D. PROPORTIONNER LES MOYENS AUX OBJECTIFS
1. La prise en compte du bilan environnemental pour une IA durable
Les collectivités territoriales se doivent d'être exemplaires en matière d'empreinte carbone et de transition écologique. L'impact environnemental de l'IA représente un enjeu important à leur niveau, mais aussi à l'échelle mondiale. En 2019, par exemple, l'université du Massachusetts a calculé que l'entraînement d'une IA équivalait, en CO2, aux émissions de 205 trajets allers-retours entre Paris et New York en avion18(*). En 2023, une étude de l'université américaine du Colorado a calculé que 25 questions posées à ChatGPT équivalaient à dépenser un demi-litre d'eau douce19(*). À titre comparatif, une question posée à ChatGPT consomme dix fois plus d'énergie qu'une recherche sur un moteur de recherche tel que Google.
Dans leur étude sur l'empreinte environnementale du numérique20(*), l'Agence de l'environnement et de la maîtrise de l'énergie (ADEME) et l'Autorité de régulation des communications électroniques, des Postes et de la distribution de la presse (ARCEP) estimaient en 2023 à 2,5 % le poids du numérique dans l'empreinte carbone de la France. Cette estimation correspondait à 17,2 millions de tonnes d'équivalent CO2 et 20 millions de tonnes de déchets. « Si l'on ne faisait rien, cette empreinte carbone représenterait 7 % sans même compter l'IA, c'est-à-dire que l'effort de décarbonation que l'on a prévu sur le transport routier compenserait à peine ce que le déploiement de l'usage du numérique va générer. Si l'on ajoute les effets de l'IA, le défi est encore plus grand » relève Amélie Coantic, directrice adjointe du Commissariat général au développement durable (CGDD), lors de son audition par vos rapporteures le 11 décembre 2024.
L'impact environnemental de l'IA est en effet non
négligeable.
On songe bien évidemment, en premier lieu,
à l'empreinte carbone liée à la consommation
énergétique pour « faire tourner les
modèles » d'IA. Mais l'incidence sur
la ressource en eau est également significative :
la production des puces électroniques (microprocesseurs) consomme
de l'eau, tout comme le refroidissement des serveurs hébergés
dans les centres de données (data center). En outre, la
fabrication des matériels (terminaux, écrans, tablettes,
smartphones...), sans lesquels l'IA ne serait pas accessible, puise dans
les ressources minérales (silicium, germanium...).
La difficulté extrême pour une collectivité territoriale réside dans sa capacité à évaluer cet impact environnemental, lorsqu'elle souhaitera s'engager dans un projet à base d'IA. Jusqu'à très récemment, il n'existait encore aucun référentiel pour le mesurer. Afin de sortir de l'impasse, le CGDD a pris l'initiative d'élaborer un tel référentiel mettant à disposition le premier cadre de référence opérationnel sur l'IA dite « frugale », c'est-à-dire sobrement consommatrice de ressources (énergie, eau, matières premières). Lancée en janvier 2024 dans le cadre de la feuille de route « IA et transition écologique », cette initiative a été conduite par le laboratoire Ecolab du CGDD. Elle a débouché, en juin 2024, sur la publication d'un « Référentiel général pour l'IA » sous l'égide de l'Association française de normalisation (AFNOR).
Ce référentiel constitue un point d'appui à la responsabilité sociale et environnementale des utilisateurs de l'IA, parmi lesquels les collectivités. Il a le mérite de fournir une définition précise des termes et des notions scientifiques, une méthodologie d'évaluation et des fiches de bonnes pratiques.
Parmi ces bonnes pratiques, un point particulier d'attention porte sur la juste définition du besoin à satisfaire avant même d'envisager d'avoir recours à l'IA. Ce besoin existe-t-il réellement ? Aucune solution existante ne peut-elle y apporter déjà une réponse ? L'IA représente-t-elle un passage obligé, ou d'autres voies peuvent-elles être envisagées pour satisfaire le besoin identifié ? En d'autres termes, « l'analyse du besoin doit passer par l'identification de toutes les solutions possibles répondant au besoin, que ce soit les solutions à base d'IA, mais aussi celles plus classiques sans IA ou à base d'IA frugale ou encore celles s'appuyant sur l'existant (en termes de service ou d'infrastucture...) ».
