Summary:
La transition vers une industrie plus durable soulève la question des choix technologiques à effectuer entre solutions low?tech, privilégiant sobriété et robustesse, et outils high?techs fondées sur l’intelligence artificielle (IA). Si ces dernières sont souvent présentées comme des leviers de performance, leurs coûts énergétiques et environnementaux constituent des enjeux scientifiquement documentés.
Avant la démocratisation des grands modèles de langage, des cheur.euse.s alertaient sur les coûts financiers et environnementaux liés à l'entraînement et à l'inférence de modèles de deep learning appliqués au traitement du langage naturel (Strubell, Ganesh, & McCallum, 2019), conduisant au développement d'outils de mesure des émissions carbone pour faciliter le reporting extra-financier (Lacoste, Luccioni, Schmidt, & Danders, 2019), (Henderson, et al., 2020). Van Wynsberghe (2021) souligne qu'une IA au service du développement durable ne peut être envisagée sans garantir la durabilité de l'IA elle-même. À ces préoccupations s'ajoute le risque d'effet rebond : un modèle plus efficient peut inciter à multiplier les expériences d'entraînement, annulant ainsi les gains environnementaux escomptés (Wright, Igel, Samuel, & Selvan, 2025). Au-delà de l’empreinte matérielle et énergétique, l’IA engendre des impacts immédiats via ses usages et provoque des changements sociétaux (Kaack, et al., 2022).
C'est dans ce cadre que s'inscrit le projet Smart Quality for Sustainability (Smart Q4S), qui explore le déploiement d'agents digitaux intelligents fondés sur des architectures LLM?RAG (Large Language Model – Retrieval?Augmented Generation) pour améliorer la gestion de la qualité en petites moyennes entreprises (PME) industrielles. Ces agents exploitent des bases de connaissances textuelles et des données de production afin d'accélérer la résolution des problèmes qualité, prévenir les dérives et capitaliser le savoir-faire opérationnel.
La méthodologie analyse la capacité de ces systèmes à opérer dans des environnements contraints (confidentialité des données, rareté des anomalies, maîtrise des ressources numériques et énergétiques) en les articulant à des méthodes low?tech éprouvées telles que des standards qualité et des processus organisationnels sobres. L'évaluation s'appuie sur un cadre adapté de Liao, Lan & Yao (2022) : identification du périmètre applicatif, sélection de catégories d'impact pertinentes dans l’environnemental et le social, choix d'indicateurs de performance, collecte de données, puis quantification de l'impact net par comparaison à une valeur de référence. Cette démarche permet d'ajuster le niveau technologique au strict nécessaire et d'évaluer la proportionnalité entre bénéfices de performance et coûts environnementaux et sociaux du déploiement.
Les premiers résultats montrent que l'hybridation low?tech / high?tech renforce l'aide à la décision et s'intègre aux pratiques industrielles existantes sans introduire de complexité excessive. La dimension sociale du projet tel que la réduction de la pénibilité et l’acceptabilité du système est considérée et les critères environnementaux comme les déchets de production sont mesurés. Ainsi, le projet se positionne dans un contexte d’IA durable axée directement sur l’écologie et indirectement sur la durabilité sociale (Zechiel, Blaurock, Weber, Buettgen, & Coussement, 2024). Cette contribution ouvre des perspectives concrètes pour une industrie conciliant sobriété numérique, performance opérationnelle et durabilité.
Help
SWITCH edu-ID
Administration
