Sustainable/_Index

This innovative research demonstrates how simple addition operations can be used to create more energy-efficient language models without sacrificing performance. The authors propose a novel architecture that significantly reduces computational complexity and energy consumption while maintaining model capabilities. The study provides empirical evidence showing substantial energy savings compared to traditional transformer architectures.

New research across 11 operational microgrids reveals the conditions under which artificial intelligence delivers both cost savings and carbon reductions — and when it doesn’t. Drawing on two years of operational data from 11 microgrids across Europe, North America, and Australia, the study distinguishes between what the physical infrastructure achieves on its own and what algorithmic intelligence adds. Key finding — design matters more than code: before any AI enters the picture, a simple microgrid operating under basic self-consumption rules already delivers substantial environmental value across all 16 impact categories analyzed (climate change, resource depletion, water use, toxicity, etc.). Local photovoltaic generation displaces carbon-intensive grid imports, battery storage smooths demand, and reduced transmission losses compound the effect. Environmental performance begins with infrastructure design, not digital sophistication. The role of AI: AI amplifies the logic of the systems it serves — for better or worse. It can refine performance but cannot manufacture benefits that the system’s architecture does not already enable. The research challenges common assumptions about digital optimization and reveals a more nuanced picture of when AI genuinely serves both economic and environmental objectives in distributed energy systems.

Le Baromètre du numérique est une étude annuelle qui mesure la diffusion des équipements et usages numériques en France. L’édition 2025 analyse les évolutions des pratiques numériques des Français, l’équipement des foyers, l’utilisation d’Internet et des réseaux sociaux, ainsi que les enjeux liés à l’inclusion numérique. Cette enquête de référence permet de suivre les grandes tendances de la transformation numérique de la société française et d’identifier les principaux défis en matière d’accessibilité et d’appropriation des technologies.

Le Baromètre du numérique est une étude annuelle qui mesure la diffusion des équipements et usages numériques en France. L’édition 2026 (enquête réalisée en juin 2025 par le CREDOC auprès de 4 145 personnes de 12 ans et plus) met en lumière la montée en puissance de l’IA générative et l’évolution des pratiques numériques des Français. Près de la moitié de la population (48 %) utilise désormais des services d’IA générative, soit une hausse de 15 points en un an — un niveau d’adoption atteint en trois ans, là où le smartphone en avait nécessité sept. Plus d’un utilisateur sur trois y a recours quotidiennement. Les cas d’usages les plus populaires sont la recherche d’informations (73 %), l’aide à la rédaction et traduction de texte (58 %) et la génération de nouvelles idées (57 %). L’usage est massif chez les jeunes adultes (85 %) et les cadres (76 %). Dans la plupart des cas d’usages, l’IA est préférée aux moteurs de recherche. Une large majorité des jeunes l’utilise pour l’aide aux devoirs (68 % des 12-17 ans, 73 % des 18-24 ans). La méfiance vis-à-vis de l’IA diminue mais reste un frein : 52 % de la population se déclare méfiante (−5 points en un an). Une majorité (46 %) estime que l’impact environnemental de l’IA est supérieur à celui des moteurs de recherche. Par ailleurs, 86 % de la population dispose d’un abonnement internet fixe, dont 78 % en fibre optique, avec une homogénéisation sur l’ensemble du territoire. Près d’une personne sur quatre a fait réparer au moins un appareil numérique au cours des trois dernières années.

Le Baromètre Green IT 2025 présente un état des lieux complet des pratiques numériques responsables dans les organisations françaises. Cette étude analyse les tendances et l’évolution des pratiques Green IT, mesurant les progrès réalisés et identifiant les axes d’amélioration pour un numérique plus durable. Le rapport fournit des indicateurs clés et des recommandations concrètes pour améliorer la maturité des organisations en matière de numérique responsable.

Le Benchmark Green IT réunit des organisations pour mesurer l’impact de leur système d’information ainsi que leur maturité numérique responsable. Cette démarche collective donne lieu chaque année à une étude qui met en lumière l’évolution des pratiques et des impacts du numérique.

This comprehensive study analyzes the real carbon footprint of training large neural network models, taking into account multiple often-overlooked factors. The research provides a detailed methodology for calculating CO2 emissions and demonstrates how the choice of data center location and timing can significantly impact the environmental cost of AI training. The authors show that thoughtful choices about where and when to train models can reduce CO2 emissions by up to 100x compared to random choices.

Understanding the carbon footprints (CFs) within the value chains of Information and Communication Technology (ICT) multinational enterprises (IMNEs) is vital for reducing their global environmental impact. Using a multi-regional input-output model, we assess for the first time the evolution of IMNEs’ value chain CFs from 2000 to 2019 and apply structural path analysis to identify key emissions hotspots for mitigation. We found that IMNEs’ CFs accounted for over 4 % of global emissions during this period. By 2019, China became the largest host, contributing 558 MtCO2, but geopolitical shifts post-2010 led to growing emissions in India and Southeast Asia by 4.0 % and 4.8 % annually. Upstream and downstream emissions made up 94.5 %–95.8 % of total CFs respectively. ICT manufacturing multinational enterprises (MNEs) had significant upstream emissions from electricity and heavy manufacturing, while ICT services MNEs were more affected by downstream business and transportation emissions. Low-income economies contributed heavily to direct emissions, while high-income economies experienced a rise in downstream emissions, reaching 46.8 % in 2019. Middle-income economies shifted toward more downstream activities, with upstream emissions declining to 67 %. Thus, we highlight the need for targeted emissions reduction based on the distribution of value-chain CFs to maximize mitigationpotential.

This research introduces new methodologies for measuring and reducing the carbon footprint of AI computations across different computing environments. The study presents tools and techniques for accurate carbon impact assessment of AI workloads, considering factors such as hardware efficiency, datacenter location, and time-of-day energy mix. The authors provide practical recommendations for implementing carbon-aware computing practices in AI development and deployment.

This comprehensive survey investigates various approaches for deploying large language models efficiently, focusing on reducing computational resources and energy consumption. The research evaluates different deployment strategies including model compression, quantization, and hardware acceleration techniques, providing empirical evidence of their effectiveness. The authors present a systematic comparison of deployment methods and their impact on model performance, latency, and energy usage.