Life Cycle Assessment

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 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.

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.