Sommaire
Le sujet mis en avant par ZDNET place deux angles au centre du débat numérique du 29 juillet 2026: le manque de transparence de la GenAI et la place encore limitée de l’AI for Green. Les entreprises accélèrent leurs usages d’IA générative, mais peinent à documenter les modèles, les données et les impacts énergétiques associés. Cette tension concerne les directions informatiques, les équipes juridiques, les métiers et les fournisseurs technologiques, dans un contexte où les régulateurs demandent davantage de preuves.
ZDNET pointe l’opacité persistante des projets GenAI
Le constat relayé par ZDNET rejoint une préoccupation de plus en plus fréquente dans les entreprises: la GenAI progresse vite, mais sa gouvernance avance plus lentement. Les assistants de rédaction, les outils de recherche documentaire, les copilotes de développement et les agents conversationnels sont déployés dans de nombreux services. Leur fonctionnement réel reste parfois mal expliqué aux utilisateurs, y compris dans les organisations qui se présentent comme matures sur le numérique.
La difficulté tient d’abord à la structure des modèles propriétaires. Les fournisseurs communiquent sur les performances, la rapidité de génération ou la qualité des réponses, mais livrent rarement une description précise des corpus, des mécanismes de filtrage et des choix d’entraînement. Pour un responsable informatique, cette zone grise rend plus complexe l’évaluation du risque. Pour une direction juridique, elle complique la vérification des droits attachés aux contenus produits ou réutilisés.
Sur le terrain, les équipes mettent souvent en place des règles internes: interdiction de saisir des données sensibles, validation humaine obligatoire, limitation des usages à certains cas métier. Ces garde-fous sont utiles, mais ils ne remplacent pas des audits internes documentés. Sans journalisation claire des requêtes, des sources mobilisées et des corrections humaines, il devient difficile de comprendre comment une réponse a été produite. Cette question prend une dimension particulière dans les secteurs de la santé, de la banque, de l’assurance ou des services publics.
Le manque de transparence nourrit aussi une forme de prudence chez les salariés. Certains utilisent les outils sans les déclarer, d’autres refusent d’y recourir faute d’informations suffisantes. Entre ces deux attitudes, les directions cherchent un équilibre. Elles doivent encourager la productivité sans banaliser des systèmes qui peuvent générer des erreurs crédibles, reprendre des biais existants ou produire des formulations trompeuses. La confiance dépend moins des promesses commerciales que de preuves vérifiables et compréhensibles par les métiers.
Bruxelles renforce la pression sur la traçabilité des données
La question de la transparence ne relève plus seulement de la bonne pratique. En Europe, l’AI Act impose une montée en rigueur sur l’information fournie aux utilisateurs, la documentation des systèmes et l’encadrement des usages à risque. Les entreprises qui achètent ou intègrent des solutions d’IA générative doivent pouvoir expliquer le rôle de ces outils dans leurs processus. Cette exigence modifie les discussions avec les éditeurs, les intégrateurs et les plateformes cloud.
La traçabilité des données d’entraînement reste un point sensible. Les organisations veulent savoir si leurs propres données peuvent servir à améliorer un modèle, si les conversations sont conservées, si des contenus protégés ont été utilisés lors de la conception du service. Les réponses contractuelles existent, mais elles restent parfois formulées en termes larges. Les directions achats demandent donc des clauses plus précises, notamment sur l’hébergement, la suppression des données, les sous-traitants et les transferts hors de l’Union européenne.
Le RGPD ajoute une couche de contrainte, surtout lorsque les outils traitent des données personnelles. Un chatbot RH, un outil d’aide au service client ou un système d’analyse de courriels peut manipuler des informations nominatives. Dans ce cas, la base légale, la minimisation des données et la durée de conservation doivent être définies. Les responsables de la conformité ne peuvent pas se contenter d’une mention générale indiquant que l’IA améliore la productivité.
Les fournisseurs cloud sont directement concernés, car ils concentrent une large part des infrastructures utilisées pour entraîner ou exécuter les modèles. Les clients demandent davantage de métriques: localisation des traitements, niveaux de chiffrement, consommation estimée, capacité d’isoler les données d’un client à l’autre. Cette demande ne traduit pas un rejet de l’innovation. Elle marque plutôt l’entrée de la GenAI dans une phase industrielle, où les outils doivent être contrôlables, auditables et compatibles avec les obligations réglementaires.
L’AI for Green perd du terrain dans les budgets numériques
L’autre angle signalé par ZDNET concerne l’AI for Green, un domaine souvent cité dans les discours de transformation, mais moins visible dans les arbitrages budgétaires. L’expression désigne l’usage de l’intelligence artificielle pour réduire l’empreinte environnementale: optimisation énergétique des bâtiments, réduction des tournées logistiques, pilotage fin des réseaux électriques, détection de fuites d’eau ou prévision des besoins industriels. Ces cas existent, mais ils restent moins financés que les usages centrés sur la productivité immédiate.