Pour évaluer l'impact environnemental d'un projet IA, une difficulté majeure consiste à prendre en compte l'ensemble du cycle de vie du projet. Souvent, le travers tend à concentrer l'effort d'évaluation sur un unique facteur : l'entraînement de l'IA. Or, si celui-ci est effectivement consommateur en ressources énergétiques, il ne résume pas à lui seul l'impact environnemental d'un système d'IA. En amont, la fabrication des terminaux et des réseaux présente, elle aussi, un coût environnemental. En aval, les mises à niveau ultérieures de l'IA doivent également être prises en considération, tout comme le fonctionnement des serveurs tout au long de la vie du projet.
Pour aider les collectivités à prendre en compte l'impact environnemental de leurs projets IA, vos rapporteures considèrent qu'il serait opportun que les entreprises fournisseuses des collectivités intègrent une évaluation de l'impact environnemental de leur solution IA. Ainsi, les décideurs locaux pourraient-ils recourir à l'IA en sortant du flou concernant son impact environnemental. Lors de son audition le 10 décembre 2024, Franckie Trichet, vice-président de la Métropole de Nantes, chargé de l'Innovation et du numérique, a indiqué que la métropole s'applique à questionner ses fournisseurs / prestataires dans ce sens. Il a relevé avec satisfaction que les entreprises perçoivent positivement cette exigence et tentent de s'y plier aussi bien que possible.
|
Proposition n° 7 : dans l'attribution d'un marché public portant sur un outil IA, prendre en compte le bilan environnemental de cette IA. Délai : 3 ans Acteur(s) : Ministère de la Transition écologique et de la Cohésion des territoires (Ecolab), collectivités territoriales |
Enfin, l'intérêt du référentiel AFNOR consiste à souligner l'importance centrale de la data. En effet, « la consommation de ressources pour entraîner une IA est fonction de la quantité de données qu'elle reçoit pour son entraînement ». Or, des data de bonne qualité permettent de réduire le volume d'entraînement nécessaire, et donc les ressources consommées par cet exercice.
S'assurer de disposer de data de bonne qualité et réduire le volume d'entraînement nécessaire sont autant d'objectifs pouvant être poursuivis par une mutualisation des moyens. Cette mutualisation (de la gestion, du traitement et de la formalisation des données) est assez unanimement souhaitée, ainsi qu'il est ressorti de l'audition par vos rapporteures des associations représentatives des collectivités et de leurs élus le 15 mai 2024. Cette mutualisation est également encouragée par l'Ecolab, qui voit dans l'émergence des Comités territoriaux de la donnée (cf. Partie II.B.2.) l'opportunité de faire vivre l'espace de discussion indispensable à cette mutualisation, comme l'a indiqué Thomas Cottinet, directeur de l'Ecolab, lors de son audition par vos rapporteures le 11 décembre 2024.
Dans cette perspective, vos rapporteures souhaitent insister sur la nécessité de laisser à la main des collectivités l'animation des processus de mutualisation. Les Comités territoriaux de la donnée doivent être pilotés par les collectivités, l'État n'intervenant qu'en tant qu'« acteur ressource » en fournissant des informations et des référentiels (comme par exemple, le « Référentiel général pour l'IA »).
Sans empiéter sur l'autonomie d'action des collectivités, l'État peut également se positionner en tant qu'« ensemblier » pour encourager d'autres collectivités à s'inspirer de projets IA déjà initiés, et ainsi les inciter à « prendre le train de l'IA ». Cette position « d'ensemblier » pourrait alors passer par l'élaboration d'une bibliothèque nationale des projets IA développés par les collectivités.
