L’empreinte IA de Sweep : une démarche de transparence par l’analyse du cycle de vie

L’intelligence artificielle transforme la façon dont les entreprises abordent leurs enjeux de durabilité, mais elle a elle-même un coût environnemental. À mesure que l’IA devient incontournable pour la gestion des données ESG et le reporting des émissions, les responsables durabilité se trouvent face à une tension réelle : les outils qui les aident à mesurer leurs empreintes carbone ont eux-mêmes une empreinte carbone.

C’est pourquoi l’on a réalisé notre propre Analyse du Cycle de Vie (ACV), en portant une attention particulière à nos fonctionnalités IA. L’objectif était simple : mesurer l’impact environnemental de la plateforme avec des données crédibles et méthodologiquement solides, auxquelles nos équipes comme nos clients pourraient se fier.

Pourquoi nous avons mesuré notre empreinte numérique

Cette ACV a été motivée par deux raisons.

• D’un côté, la question de l’empreinte carbone de l’IA est plus en plus scruté, avec des interrogations légitimes sur le coût environnemental des grands modèles de langage.
• De l’autre, cette démarche s’inscrit dans notre engagement Climate Compass 2025 et notre politique de transparence.

Notre étude a suivi les cadres ACV standard adaptés aux services numériques, en s’appuyant sur la Règle de Catégorie de Produit de l’ADEME pour les services cloud comme fondation méthodologique. Cette règle fournit un standard reconnu par le secteur qui garantit des résultats cohérents, comparables et crédibles auprès des auditeurs et des équipes RSE. 

Ce que nous avons mesuré et comment

Nous avons suivi une approche “cradle-to-gate” en nous concentrant sur notre infrastructure cloud : Amazon Web Services pour les charges de calcul et d’IA, et Snowflake pour le stockage et l’analyse des données. C’est là que les émissions numériques se produisent en majorité, dans des serveurs fonctionnant en continu, eux-mêmes localisés dans des centres de données.

Le processus a consisté à définir des périmètres clairs, à collecter les données d’émissions et d’énergie auprès de nos fournisseurs d’infrastructure, à convertir ces données en CO₂ équivalent à l’aide de facteurs d’émission pertinents, puis à calculer l’impact par unité fonctionnelle. L’ensemble de l’étude a fait l’objet d’une revue interne structurée portant sur le périmètre, la qualité des données et leur interprétation.

Définir les paramètres

Les appareils des utilisateurs et la transmission des données ont été exclus car les données fiables n’étaient pas disponibles avec la granularité nécessaire. Notre principe directeur a été clair : si on ne peut pas le mesurer correctement, on ne réalise pas d’estimations. Intégrer des données de mauvaise qualité aurait compromis la crédibilité des résultats.  Se concentrer sur ce qui est significatif et mesurable est une pratique ACV assez classique.

Nous avons centré notre analyse sur AWS et Snowflake parce qu’ils représentent la part la plus importante des dépenses opérationnelles, et le coût est un indicateur fiable de l’importance environnementale. D’autres outils comme GitHub, Dust, Datadog ou Slack ont été exclus car leurs données d’émissions ne sont pas disponibles publiquement au niveau de détail requis.

Deux indicateurs pour deux usages

Sweep remplissant deux fonctions distinctes, nous avons retenu deux unités fonctionnelles. La première, en kg CO₂e par mesure, reflète l’usage principal de la plateforme : le dépôt ou la soumission d’une donnée de durabilité. La seconde, en kg CO₂e par crédit Sweepy (notre agent IA), isole la couche IA et permet de se comparer à d’autres grands modèles de langage.

Cette double approche permet des conversations différentes avec des interlocuteurs différents : l’une sur l’efficacité de la plateforme, l’autre sur la durabilité de l’IA. Pour nos clients, cela signifie qu’ils peuvent désormais intégrer la plateforme Sweep dans leur propre reporting d’émissions sur la chaîne de valeur, notamment dans la catégorie des logiciels achetés. L’indicateur par crédit Sweepy leur permet de comprendre le coût environnemental de leurs tâches assistées par IA.

La quasi-totalité de nos émissions provient d’infrastructures que nous ne possédons pas directement. La majorité de l’impact provient des services hébergés sur AWS, ce qui signifie que les décisions de configuration de l’infrastructure constituent le principal levier de réduction. C’est d’ailleurs un point important : Sweep peut agir sur ces émissions, via des choix comme la région cloud, la sélection des services ou l’optimisation des requêtes, mais sans en avoir le contrôle direct.

Un point technique mérite aussi d’être précisé. Notre compte AWS Production Valohai gère deux types de charges de travail, l’IA (fonctionnalités basées sur des LLM comme Sweepy) et le machine learning (modèles prédictifs traditionnels). Les deux partagent la même infrastructure de calcul, et nous utilisons actuellement une répartition estimée à 30/70 entre ces usages. Cette hypothèse est significative car la consommation de calcul cloud est le principal facteur d’impact environnemental dans notre modèle. Remplacer cette estimation par une mesure directe de la consommation est notre priorité d’amélioration numéro un.

Comprendre les limites

Toute ACV a ses limites, et la transparence à leur sujet est essentielle. Les nôtres sont les suivantes :

• Un périmètre partiel excluant les appareils des utilisateurs et les émissions réseau
• Un modèle AWS propriétaire que nous ne pouvons pas auditer complètement
• Une répartition IA/ML à 30% basée sur une estimation plutôt que sur une mesure directe.

Les résultats restent cepdnant valides comme base de référence. Nous les présentons toujours avec les hypothèses sous-jacentes clairement énoncées, jamais comme des chiffres isolés. La réalisation de ces analyses complémentaires est une priorité pour les prochaines itérations, ce qui nous permettra, à nous et à nos clients, de gagner en confiance progressivement.

Les prochaines étapes

Nous avons identifié 4 priorités pour la prochaine version :

• Intégrer les émissions liées à la transmission des données
• Décomposer les coûts matériels intégrés dans AWS
• Remplacer l’hypothèse des 30 % IA/ML par des données mesurées
• Élargir le périmètre Snowflake.

Cette étude est une première étape, qui constitue pour nous une base documentée.

Nous nous engageons à faire appel à un évaluateur tiers pour examiner la prochaine itération, ce qui renforcera un peu plus la crédibilité de notre reporting de durabilité.

Ce que cela signifie pour le secteur

Les émissions numériques peuvent être mesurées, tout comme les déplacements, la consommation d’énergie ou les émissions de la chaîne d’approvisionnement. L’IA devient indispensable au travail de durabilité moderne, mais ignorer son empreinte environnementale irait à l’encontre des objectifs mêmes que les entreprises cherchent à atteindre.

L’idée n’est pas d’éviter l’IA, mais plutôt de l’utiliser de façon réfléchie, d’en mesurer l’impact en toute transparence, et de prendre les bonnes décisions sur où et comment la déployer. Conçue dans cet esprit, l’IA peut faire avancer la durabilité sans en devenir elle-même un problème.