- Définir le service rendu, les personnes concernées et le périmètre des effets examinés.
- Distinguer les bénéfices attendus, les ressources mobilisées et les changements réellement observés.
- Organiser le suivi et la révision des choix, sans réduire des effets différents à un score unique.
Décrire le projet et ce qui change avec lui.
L’ambition d’une IA durable doit pouvoir rejoindre une situation précise. Quel service est rendu ? À qui ? Quel travail change ? Quelles ressources et quelles dépendances sont mobilisées ? Ces questions permettent de définir un périmètre d’examen. Elles évitent qu’un bénéfice général attendu tienne lieu d’observation sur le projet effectivement développé.
La comparaison demande également un point de référence. Un système peut être examiné face au fonctionnement actuel, à une autre conception ou à un périmètre plus limité. Ces situations ne sont pas interchangeables. Il faut préciser la qualité du service, les volumes et les effets inclus dans la comparaison. Une solution moins consommatrice par tâche peut être utilisée beaucoup plus souvent ; l’évolution totale mérite alors une lecture distincte.
Le périmètre peut évoluer à mesure que le projet se développe. Il doit rester visible, avec ses exclusions et ses incertitudes. L’ambition n’est pas de tout mesurer immédiatement. Elle consiste à organiser une progression : ce que l’on sait, ce que l’on observe, ce que l’on doit encore examiner et les décisions que ces connaissances permettront de préparer.
Quatre regards sur une même trajectoire.
Le regard humain porte sur les personnes et leurs possibilités d’action : compréhension, apprentissage, charge de travail, inclusion et capacité à discuter un résultat. Le regard organisationnel examine la coopération, les responsabilités, la qualité du service et les conditions de continuité. Une amélioration locale peut entraîner un effort supplémentaire ailleurs ; le périmètre doit permettre de le voir.
Le regard sociétal interroge les effets au-delà de l’équipe ou du groupe : accès au service, situations d’exclusion, relations avec les partenaires et conséquences possibles pour d’autres personnes. Le regard environnemental porte sur les ressources et les effets associés au fonctionnement retenu. Il demande des données adaptées au périmètre et une attention aux limites des estimations.
Ces quatre regards composent une grille originale Khaleo. Le PNUD relie le développement de l’IA aux capacités humaines, aux écosystèmes inclusifs, à la confiance et au calcul durable. Cette orientation éclaire notre réflexion. Notre grille et Horizon 2030 sont des initiatives propres à Khaleo ; elles ne constituent pas une validation ou un partenariat avec le PNUD.
Cadre original Khaleo, sans score universel ni compensation automatique entre les dimensions. Chaque observation demande un périmètre, une méthode et des limites explicites. Aucun impact de Khaleo n’est chiffré dans cette illustration.
Télécharger l’infographie (SVG) ↓Examiner les ressources à la bonne échelle.
Les choix de conception peuvent porter sur la fréquence des traitements, le volume de données, la complexité des modèles, les réutilisations possibles et les conditions d’hébergement. Leur pertinence doit être appréciée avec la qualité attendue du service. Une réduction de ressources qui dégrade un usage important ou multiplie les reprises demande d’être réexaminée dans son ensemble.
Le rapport Key Questions on Energy and AI de l’AIE, publié en avril 2026, éclaire les liens entre développement de l’IA, énergie et infrastructures. Il distingue notamment les évolutions d’efficacité et la croissance des usages, dans un contexte d’incertitude. Ses analyses globales ne permettent pas de mesurer directement l’empreinte d’une application particulière.
Une lecture de projet doit préciser ce qui est mesuré, estimé ou inconnu. Les ressources de calcul, la consommation d’électricité et les émissions associées ne sont pas une seule et même mesure. Leur interprétation dépend des données disponibles, du lieu, de la période et de la méthode retenue. Les limites doivent accompagner le résultat, particulièrement lorsque des estimations servent à comparer plusieurs options.
