prédits, catégorisés et gérés.
Un programme de durabilité de l’IA ne peut donc pas se concentrer uniquement sur le déploiement. Il doit aussi renforcer les capacités publiques : des normes ouvertes, une infrastructure abordable, des systèmes multilingues, des connaissances locales, une recherche d’intérêt public et des mécanismes permettant aux gouvernements, aux écoles, aux communautés et aux organisations de la société civile d’inspecter les systèmes importants.
L’équité n’est pas un « mode bien public » ajouté une fois qu’un produit est terminé. Elle commence par la définition du problème, les données, le contexte de déploiement, le modèle de tarification et la manière dont les défaillances sont gérées.
Le même principe s'applique à l'IA personnelle. Un compagnon utile ne devrait pas transformer le contexte d'une personne en une cage propriétaire. Il devrait rendre le contexte plus utilisable tout en laissant la propriété, la correction et la direction à la personne.
06 Faire de l'IA un collaborateur à long terme
Si l'IA doit soutenir le développement durable, nous avons besoin de principes suffisamment simples à utiliser et suffisamment stricts pour compter.
Commencez par la valeur publique, puis choisissez le modèle
Ne commencez pas par « Pouvons-nous ajouter un modèle ici ? » Commencez par « Quel problème réel mérite d'être résolu ? » Un système qui réduit la charge administrative des infirmières ne devrait pas être évalué selon la même mesure qu'un système qui ne fait qu'ajouter du contenu à un flux déjà saturé.
Intégrer le coût du cycle de vie dans les décisions produit
Le coût comprend plus qu'une facture d'API. Il inclut l'énergie, le matériel, la gouvernance des données, la maintenance, la migration, la formation et le coût social des erreurs. Dans les contextes à fort impact, l'évaluation du cycle de vie devrait être aussi importante que l'évaluation des fonctionnalités.
Montrer l'incertitude à la personne qui prend la décision
Les systèmes durables ne peuvent pas prétendre être certains en permanence. Le niveau de confiance, la fraîcheur des données, le domaine d'applicabilité et les modes de défaillance connus devraient être visibles au moment où les gens agissent. Dire honnêtement « je ne sais pas » est souvent plus utile que de donner une réponse fluide mais erronée.
Laisser les personnes concernées participer à la conception
Les personnes qui sont évaluées, servies ou gérées par un système ne devraient pas exister uniquement comme des lignes dans un jeu de données. Les enseignants, les infirmiers, les travailleurs, les agriculteurs, les personnes handicapées et les organisations communautaires ont besoin d'une véritable voix dans la conception, les tests et l'examen.
Préserver le droit de sortir et de corriger
Tous les flux de travail n'ont pas besoin d'être automatisés. Tous les flux de travail automatisés ne devraient pas être irréversibles. Les services essentiels ont besoin de canaux alternatifs, d'une revue humaine et d'un processus de recours traçable.
Mesurer la maturité par ce que le système choisit de ne pas faire
Un produit d'IA mature ne confie pas de plus en plus de décisions à un modèle. Il sait quelles décisions doivent rester humaines. Réduire la génération, les notifications et les boucles de décision inutiles est aussi un progrès.
07 La question finale reste : quel genre de personnes voulons-nous devenir ?
La technologie tend à amplifier la manière dont les organisations fonctionnent déjà.
Si nous traitons l'éducation comme une production de réponses, le travail comme un ensemble de tâches compressibles, la nature comme un actif à optimiser et les personnes comme des utilisateurs prévisibles, l'IA accélérera ces hypothèses.
Mais si nous considérons l’éducation comme la cultivation du jugement, le travail comme une création partagée, la nature comme un système avec lequel nous devons vivre, et les personnes comme des êtres dignes, relationnels et en partie inconnaissables, l’IA peut nous aider à protéger le temps, à voir la complexité, à collaborer à distance et à faire place à des objectifs à long terme.
Le développement durable n’a jamais signifié rendre le monde infiniment efficace. Il signifie préserver la capacité de l’humanité à choisir, à réparer les relations et à prendre soin de l’avenir sur une planète finie.
Que l’IA devienne ou non un partenaire dans ce travail dépend des tâches, des limites et des institutions que nous lui donnons. Les modèles continueront de se renforcer. Mais aucun modèle ne décidera à notre place de ce qui vaut la peine d’être fait.
Cette partie nous appartient encore.
Références
- Groupe d'experts intergouvernemental sur l'évolution du climat (GIEC). Rapport de synthèse AR6 : Changement climatique 2023. 2023. https://www.ipcc.ch/report/ar6/syr/
- Nations Unies. Transformer notre monde : le Programme 2030 et les Objectifs de développement durable. 2015. https://sdgs.un.org/2030agenda
- Agence internationale de l'énergie (AIE). Électricité 2024 : Analyse et prévisions jusqu'en 2026. 2024. https://www.iea.org/reports/electricity-2024
- Agence internationale de l'énergie (AIE). Énergie et IA. 2025. https://www.iea.org/reports/energy-and-ai
- Gmyrek, P., Berg, J., & Bescond, D. L'IA générative et l'emploi : une analyse mondiale des effets potentiels sur la quantité et la qualité des emplois. Document de travail 96 de l'OIT, Organisation internationale du travail, 2023.
- UNESCO. Recommandation sur l'éthique de l'intelligence artificielle. 2021. https://www.unesco.org/en/legal-affairs/recommendation-ethics-artificial-intelligence
- Programme des Nations Unies pour l'environnement (PNUE). Rapport sur l'écart d'émissions 2024 : Assez de paroles en l'air... s'il vous plaît !. 2024. https://www.unep.org/resources/emissions-gap-report-2024
- Institut Stanford pour l'intelligence artificielle centrée sur l'humain. Rapport AI Index 2025. 2025. https://hai.stanford.edu/ai-index/2025-ai-index-report
- OCDE. Principes de l'OCDE sur l'IA. Mis à jour en 2024. https://oecd.ai/en/ai-principles