6. IA

Titre dans le V2 : 6. ACHATS IA/IAG

6.1 Définition

Pour intégrer efficacement des clauses responsables, il convient de distinguer les deux grandes ruptures technologiques actuelles qui redéfinissent l'usage des systèmes d'information.

6.1.1 L’IA Générative (GenAI)

L’Intelligence Artificielle Générative est une branche avancée du Deep Learning capable de synthétiser et de créer du contenu original (texte, code, image, son ou vidéo) à partir d’une instruction utilisateur appelée « prompt ».

Elle repose sur des modèles de fondation, souvent appelés Grands Modèles de Langage (LLM), entraînés sur des volumes massifs de données pour prédire et générer des séquences cohérentes.
Enjeu énergétique : Son usage nécessite une puissance de calcul intense, ce qui soulève des questions directes sur l’efficacité énergétique des modèles et la pertinence des requêtes (sobriété numérique).
Enjeu environnemental : son usage implique également une consommation significative de ressources matérielles (métaux rares) et d’eau liée aux centres de données.
Enjeux sociaux : liés à l’évolution des métiers et à la préservation de l’emploi

6.1.2 L’IA Agentique (Agentic AI)

L’IA agentique marque le passage de la « production de contenu » à la « réalisation de tâches ». Il ne s’agit plus seulement de répondre à une question, mais d’atteindre un objectif complexe avec une supervision humaine limitée. La plupart des systèmes d’IA agentique actuels s’appuient sur de l’IA générative ; cette IA doit donc cumuler, en plus, les enjeux de l’IA générative

Un système agentique est capable d'analyser un problème, de planifier les étapes nécessaires, d'utiliser des outils externes (logiciels, API) et d'ajuster son comportement en temps réel.
Elle repose souvent sur l’orchestration de plusieurs agents spécialisés (ex : un agent pour la recherche, un agent pour l'analyse, un agent pour l'exécution) dont les actions sont coordonnées pour résoudre des problèmes complexes.
Enjeu de ressources et juridique : L'autonomie de ces systèmes renforce le besoin de gouvernance, de contrôle de la consommation de ressources en arrière-plan et de responsabilité juridique sur les décisions prises par l'IA.

6.1.3 L’IA analytique et prédictive

L’IA analytique et prédictive est une technologie qui analyse les données du passé et du présent pour comprendre une situation et prédire ce qui va se passer dans le futur (comme pour anticiper la météo ou les ventes d'un magasin).

6.1.4 L’IA perceptive

L’IA perceptive permet aux machines de "voir" et "d'entendre" leur environnement pour faire de la détection et de la reconnaissance d’informations. Elle est aujourd'hui indispensable dans la biométrie (comme la reconnaissance faciale ou d'empreintes) et dans la lutte contre la fraude (pour repérer instantanément des documents falsifiés ou des comportements suspects).

6.2 Différents segments d’achats IT IA

Afin d'appliquer les clauses de responsabilité adéquates, il est essentiel de segmenter l'achat d'IA selon la nature de la prestation. Le marché se décline en cinq piliers majeurs :

6.2.1 Solutions « Prêtes à l’emploi » (SaaS IA & IAg)

Ce segment concerne les outils directement intégrables aux processus métiers (ex : chatbots de relation client, outils de détection d'anomalies, assistants de rédaction).

Cadre légal : Ces solutions doivent répondre à la définition de l'AI Act européen : « un système automatisé qui, grâce à des données et à l’adaptation autonome, génère des prédictions, recommandations ou décisions impactant les environnements physiques et virtuels. »
Point d'attention : L'acheteur doit ici se focaliser sur l'éthique algorithmique et la sobriété des usages.

6.2.2 Accès aux Modèles de Fondation (GPAI)

Il s’agit de l’achat de droits d’usage ou d’accès (via API) à des modèles de grande puissance déjà entraînés.

Contenu : Accès à des modèles propriétaires ou open-source (GPT, Claude, Llama, Mistral, etc.).
Enjeu : Transparence sur les données d'entraînement et consommation énergétique par requête.

6.2.3 Outils et Plateformes de Développement (MLOps)

Ce segment couvre les environnements logiciels nécessaires pour construire, entraîner et déployer des modèles internes. Plateformes d'annotation de données, environnements d'entraînement, outils d'orchestration de modèles et de gestion de cycle de vie (Machine Learning Operations).

6.2.4 Infrastructure de Calcul et de Stockage

C’est la couche physique indispensable à l’IA, qu'elle soit hébergée en local (On-premise) ou dans le Cloud.

Périmètre : Location de puissance de calcul spécialisée (GPU/TPU) et solutions de stockage massif de données.
Lien avec le clausier : Renvoie directement à la section 3.1 (Infrastructures & Datacenters) pour les enjeux de PUE et de WUE.

6.2.5 Prestations de Conseil et d'Accompagnement

L’IA est un projet humain avant d'être technique. Ce segment regroupe l’expertise intellectuelle.

Conseil stratégique, identification des cas d’usage (Use Cases), architecture et intégration technique, et surtout accompagnement au changement pour garantir une adoption éthique et responsable par les collaborateurs.

6.3 IA et IAg prêt à l’emploi (chabot, détection automatique, …)

IA-Q-01Mesure de l'Empreinte CarboneISO/IEC 21031 :2024 (SCI), RIA31. Focus sur le cycle de vie.
IA-Q-02Efficience & Frugalité Numérique
IA-Q-03Localisation & Intensité Carbone

Explication :

GWP (Global Warming Potential) : L'indicateur de référence pour mesurer l'impact sur le réchauffement climatique (en $CO_2e$).
WCF (Water Consumption Footprint) : La quantité d'eau douce consommée pour refroidir les serveurs de l'IA.
Inférence : La phase où l'IA répond à une requête utilisateur (consommation quotidienne), par opposition à l'Entraînement (consommation initiale massive).
Frugalité (ou IA Frugale) : Pratique consistant à utiliser des modèles plus petits, plus ciblés et moins gourmands pour un résultat équivalent.