Introduction
L’intelligence artificielle (IA) est devenue une force puissante à l « ère de la gouvernance numérique et des catastrophes mondiales, telles que les pandémies et le changement climatique. Les systèmes d’IA sont actuellement utilisés pour faciliter la prise de décision dans des domaines tels que la surveillance de la santé publique, l’agriculture, la distribution de l’aide humanitaire et l » évaluation des risques de conflit. Ces systèmes promettent des connaissances plus rapides, des capacités prédictives et des boucles de rétroaction en temps réel (Sirmaçek et al., 2023). Toutefois, la précision et l’exactitude contextuelle des données sur lesquelles reposent ces systèmes constituent une base délicate qui sous-tend leur complexité.
La sécurité environnementale englobe la sauvegarde des ressources naturelles et des écosystèmes afin de garantir la stabilité et le bien-être des sociétés (Schaafsma, 2021). La nécessité d’une sécurité environnementale forte n’a jamais été aussi grande à une époque où la dégradation de l’environnement et les préoccupations climatiques s’accentuent. La fréquence et la gravité croissantes des phénomènes météorologiques extrêmes, tels que les inondations, l’insécurité alimentaire et les incendies de forêt, en sont la preuve. Par exemple, les systèmes d’IA peuvent examiner de vastes ensembles de données pour prévoir la probabilité de certaines catastrophes environnementales, optimiser l’allocation des ressources et améliorer les mécanismes de réponse aux catastrophes afin d’atténuer les catastrophes potentielles (ft.com).
L’efficacité de l’IA en matière de sécurité environnementale ne dépend toutefois pas uniquement des avancées technologiques. L’expertise humaine joue un rôle crucial dans l’interprétation des résultats de l’IA, la prise de décisions spécifiques au contexte et le respect des considérations éthiques. La fusion des résultats de l’IA avec les connaissances indigènes et locales peut déboucher sur des techniques de gestion de l’environnement plus efficaces et plus respectueuses de la culture. En outre, le déploiement des systèmes d’IA doit être abordé avec prudence, compte tenu de l’empreinte environnementale associée aux centres de données et aux processus de calcul. La consommation d’énergie et les besoins en ressources des technologies d’IA nécessitent une approche équilibrée qui pèse les avantages par rapport aux coûts environnementaux potentiels (news.mit.edu ; teenvogue.com).
Cet article se penche sur la relation symbiotique entre l’IA et les efforts humains pour renforcer la sécurité environnementale. Il explore la manière dont les approches collaboratives peuvent renforcer la résilience face aux menaces environnementales, en assurant une gestion durable et équitable des ressources face aux défis mondiaux.
Points forts de l’IA en matière de gestion des ressources environnementales
Comme indiqué précédemment, l’IA a révolutionné la surveillance de l’environnement en permettant l’analyse prédictive pour prévoir les changements environnementaux et les catastrophes potentielles, en utilisant de vastes ensembles de données provenant de satellites, de capteurs et d’enregistrements historiques, ce qui permet de prendre des mesures préventives (Olawade et al., 2024). Les systèmes d’IA peuvent considérablement optimiser la distribution des ressources naturelles en évaluant les tendances de la consommation et en prévoyant la demande, ce qui permet de mieux répartir les ressources, de réduire les déchets et d’accroître la durabilité (Padhiary et al., 2025). Cela s’applique à l’eau, à l « énergie, à la terre et même à la distribution des aliments. L’IA peut être utilisée pour prévoir les zones à risque de famine afin de permettre une distribution plus efficace de l’aide alimentaire. En Inde et au Kenya, l’IA a été utilisée pour prévoir les besoins en eau et en engrais des cultures, ce qui a permis d » économiser environ 30 % d’eau et d’augmenter le rendement des cultures par hectare (agrinextcon.com, worldagritechusa.com).
Dans l’agriculture, ses algorithmes évaluent la santé des sols, les conditions météorologiques et les besoins des cultures afin de déterminer les meilleures périodes de plantation et stratégies d’irrigation, ce qui permet une utilisation plus efficace de l’eau et des rendements agricoles plus élevés (ibid., 2025). Par exemple, en septembre de l’année dernière, The Guardian a rapporté l’utilisation d’applications d’IA par des producteurs de café dans le village de Sorwot à Kericho- Kenya, ce qui leur a permis d’utiliser moins d’engrais que ce qu’ils auraient utilisé, économisant ainsi de l’argent (theguardian.com).