Créée par l'État, cette « bibliothèque nationale des projets IA développés par les collectivités » correspondrait à une plateforme en ligne sur laquelle les collectivités pourraient saisir leur projet IA et / ou découvrir les projets IA développés par leurs homologues. La saisie de projets IA consisterait à renseigner quelques informations-clefs : la situation de la collectivité, le besoin auquel le projet doit répondre ou encore le coût de ce projet.
En outre, cette plateforme intègrerait une partie « impact environnemental de l'IA » permettant aux collectivités de mieux appréhender les enjeux environnementaux inhérents aux projets IA. Cette partie serait alimentée, notamment, par l'évaluation environnementale du projet IA fournie par l'entreprise au moment de la signature du contrat entre la collectivité et l'entreprise retenue (cf. supra).
Les projets saisis sur la plateforme par les collectivités fonctionneraient alors comme un partage d'expérience entre pairs permettant aux collectivités de disposer de points de comparaison.
Les vertus d'une bibliothèque nationale des projets IA
|
Proposition n° 8 : créer une « bibliothèque nationale des projets IA développés par les collectivités » sous la forme d'une plateforme numérique. Les informations partagées dans cette bibliothèque porteraient par exemple sur l'impact environnemental du projet considéré. Délai : 3 ans Acteur(s) : Ministère de la Transition écologique et de la Cohésion des territoires (Ecolab), collectivités territoriales |
2. Le calibrage de l'investissement
L'irruption de l'IA dans l'univers des collectivités territoriales entraîne des bouleversements considérables dans l'approche des politiques publiques au niveau local. Dès lors, la tentation peut être forte de céder à des phénomènes de mode, ou de suivre le mouvement par simple mimétisme. La pression se fait d'ailleurs sentir de façon croissante sur les élus locaux, de plus en plus ciblés par les acteurs du marché. Les démarchages se multiplient et les opérations de communication marketing se perfectionnent : sondages toujours plus nombreux pour connaître le degré de sensibilisation des décideurs dans les collectivités, création d'observatoires et autres instances facilitant l'accès à ces mêmes décideurs... Cette effervescence peut contribuer à brouiller les esprits et faire perdre de vue l'essentiel dans la décision de s'engager dans un projet IA.
En effet, l'IA a un coût, ou plutôt même des coûts. C'est bien évidemment un investissement financier pour la collectivité, mais c'est aussi un investissement en ressources humaines et un élément à prendre en compte dans le bilan carbone d'une collectivité. À bien des égards, cette nouvelle technologie peut se comparer à la révolution du passage à l'informatique dans les années 1970-1980. Les enseignements tirés de cette révolution peuvent utilement éclairer les enjeux de la transition vers l'IA aujourd'hui.
Un bilan coûts / avantages représente un préalable dans la prise de décision d'investir, ou pas, dans un outil à base d'IA. Pour le dresser, quelques questions de bon sens sont utiles : quel est le besoin précis de la collectivité ? Ce besoin peut-il être satisfait autrement qu'en s'engageant dans l'IA ? Un système d'information (SI) plus classique, robuste et agile, n'est-il pas suffisant ? Le coût financier de l'investissement dans une IA est-il proportionné aux objectifs fixés ? Au fond, ce qu'il convient d'interroger, c'est la réelle utilité du recours à l'IA, au-delà des effets de mode du moment.
Le sujet de la proportionnalité de l'investissement par rapport aux résultats à atteindre mérite une attention particulière. Comme on l'a vu, le volume d'investissement varie selon la taille des données traitées et la sophistication du produit envisagé. Selon les cas, la dépense peut s'élever à quelques milliers d'euros, mais l'addition est aussi susceptible de s'alourdir pour atteindre plusieurs dizaines de milliers d'euros (voire davantage). À cet égard, les décideurs dans les collectivités doivent garder à l'esprit que le coût d'investissement initial se double ensuite d'un coût de fonctionnement annuel. Il s'agit en effet de nourrir et d'entretenir la base de données indispensable à l'IA (mise à jour), ainsi que d'assurer les mises à niveau de l'outil en fonction de l'évolution de la technologie (au risque sinon de travailler avec un outil rapidement devenu obsolète). Le recours à l'IA engage donc les finances de la collectivité sur plusieurs années, ce qui rend nécessaire une évaluation pluriannuelle du coût de cet investissement.
