Après avoir défendu l’infusion du Green IT dans l’ensemble des métiers IT, cet article interroge une promesse centrale de la sobriété numérique : l’efficience technique suffit-elle à réduire l’impact global ?
Le 4 août 2026, une équipe de chercheurs menée par Will Alpine publie dans NPJ Climate Action une étude consacrée aux effets de l’intelligence artificielle sur le système énergétique mondial. Plutôt que de mesurer uniquement l’électricité consommée par les centres de données, ils cherchent à comprendre ce que l’IA change dans la productivité des secteurs qui l’utilisent. Dans leurs scénarios, les gains de productivité apportés aux activités fossiles conduisent à davantage d’émissions que ceux appliqués aux renouvelables n’en évitent : entre 0,47 et 1,8 gigatonne de CO₂ supplémentaire par an, soit environ 1,2 à 4,8 % des émissions mondiales liées à l’énergie en 2024.
Il ne s’agit pas d’une prévision de ce que « l’IA émettra ». Les chercheurs utilisent un modèle économique pour tester les conséquences de gains de productivité appliqués simultanément à des activités concurrentes. Leur résultat met surtout en évidence une propriété fondamentale de l’efficience : améliorer la productivité d’un système ne détermine pas ce que ce système choisira de produire davantage.
Le même raisonnement s’applique à une DSI. Le coût nécessaire pour faire fonctionner un modèle d’IA à un niveau de performance donné s’est effondré en quelques années, tandis que le matériel progressait rapidement en efficacité énergétique. Cette baisse permet de rendre moins coûteux les usages existants, mais aussi d’en créer qui n’auraient jamais été envisagés auparavant. C’est là qu’interviennent l’effet rebond – une partie des économies attendues est absorbée par une augmentation des usages – et l’induction, lorsque le progrès technologique rend possibles des activités nouvelles.
L’efficience reste indispensable. Elle ne suffit simplement pas à répondre à la question du volume total. Et lorsque l’énergie, les matières premières, les infrastructures ou les capacités industrielles ne sont pas disponibles sans limite, la question finit nécessairement par changer : quels services voulons-nous réellement produire, et à quoi choisissons-nous d’affecter les ressources disponibles ?
La discussion sur l’impact environnemental de l’intelligence artificielle commence généralement par sa consommation directe. Combien d’électricité faut-il pour entraîner un modèle ? Que représente une requête ? Quelle quantité d’eau est mobilisée pour refroidir les infrastructures ? Combien de centres de données faudra-t-il construire ?
Ces questions sont nécessaires. L’Agence internationale de l’énergie estime que la consommation électrique mondiale des centres de données pourrait passer d’environ 415 TWh en 2024 à près de 945 TWh en 2030, soit plus du double en six ans, l’IA étant le principal moteur de cette progression.
Mais l’article publié le 4 août 2026 dans NPJ Climate Action par Will Alpine, Nathan Geldner, Holly Alpine, Maksym Chepeliev et leurs coauteurs propose de regarder ailleurs.
« Leur question n’est pas principalement : combien l’IA consomme-t-elle ? Elle est : que permet-elle au reste de l’économie de produire plus efficacement ? «
Le déplacement paraît léger. Il modifie pourtant profondément le résultat que l’on cherche à mesurer. Les techniques d’IA capables d’améliorer une prévision, d’identifier plus rapidement une anomalie ou d’optimiser un processus peuvent être appliquées à une ferme solaire comme à une exploitation pétrolière. Dans le premier cas, elles peuvent améliorer la disponibilité des installations, la prévision de production ou l’intégration au réseau. Dans le second, elles peuvent faciliter l’exploration, optimiser l’exploitation ou réduire certains coûts de production.
Les chercheurs modélisent cette amélioration de productivité dans les deux systèmes. Lorsque les gains apportés par l’IA sont supposés se diffuser simultanément dans les renouvelables et dans les activités fossiles, leur modèle aboutit à une augmentation nette annuelle située entre 0,47 et 1,8 gigatonne de CO₂. Rapporté aux émissions énergétiques mondiales de 2024, l’ordre de grandeur est loin d’être anecdotique : environ 1,2 à 4,8 %. Le papier établit également qu’au sein du modèle, les gains de productivité obtenus dans les renouvelables devraient être environ quatre à cinq fois supérieurs à ceux obtenus dans les secteurs fossiles pour compenser l’effet sur les émissions.