De même, dans le domaine de la gestion de l’énergie, l’IA prévoit les schémas de consommation d’énergie, ce qui permet d’intégrer les sources d’énergie renouvelables tout en réduisant la dépendance à l’égard des combustibles fossiles (Khan et al., 2023). L’intégration par la Bui Power Authority (BPA) du Ghana de panneaux solaires dans le réseau national du nord constitue une étape importante vers l’adoption d’énergies propres. L’IA pourrait encore améliorer cette étape en prévoyant la consommation d’énergie à l’aide de l’historique de la consommation d’électricité, des heures d’ensoleillement, de la couverture nuageuse et de la température, entre autres, pour les futurs pics de demande d’électricité, le moment de charger ou de décharger et la variabilité de la production d’énergie solaire.
En milieu urbain, l’IA contribue également à la gestion des déchets en prédisant les schémas de production de déchets et en optimisant les itinéraires de collecte, réduisant ainsi la consommation de carburant et les émissions dans le cadre de préparatifs préventifs (Nwokediegwu et al., 2024). L’intelligence artificielle peut y parvenir en prédisant les pics de déchets saisonniers liés aux festivités ou aux vacances et à la démographie de la population, entre autres.
L’intelligence artificielle contribue à la conservation de la biodiversité en surveillant les populations animales et en détectant les actions illicites telles que l’abattage et le braconnage (Oladede, 2025). Les algorithmes de vision par ordinateur et d’apprentissage profond utilisent les photos des pièges photographiques et des drones pour identifier les espèces et suivre leurs déplacements. Cette surveillance en temps réel contribue à la protection des espèces menacées et à la mise en œuvre des règles de conservation. En effet, les modèles d’IA peuvent détecter des anomalies dans les données relatives à la qualité de l’eau, ce qui déclenche une enquête et des mesures correctives immédiates.
L’IA surveille également la qualité de l’air et de l’eau en analysant les données des capteurs, ce qui permet de réagir rapidement aux incidents de pollution (ibid., 2024). Par exemple, Accra a été la première ville africaine à rejoindre la campagne BreatheLife, se positionnant ainsi comme un leader parmi les villes du continent visant à lutter contre la pollution de l’air. Les niveaux moyens de pollution de l’air dans la ville seraient cinq fois supérieurs aux recommandations de l’OMS, ce qui souligne l’urgence de mettre en œuvre des mesures efficaces de contrôle de la pollution (unep.org).
Le rôle de l’homme
Si l’intelligence artificielle offre des outils puissants pour la gestion des ressources environnementales, l’élément humain reste indispensable. L’expertise humaine garantit que les connaissances générées par l’IA sont interprétées correctement, adaptées aux contextes locaux et mises en œuvre de manière éthique et efficace.
Tout d’abord, les systèmes d’IA peuvent traiter de vastes ensembles de données afin d’identifier des modèles et de prédire les changements environnementaux, mais les experts humains sont essentiels pour interpréter ces résultats dans les contextes écologiques, sociaux et politiques appropriés. Une étude sur la gouvernance de la résilience climatique réalisée par Mehryar, Yazdanpanah et Tong souligne que le jugement des experts et la connaissance du domaine sont nécessaires pour traduire les idées issues de l’IA en stratégies et politiques exploitables.
Deuxièmement, les communautés locales possèdent des connaissances précieuses sur leur environnement, qui peuvent améliorer les applications de l’IA. Les modèles de gouvernance environnementale collaborative préconisent l’intégration de divers systèmes de connaissances, y compris les connaissances indigènes et traditionnelles, dans les processus décisionnels en matière d’environnement. Cette intégration garantit que les solutions d’IA sont culturellement sensibles et plus susceptibles d’être acceptées par les populations locales.
En outre, la conception de systèmes d’IA selon une approche centrée sur l’homme garantit qu’ils correspondent aux besoins et aux valeurs des utilisateurs. La conception centrée sur l’homme met l’accent sur le renforcement de l’auto-efficacité humaine et la promotion de l’interaction sociale, ce qui favorise l’acceptation et l’efficacité des outils d’IA. Les approches participatives de la gestion de l’environnement impliquent davantage les parties prenantes dans la conception et la mise en œuvre des solutions d’IA, ce qui favorise l’appropriation et la confiance (Santos & Carvalho, 2025).
L’utilisation de l’IA dans des contextes environnementaux soulève des questions éthiques telles que la confidentialité des données, les préjugés et le déplacement potentiel des responsabilités humaines. Un cadre élaboré pour l’intégration éthique de l’IA dans les organisations de services à la personne (Perron, Goldkind&Victor, 2025) recommande d’évaluer les applications de l’IA sous différents angles de risque, en tenant compte de variables telles que la sensibilité des données et les effets possibles sur le bien-être des clients. L’application éthique de l’IA à la gestion de l’environnement peut être guidée par de tels cadres.