Lire une transformation à travers ses effets concrets.
Exemple fictif. Une organisation envisage une assistance IA pour préparer des dossiers de maintenance. Le bénéfice attendu est une meilleure disponibilité des informations utiles à l’intervention. Le projet transforme aussi le travail de préparation, la validation des priorités et la circulation des connaissances entre équipes. Ces effets doivent être décrits avant de conclure sur son utilité d’ensemble.
Côté humain, l’observation peut porter sur la compréhension des propositions, les corrections et l’effort de vérification. Côté organisation, elle peut examiner la qualité des dossiers, les reprises et les changements de coordination. Côté société, il faut considérer les personnes affectées par les interventions et les situations où un service devient moins accessible. Côté environnement, le périmètre pourrait inclure les traitements numériques et, si les données le permettent, les changements de déplacements ou d’utilisation des équipements.
Ces observations ne s’additionnent pas spontanément. Une économie estimée d’un côté ne compense pas automatiquement un effet négatif d’une autre nature. Les arbitrages doivent conserver les dimensions qui les motivent. Cet exemple propose des questions à instruire ; il ne décrit aucun effet mesuré ni aucun résultat de Khaleo.
Donner une responsabilité aux observations.
Un cadre d’impact devient utile lorsque les observations peuvent modifier une décision. Pour chaque question importante, il faut préciser qui suit l’effet, à quel moment et avec quelles informations. Les personnes concernées doivent pouvoir signaler une difficulté ou une conséquence inattendue. La qualité du dialogue compte autant que la présence d’un indicateur.
Le suivi gagne à conserver trois niveaux : les effets attendus, les actions réellement engagées et les changements observés. Un résultat peut être compatible avec l’ambition initiale sans démontrer qu’il a été causé par le projet. Les autres facteurs, les effets différés et les personnes peu représentées dans les observations doivent rester dans la discussion.
Les suites peuvent prendre plusieurs formes : poursuivre une observation, modifier une conception, réduire le périmètre, renforcer un accompagnement ou suspendre une fonction. Le cadre doit permettre ces décisions et garder la trace de leurs raisons. La recherche d’un résultat favorable ne doit pas conduire à modifier silencieusement les critères selon lesquels on l’apprécie.
Relier l’engagement de la holding à une progression documentée.
Une holding peut donner une continuité à cette démarche en reliant ses orientations d’investissement, sa recherche et le développement de ses activités. Les effets ne seront pas identiques selon les plateformes, les missions et les contextes. Une lecture commune doit permettre de partager les questions et les méthodes tout en conservant les particularités des situations.
Horizon 2030, programme Khaleo en structuration, donne une place à ces dimensions à travers six axes de travail. Les chantiers, leurs responsabilités et leurs effets restent à construire et à documenter. Les Objectifs de développement durable constituent des repères pour interroger la contribution ; leur présence ne démontre pas un impact atteint.
Investir durablement dans l’IA engage ainsi une manière de construire, d’observer et de réviser. La profondeur technologique et la responsabilité peuvent se nourrir lorsque les effets réels entrent dans la recherche et dans les décisions. C’est cette continuité entre ambition, réalisations et enseignements que nous souhaitons faire progresser.
Une perspective, avec ses appuis.
Analyse originale Khaleo, publiée le 30 octobre 2026. Les sources externes soutiennent les constats explicitement cités ; les propositions et cadres Khaleo relèvent de notre analyse. Les dates et limites des observations sont conservées. Les exemples fictifs sont identifiés comme tels.
- AIE — Key Questions on Energy and AI, 16 avril 2026 ↗
- PNUD — AI for Sustainable Development, consulté le 30 octobre 2026 ↗
Les éléments chiffrés ne constituent pas une prévision de résultat pour une autre organisation. Les cadres sont à adapter au contexte et aux expertises nécessaires.
Appliquons cette réflexion à votre contexte