Il faut rester précis sur la portée de cette conclusion. Alpine et ses coauteurs ne prédisent pas que l’IA ajoutera effectivement 1,8 gigatonne de CO₂ par an. Leur modèle est dit comparatif statique : il compare différents états possibles d’une économie sous certaines hypothèses, plutôt que de prévoir son évolution année après année. Il sert à tester des mécanismes et des ordres de grandeur.
C’est justement ce qui rend leur travail intéressant au-delà du chiffre. La même technologie peut contribuer à décarboner une activité et à augmenter la productivité d’une autre qui émet davantage. L’amélioration technique ne contient donc pas, en elle-même, le choix de sa destination. C’est ce mécanisme que nous devons maintenant examiner depuis nos propres métiers.
Imaginons une entreprise qui met progressivement un assistant d’IA générative à disposition de plusieurs milliers de collaborateurs. Au départ, les usages sont sélectionnés avec attention : recherche dans une documentation interne, synthèse d’un rapport, préparation d’un premier texte, analyse de documents ou aide à certaines tâches administratives. Le coût des licences, du calcul ou de l’intégration joue alors un rôle assez simple : il oblige à arbitrer. Tous les cas d’usage ne valent pas leur coût.
Cette barrière a pourtant reculé à une vitesse spectaculaire. Le Stanford AI Index 2025 suit notamment le prix nécessaire pour obtenir un niveau de performance comparable à GPT-3.5 sur un test standardisé utilisé pour évaluer les connaissances et les capacités de raisonnement des modèles. Entre novembre 2022 et octobre 2024, ce coût est passé de 20 dollars à 0,07 dollar pour un million de tokens – les petites unités de texte que les modèles traitent pour comprendre une consigne ou générer une réponse.
Autrement dit, pour ce niveau de performance et sur cet indicateur, le prix a été divisé par plus de 280. Cela ne signifie pas qu’une réponse consomme 280 fois moins d’électricité. Le prix diminue sous l’effet de plusieurs facteurs : amélioration du matériel, progrès des algorithmes, développement de modèles plus petits, mutualisation des infrastructures et concurrence entre fournisseurs. Le même rapport de Stanford estime néanmoins que l’efficacité énergétique du matériel utilisé pour l’apprentissage automatique a elle aussi progressé rapidement, d’environ 40 % par an sur la période étudiée.
Ces progrès sont souhaitables. Ils modifient cependant autre chose que le coût de ce que nous faisions déjà. Lorsque l’inférence – le moment où un modèle déjà entraîné produit effectivement une réponse – devient beaucoup moins chère, certains usages qui n’avaient jusqu’ici aucun sens économique deviennent envisageables. Une synthèse réservée à quelques documents importants peut devenir automatique. Une réunion peut être transcrite et résumée par défaut. Une application peut interroger un modèle sans qu’un utilisateur ne le lui demande explicitement.
Avec les agents, l’évolution est encore plus nette : une demande unique peut entraîner une succession de recherches, d’analyses, de contrôles et de générations de contenu. Le progrès technique ne permet donc pas seulement de produire le même résultat en mobilisant moins de ressources. Il élargit également le champ de ce qu’il devient raisonnable de produire.
Ce phénomène n’est pas propre au numérique. L’économie de l’énergie l’étudie depuis longtemps sous le nom d’effet rebond. L’idée de départ est simple. Lorsqu’un progrès technique améliore l’efficacité énergétique d’un service, on peut calculer une économie théorique. Une voiture consommant 20 % de carburant en moins pour parcourir la même distance devrait, si rien d’autre ne change, réduire la consommation de 20 %.
Dans la réalité, l’amélioration de l’efficacité modifie aussi le coût d’usage. Parcourir un kilomètre revient moins cher ; le conducteur peut donc décider de rouler davantage. Une partie de l’économie attendue disparaît. Steve Sorrell et John Dimitropoulos définissent précisément ce rebond comme l’augmentation de la demande de services énergétiques qui suit une amélioration de leur efficacité et vient réduire les économies initialement attendues.