La comparaison avec l’IA générative commerciale est parlante. Un outil capable de résumer des documents, de générer des contenus marketing ou d’assister des développeurs promet un retour rapide et mesurable. Un projet destiné à réduire les émissions carbone exige souvent plus de capteurs, plus de données terrain et une coordination avec les services opérationnels. Les gains sont parfois réels, mais plus longs à démontrer. Dans une période de tension sur les budgets informatiques, les directions privilégient les projets dont l’effet sur les coûts apparaît dans l’année.
Ce choix crée un paradoxe. Les grands groupes publient des engagements climatiques, mais l’investissement dans la sobriété numérique demeure variable. Les modèles de GenAI consomment des ressources de calcul importantes, tandis que les projets qui permettraient de réduire d’autres consommations énergétiques progressent moins vite. Les responsables RSE le constatent: le numérique durable n’est pas toujours associé aux mêmes budgets que l’innovation commerciale, alors que les deux sujets devraient être examinés ensemble.
Les datacenters concentrent cette tension. Leur efficacité énergétique s’améliore, mais la demande de calcul continue d’augmenter avec les modèles de grande taille, l’inférence massive et les usages en continu. Les entreprises doivent donc arbitrer entre performance, coût et impact environnemental. L’AI for Green peut apporter une réponse concrète, à condition de sortir d’une logique de vitrine. Les projets les plus solides associent données industrielles, objectifs mesurables et suivi des économies réelles, plutôt qu’une simple mention dans un rapport annuel.
DSI et métiers cherchent des indicateurs communs
Face à ces deux problèmes, manque de transparence et faible priorité donnée à l’AI for Green, les DSI se retrouvent en position d’arbitres. Elles doivent répondre à la pression des métiers, attirés par les gains de productivité, tout en construisant un cadre plus robuste. La seule interdiction des outils externes ne fonctionne plus durablement. À l’inverse, une ouverture totale sans règles expose l’entreprise à des risques juridiques, opérationnels et réputationnels.
Le travail le plus urgent consiste à créer des tableaux de bord lisibles. Ils doivent mesurer le nombre de cas d’usage, les données traitées, les incidents, le niveau de validation humaine et les coûts d’exécution. Pour la dimension environnementale, ils peuvent intégrer la consommation estimée, le type d’infrastructure utilisée et les gains obtenus quand l’IA réduit des déplacements, des pertes ou des consommations. Ces indicateurs ne sont pas parfaits, mais ils donnent un langage commun aux métiers, aux équipes techniques et aux comités exécutifs.
Les directions métiers ont aussi un rôle central. Un service marketing ne porte pas les mêmes risques qu’une équipe médicale ou qu’un département chargé du crédit. Les règles doivent donc être adaptées aux usages. Un outil interne d’aide à la rédaction peut accepter une marge d’erreur corrigée par l’humain. Un système qui influence une décision client ou patient nécessite un niveau de contrôle supérieur. Cette hiérarchisation évite de bloquer tous les projets tout en protégeant les domaines sensibles.
Les achats deviennent un levier décisif. Les entreprises peuvent demander des engagements sur la documentation, la réversibilité, la localisation des données et les bilans énergétiques. Les achats responsables ne se limitent plus aux équipements physiques ou aux contrats d’électricité. Ils concernent désormais les logiciels, les API et les modèles d’IA. Les fournisseurs capables d’expliquer clairement leurs pratiques disposeront d’un avantage auprès des grands comptes, surtout quand les comités d’audit et les investisseurs demanderont des preuves plus détaillées.
Cette évolution impose une discipline nouvelle au marché. La GenAI ne peut plus être présentée uniquement comme une accélération technologique. Elle devient un objet de gouvernance, avec des coûts, des risques, des droits et une empreinte environnementale. L’AI for Green, de son côté, devra prouver sa valeur dans des projets concrets et mesurables. Les organisations qui relient ces deux sujets pourront avancer avec moins d’incertitude et davantage de crédibilité auprès de leurs salariés, de leurs clients et des autorités de contrôle.
Questions fréquentes
- Pourquoi la transparence de la GenAI devient-elle prioritaire ?
- Elle permet de comprendre quelles données sont traitées, comment les réponses sont produites et quels contrôles humains existent. Cette transparence réduit les risques juridiques, opérationnels et réputationnels.
- Que recouvre l’expression AI for Green ?
- Elle désigne les usages de l’intelligence artificielle destinés à réduire l’impact environnemental, comme l’optimisation énergétique, la baisse des trajets inutiles ou le pilotage plus fin des ressources.
- Comment une entreprise peut-elle encadrer ses usages de GenAI ?
- Elle peut définir des règles d’usage, journaliser les requêtes sensibles, imposer une validation humaine, vérifier les contrats fournisseurs et suivre des indicateurs de coût, de risque et d’impact énergétique.
- Chrome, Firefox, Safari, les paramètres simples pour réduire les aperçus IA, ce que Google Search impose vraiment - juillet 29, 2026
- GenAI opaque, modèles mal documentés, AI for Green négligée, ce que ZDNET révèle aux entreprises sous pression en 2026 - juillet 29, 2026
- 29 juillet 2026, IA en recul à Séoul, Europe portée par les résultats, ce que le pétrole cher révèle en Bourse - juillet 29, 2026