Une étude de terrain menée dans le Wisconsin a examiné le déploiement d’un outil d’intelligence artificielle pour détecter les décharges illégales de déchets agricoles. L « étude a révélé que si le système d’IA fournissait des détections précises, une interprétation humaine était nécessaire pour évaluer l’utilité des informations. Les évaluations des différentes organisations participant à l » étude variaient en fonction de leurs objectifs et de leurs cadres réglementaires, ce qui souligne l’importance du contexte humain dans la mise en œuvre de l’IA (Rothbacher et al., 2025).
Les risques d’une confiance excessive dans l’IA
La mise en œuvre et le fonctionnement des systèmes d’IA nécessitent d’importantes ressources informatiques, ce qui augmente la consommation d « énergie et dégrade l’environnement. D’importants volumes d » énergie, souvent issus de combustibles fossiles, sont consommés par les centres de données qui servent les applications d’IA, ce qui augmente les émissions de gaz à effet de serre (news.mit.edu ; teenvogue.com). En outre, ces centres ont besoin d’importantes ressources en eau pour leur refroidissement.
Les systèmes d’IA ne sont pas plus impartiaux que les données sur lesquelles ils sont formés. Une dépendance excessive à l’égard de l’IA peut involontairement perpétuer les préjugés existants dans les ensembles de données d’entraînement, ce qui conduit à des résultats biaisés ou discriminatoires. En outre, l’IA peut être exploitée pour générer et diffuser des informations erronées. Un rapport du Guardian avertit que l’IA pourrait faciliter la diffusion de la désinformation sur le climat par le biais de faux profonds et de contenus trompeurs, sapant ainsi les efforts déployés pour lutter contre le changement climatique.
Les systèmes d’IA, en particulier ceux qui reposent sur des algorithmes complexes, fonctionnent souvent comme des « boîtes noires » ou opaques, ce qui rend difficile la compréhension de leurs processus décisionnels. Cette opacité peut entraîner des risques systémiques, lorsque des résultats d’IA incorrects ou biaisés ne sont pas remis en question en raison d’un manque de transparence. Un article paru dans Technological Forecasting and Social Change traite des risques systémiques de durabilité créés par l’IA, soulignant la nécessité d’une gouvernance solide et de mécanismes de transparence (Galaz et al., 2021).
Les incidences de l’IA sur l’environnement ne sont pas uniformément réparties. Les régions qui accueillent de grands centres de données peuvent subir des charges environnementales disproportionnées, telles qu’une augmentation de la consommation d’énergie et d’eau (steptoe.com). Il est donc important de souligner la nécessité d’une répartition équitable des coûts environnementaux de l’IA et de préconiser des approches de gestion des systèmes qui atténuent les inégalités environnementales (Hajiesmaili et al., 2024).
Des études ont montré que l’intégration de l’IA dans la gestion de l’environnement soulève des préoccupations éthiques, notamment en ce qui concerne la confidentialité des données, la surveillance et le déplacement potentiel de la main-d’œuvre humaine. Khalid et al, 2024 ; Perron, Goldkind&Victor, 2025, pour n’en citer que quelques-uns, soulignent l’importance de la responsabilité environnementale perçue dans la gestion des risques liés à l’IA, suggérant qu’en l’absence de considérations éthiques, les applications de l’IA peuvent avoir des conséquences négatives involontaires.
Conclusion
Alors que nous naviguons à l’intersection de l’intelligence artificielle (IA) et de la gestion des ressources environnementales, il est essentiel de disposer d’une feuille de route équilibrée et fondée sur l’éthique.
Les systèmes d’IA devraient être intégrés dans des processus humains en boucle, impliquant des parties prenantes et des experts de la communauté afin de garantir une prise de décision éthique, sensible à la culture et consciente du contexte sur des questions importantes. Les gardes forestiers des programmes de conservation de la faune sauvage au Kenya, par exemple, utilisent des technologies de prédiction alimentées par l’IA pour mettre fin au braconnage, mais ce sont les professionnels sur le terrain qui font l’interprétation et prennent la décision finale (Nauman, 2025). Ceci est particulièrement important car les systèmes d’IA ne sont ni sensibles à la morale ou à la culture, ni conscients du contexte.
