Resources

Cette étude de l’ADEME vise à identifier les solutions numériques qui pourraient avoir des impacts environnementaux nets positifs dans le contexte français. En amont de ce travail, le présent rapport résume l’histoire et l’ensemble des enjeux liés à l’évaluation des impacts environnementaux nets de solutions numériques. Dans un premier temps, les notions de base de ce type d’évaluation comme la comptabilité nette, les effets rebonds, les approches attributionnelles et conséquentielles sont rappelées. Ensuite, la classification et l’explication des effets directs et indirects de solutions numériques sont définis à partir de la littérature scientifique existante. Dans un troisième temps, un rappel historique des questions liées à la contribution de la numérisation aux politiques climatiques et des publications liées est présenté de 1995 à nos jours. De même, ce rapport fournit un état de l’art des connaissances scientifiques sur les effets environnementaux de la numérisation. Finalement, une analyse comparée des méthodes existantes pour évaluer les impacts environnementaux nets, ou a minima indirects, de solutions numériques ou non est développé sur chaque point méthodologique clé. Ainsi, ce rapport offre une synthèse globale et extensive de tous les savoirs scientifiques et méthodologiques pour évaluer les impacts environnementaux nets de la numérisation.

Cette étude publie les résultats de l’Analyse du Cycle de Vie (ACV) multicritères évaluant l’ensemble des impacts environnementaux et sanitaires de l’intelligence artificielle (IA) à l’échelle mondiale en 2025 et 2030. Périmètre et méthodologie (ACV simplifiée type screening, conforme ISO 14040-44) : Fabriquer un serveur IA Utiliser ce serveur pendant 1 an Utiliser n serveurs pendant 1 an Pour chacune de ces unités fonctionnelles, 16 impacts environnementaux et sanitaires sont quantifiés aux 4 étapes du cycle de vie : fabrication, distribution, utilisation et fin de vie. L’évaluation est à l’échelle mondiale pour les années 2025 et 2030.

Ce rapport dresse un constat sur les dynamiques de désinformation et d’exposition à des contenus problématiques via les mécanismes de recommandation de TikTok (“rabbit hole”). Il présente la méthodologie employée pour mesurer l’exposition et la prévalence de ce type de contenus, et formule des recommandations en matière de transparence et de responsabilisation des plateformes.

Cette étude porte sur les réserves rentables mondiales de métaux, et notamment ceux utilisés pour fabriquer nos équipements numériques et high-tech. Les pays occidentaux sont de plus en plus dépendants des hautes technologies (high-tech). Or, les « stocks » de minerais permettant de fabriquer ces technologies, dont le numérique et l’intelligence artificielle, semblent se dégrader.

Ce rapport étudie une composante clé des infrastructures du numérique, la filière centre de données, et la manière dont elle se construit en interaction avec l’intelligence artificielle, principal déterminant de ses dynamiques aujourd’hui. Celle-ci trace le contour de la manière dont le déploiement généralisé de l’IA infléchit ces dynamiques déjà insoutenables. Il éclaire les pistes à suivre pour réorienter vers la soutenabilité énergie-carbone nos choix technologiques, qui sont de véritables choix politiques, économiques et stratégiques.

This study presents a cross-platform measurement of disinformation on major social platforms in Europe. It outlines a methodology to quantify the exposure and prevalence of misleading content, and summarizes key insights to inform platform accountability and policy discussions in the EU.

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.

Publication de l’ARCEP des résultats de sa campagne annuelle 2024 de mesures de la qualité de service des opérateurs mobiles métropolitains. Les résultats de cette enquête mettent en évidence une qualité de service Voix/SMS et internet mobile élevée : ils confirment la tendance générale à l’amélioration des débits dans l’ensemble des zones denses, intermédiaires et rurales, même si des écarts subsistent entre celles-ci.

As Generative AI becomes increasingly integrated into real-world services, energy consumption has become a significant bottleneck—yet it remains under-measured and under-optimized in machine learning (ML) systems. This paper introduces the ML.ENERGY Benchmark and Leaderboard, an open-source suite and evaluation platform designed to measure and compare the inference energy use of AI models in realistic service environments. The authors present four core principles for effective energy benchmarking and illustrate their application within the tool. Results from the benchmark detail energy metrics for 40 popular model architectures across 6 tasks, showcase case studies on design decisions affecting energy use, and demonstrate that automatic optimizations can cut energy consumption by over 40% without sacrificing output quality. The ML.ENERGY Benchmark is extensible, making it a practical resource for both researchers and practitioners seeking to evaluate and minimize the energy footprint of their AI applications.

The 2024 CNIL Annual Report presents an overview of the state of personal data protection in France. It highlights key trends, the evolution of practices, and the main actions in regulation, enforcement, and guidance conducted by the CNIL over the past year. The report also addresses major challenges related to digital transformation, AI, cybersecurity, and the protection of citizens’ rights in the digital age.