Cette capacité à s'extraire du court terme et à se projeter dans le moyen et long terme sera d'autant plus précieuse qu'elle permet de saisir un autre enjeu autour des produits à base d'IA : la collectivité doit pouvoir s'assurer de la pérennité de l'entreprise avec laquelle elle passe le contrat. Loin d'être accessoire, cette question est au contraire centrale. Le marché de l'IA est un marché émergeant, à très forte croissance, mais qui comporte des risques importants et sur lequel tous les nouveaux entrants ne parviendront pas à survivre économiquement. Si l'on peut raisonnablement penser que les Gafam21(*) continueront à tenir durablement le haut du pavé, qu'en est-il de certaines start ups à la surface financière réduite ? Or, pour la collectivité, la disparition de son cocontractant peut signifier l'incapacité à procéder aux mises à jour et aux mises à niveau indispensables au bon fonctionnement de l'IA. Si le choix du prestataire comporte toujours un risque, celui-ci peut toutefois être réduit en attachant une attention spéciale, dans le cadre de l'appel d'offres, à l'analyse de la recevabilité économique de l'offre. En d'autres termes, en tant que pouvoir adjudicateur, la collectivité devra faire preuve d'une extrême vigilance quant à la solidité économique de l'entreprise candidate. Cette précaution visera à éviter la déconvenue d'une entreprise défaillante en cours de contrat, ou du moins à en limiter le risque.
Une autre manière de circonscrire ce risque consiste à ne pas laisser la collectivité en première ligne dans l'appel d'offres et à confier cette responsabilité à un tiers de confiance. C'est précisément l'intérêt d'une centrale d'achat telle que l'Union des groupements d'achats publics (UGAP). Cette centrale commence à développer une ligne de produits à base d'IA à destination de toutes les administrations publiques, y compris les collectivités territoriales. Par exemple, elle distribue des modèles IA conçus par la société Mistral AI. L'UGAP met ainsi son expertise dans le montage des appels d'offres et la sélection des produits au service des entités publiques. Cette médiation et cet accompagnement peuvent se révéler particulièrement utiles pour les plus petites collectivités territoriales, qui ne disposent pas des compétences juridiques et techniques pour monter un cahier des charges pertinent puis conduire la procédure de sélection des candidats.
Pour les collectivités préférant garder une autonomie totale dans le choix du prestataire, le « Guide Intelligence artificielle et collectivités », publié par la Banque des Territoires22(*), offre une grille d'analyse dont il ressort notamment ces quelques conseils judicieux :
« Investissements : un grand nombre d'acteurs privés propose aujourd'hui des solutions " sur étagère ". Toutes ne sont pas forcément adaptées aux métiers de la collectivité et les solutions sur mesure requièrent souvent un investissement parfois conséquent.
« Il est important également de se tourner vers des écosystèmes d'innovation afin de dépasser les investissements informatiques traditionnels.
« (...)
« Rien ne sert non plus de commencer trop grand. Si de grandes quantités de données peuvent être nécessaires pour certaines applications, il est tout à fait possible de tirer avantage de l'IA en construisant des systèmes fonctionnant avec de petites quantités de données ;
« Il n'est pas nécessaire non plus de partir sur des projets requérant une Intelligence Artificielle de pointe. Les algorithmes aujourd'hui développés, même s'ils ne sont pas parfaits, peuvent tout à fait proposer des solutions rapidement exploitables ».
* 18 Training a single AI model can emit as much carbon as five cars in their lifetimes, Karen Hao, 2019.
* 19 « Making AI Less “Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models », Pengfei Li, Jianyi Yang, Mohammad A. Islam, Shaolei Ren, 2023.
* 20 « Évaluation de l'impact environnemental du numérique en France - Analyse prospective à 2030 et 2050 », ADEME-ARCEP (janvier 2023).
* 21 Google, Apple, Facebook, Amazon et Microsoft.
* 22 Décembre 2019.