La promotion de la culture numérique et le renforcement des capacités, en particulier dans les pays du Sud, entravent l’adoption et la supervision efficaces des outils d’IA. Il est impératif de soutenir la formation interdisciplinaire en IA, en science des données et en études environnementales par le biais d’universités, de partenariats public-privé et d’ONG, tout en établissant des pôles d’innovation sur l’IA pour l’environnement dans les universités d’Afrique de l’Ouest afin d’incuber des solutions pertinentes au niveau local. En outre, l « élargissement des programmes d » éducation technique et écologique pour responsabiliser les parties prenantes devrait être une préoccupation majeure pour travailler avec des systèmes d’IA.
Investir dans une infrastructure d’IA durable afin de réduire l’empreinte environnementale de l’IA en encourageant la recherche sur les algorithmes à faible consommation d’énergie, en soutenant les centres de données neutres en carbone et en encourageant le calcul décentralisé de l’IA. Cette approche vise à minimiser le coût du carbone par modèle formé (Strubel, 2020).
Établir des cadres réglementaires internationaux et nationaux pour l’utilisation éthique de l’IA dans la gestion de l’environnement, en assurant une gouvernance claire pour prévenir les dommages involontaires. Il s’agit notamment d « établir des évaluations de l’impact environnemental de l’IA, de faire respecter les normes de confidentialité des données et de créer des mécanismes de réparation en cas d’utilisation abusive. L’Agenda 2063 de l’Union africaine peut servir de plateforme fondamentale pour plaider en faveur d’une gouvernance de l’IA qui promeuve l » équité et la transparence environnementales.
Il est également recommandé de veiller à ce que les modèles d’IA utilisés dans la politique et la gestion de l’environnement soient interprétables et vérifiables, car les modèles opaques peuvent éroder la confiance du public et compliquer la prise de décision. Au Nigeria, par exemple, l’IA explicable a été déployée dans l’analyse de l’imagerie satellitaire pour la détection de la déforestation (earthranger.com).
En résumé, l’IA est un multiplicateur, pas un miracle. Son potentiel d’amélioration de la sécurité environnementale ne consiste pas à remplacer le jugement humain, mais à l’amplifier. Pour que l’IA ait un impact significatif sur la gestion des ressources naturelles et l’atténuation des chocs environnementaux, elle doit être associée à des acteurs humains responsabilisés, informés et engagés. Les décideurs politiques, les scientifiques, les communautés locales et la société civile jouent tous un rôle essentiel dans le développement, le déploiement et la gestion de l’IA. Sans leur contribution, même les systèmes les plus avancés risquent de manquer leur cible ou de causer des dommages. Pour garantir notre avenir commun, nous devons mettre en place des cadres adaptatifs, éthiques et inclusifs en combinant la précision technologique et la sagesse humaine, et pas seulement des systèmes intelligents.
Références
Prix et conférence AgriNext – Événement agricole. Conférence AgriNext. 19 mai 2025. https://agrinextcon.com/
L« IA risque d’accroître la consommation d » énergie et d’accélérer la désinformation sur le climat. the guardian. 19 mai 2025. https://www.theguardian.com/technology/2024/mar/07/ai-climate-change-energy-disinformation-report
Les entreprises technologiques doivent rendre compte de la consommation d’énergie de leurs centres de données, alors que l’IA est en plein essor ... the guardian. 19 mai 2025. https://www.theguardian.com/technology/2025/feb/07/call-to-make-tech-firms-report-data-centre-energy-use-as-ai-booms
Di Giuseppe, F., et al. (2025). Scientists deploy AI to better predict wildfires (Les scientifiques déploient l’IA pour mieux prédire les incendies de forêt). Financial Times. Récupéré de https://www.ft.com/content/8eaacc13-5e4a-4537-acec-532dd9f13c6c
Cinq villes s’attaquent à la pollution de l’air. Programme UNenvironment. 19 mai 2025. https://www.unep.org/news-and-stories/story/five-cities-tackling-air-pollution
Galaz, V., Centeno, M. A., Callahan, P. W., Causevic, A., Patterson, T., Brass, I., … & Levy, K. (2021). Intelligence artificielle, risques systémiques et durabilité. Technology in society, 67, 101741.
Hajiesmaili, M., Ren, S., Sitaraman, R. K. et Wierman, A. (2024). Towards Environmentally Equitable AI. arXiv preprint arXiv:2412.16539.
Haute technologie, hauts rendements ? Les agriculteurs kenyans qui déploient l’IA pour accroître leur productivité . le gardien. Le 19 mai 2025. https://www.theguardian.com/world/2024/sep/30/high-tech-high-yields-the-kenyan-farmers-deploying-ai-to-increase-productivity
Khalid, J., Chuanmin, M., Altaf, F., Shafqat, M. M., Khan, S. K. et Ashraf, M. U. (2024). AI-Driven Risk Management and Sustainable Decision-Making : Role of Perceived Environmental Responsibility. Sustainability, 16(16), 6799.
Khan, S. U., Khan, N., Ullah, F. U. M., Kim, M. J., Lee, M. Y. et Baik, S. W. (2023). Vers une gestion intelligente de l’énergie dans les bâtiments : AI-based framework for power consumption and generation forecasting. Energy and buildings, 279, 112705.
McMenamin, L. ChatGPT Is Everywhere – Why Aren. teenvogue. 14 mai 2025. https://www.teenvogue.com/story/chatgpt-is-everywhere-environmental-costs-oped
Mehryar, S., Yazdanpanah, V. et Tong, J. (2024). AI and climate resilience governance (IA et gouvernance de la résilience climatique). Iscience, 27(6).
Nauman, M. (2025). L’IA dans l’investissement durable : A Dual-Edged Sword. Dans FinTech and Robotics Advancements for Green Finance and Investment (pp. 383-416). IGI Global Scientific Publishing.
Nwokediegwu, Z. Q. S., Ugwuanyi, E. D., Dada, M. A., Majemite, M. T. et Obaigbena, A. (2024). Systèmes de gestion des déchets pilotés par l’IA : Un examen comparatif des innovations aux États-Unis et en Afrique. Engineering Science & Technology Journal, 5(2), 507-516.
Oladele, O. K. (2025). AI in Wildlife Conservation : Surveillance des espèces, prévention du braconnage et restauration de l’habitat.
Olawade, D. B., Wada, O. Z., Ige, A. O., Egbewole, B. I., Olojo, A., & Oladapo, B. I. (2024). L’intelligence artificielle dans la surveillance de l’environnement : Advancements, challenges, and future directions. Hygiene and Environmental Health Advances, 100114.
Padhiary, M., Hoque, A., Prasad, G., Kumar, K. et Sahu, B. (2025). Precision Agriculture and AI-Driven Resource Optimization for Sustainable Land and Resource Management (Agriculture de précision et optimisation des ressources pilotée par l’IA pour une gestion durable des terres et des ressources). Dans Smart Water Technology for Sustainable Management in Modern Cities (pp. 197-232). IGI Global Scientific Publishing.
Perron, B. E., Goldkind, L., Qi, Z. et Victor, B. G. (2025). Human services organizations and the responsible integration of AI : Considering ethics and contextualizing risk(s). Journal of Technology in Human Services, 1-14.
Rothbacher, N., Rodolfa, K. T., Bhaskar, M., Maneri, E., Tsang, C. et Ho, D. E. (2025). L’intelligence artificielle dans la protection de l’environnement : The Importance of Organizational Context from a Field Study in Wisconsin. arXiv preprint arXiv:2501.04902.
Santos, M. R. et Carvalho, L. C. (2025). Gestion environnementale participative pilotée par l’IA : Innovations, applications et perspectives d’avenir. Journal of Environmental Management, 373, 123864.
Schaafsma, M. (2021). Environnement naturel et bien-être humain. Life on Land, 688-699.
Sirmaçek, B., Gupta, S., Mallor, F., Azizpour, H., Ban, Y., Eivazi, H., … & Vinuesa, R. (2023). The potential of artificial intelligence for achieving healthy and sustainable societies (Le potentiel de l’intelligence artificielle pour des sociétés saines et durables). Dans The ethics of artificial intelligence for the sustainable development goals (pp. 65-96). Cham : Springer International Publishing.
Strubell, E., Ganesh, A. et McCallum, A. (2020, avril). Energy and policy considerations for modern deep learning research. In Proceedings of the AAAI conference on artificial intelligence (Vol. 34, No. 09, pp. 13693-13696).
Les promesses et les pièges potentiels de l’IA dans l’atténuation du changement climatique . steptoe.com. 19 mai 2025. https://www.steptoe.com/en/news-publications/stepwise-risk-outlook/the-promise-and-potential-pitfalls-of-ai-in-climate-change-mitigation.html
Zewe, A. Expliqué : Generative AI’s Environmental Impact. Massachusetts Institute of Technology. 14 mai 2025. https://news.mit.edu/2025/explained-generative-ai-environmental-impact-0117