La littérature distingue plusieurs mécanismes. Le rebond direct concerne le service lui-même : une voiture plus efficace peut être utilisée davantage, un chauffage moins coûteux peut conduire à chauffer davantage. Le rebond indirect apparaît lorsque l’argent économisé est dépensé ailleurs. Une facture énergétique plus basse peut, par exemple, financer une autre consommation nécessitant elle aussi de l’énergie. Enfin, à l’échelle d’une économie, les gains d’efficacité peuvent modifier les prix, l’investissement, la production ou la demande. On parle alors de rebond macroéconomique.
Un exemple chiffré aide à fixer les idées. Si une innovation devait permettre d’économiser 100 unités d’énergie, mais que l’augmentation des usages en réabsorbe finalement 30, le rebond est de 30 %. Si les 100 unités sont intégralement reprises, l’économie nette disparaît. Lorsqu’elle est dépassée et que la consommation totale augmente malgré le gain d’efficacité, la littérature utilise parfois le terme backfire. C’est ce cas extrême qui renvoie historiquement au paradoxe formulé par William Stanley Jevons au XIXe siècle.
Il serait abusif d’en faire une loi générale. L’ampleur du rebond varie fortement selon les technologies, les secteurs et l’échelle d’analyse. Une revue publiée en 2021 par Paul Brockway, Steve Sorrell et plusieurs coauteurs rassemble 33 études consacrées aux effets rebond à l’échelle de l’économie. Les résultats sont hétérogènes, mais leur synthèse conclut que les effets observés peuvent absorber une part importante – souvent supérieure à la moitié – des économies théoriquement attendues de certains gains d’efficacité.
« Une économie calculée à l’unité ne permet pas, à elle seule, de connaître l’économie réalisée à l’échelle du système. »
Revenons maintenant à notre assistant. S’il traite exactement le même nombre de requêtes qu’auparavant en consommant moins par requête, le gain est réel et largement conservé. Si la baisse du coût conduit à multiplier les utilisations, une partie de ce gain disparaît. Rien ne permet de connaître le résultat global en regardant uniquement la performance d’une requête.
L’IA introduit un mécanisme supplémentaire que l’article d’Alpine qualifie d’induction. La distinction est utile. Le rebond correspond à une augmentation de la consommation d’un service qui existait déjà. L’induction apparaît lorsque le changement de productivité rend possible une activité qui n’aurait pas existé auparavant.
Imaginons qu’un assistant deux fois moins coûteux conduise un collaborateur à produire dix synthèses par semaine au lieu de cinq. Le service existait auparavant ; son usage augmente. Nous sommes proches du rebond direct. Prenons maintenant un agent logiciel qui surveille en permanence plusieurs milliers de documents, compare automatiquement leurs contenus, génère des rapports et déclenche d’autres actions sans intervention humaine. Si cette activité n’aurait jamais été envisagée au coût précédent, nous ne faisons plus seulement davantage de la même chose : nous avons créé une nouvelle production.
La différence est importante pour l’IA parce que la chute du coût marginal modifie rapidement la frontière de ce qui paraît raisonnable d’automatiser. Des comptes rendus qui n’existaient pas sont produits, des images qui n’auraient pas été commandées sont générées, des variantes de contenus sont créées avant même que quelqu’un ne sache si elles seront utilisées. À mesure que cette production devient moins chère, la question environnementale ne porte donc plus seulement sur l’énergie nécessaire à une opération connue. Elle concerne aussi le volume d’activités nouvelles que cette amélioration rend possible.
Le Green IT s’est construit, à juste titre, autour d’un grand nombre de pratiques d’efficacité : dimensionner correctement les ressources, éteindre les environnements inutilisés, prolonger la vie des équipements, améliorer l’utilisation du matériel, optimiser le code ou sélectionner une infrastructure adaptée au besoin. Ces pratiques restent indispensables. Le problème apparaît lorsqu’elles deviennent notre seul cadre de décision. Voir aussi : notre approche Green IT
Le chapitre 5 du sixième rapport du GIEC propose une grille plus large pour analyser les politiques portant sur la demande. Il distingue trois familles : Avoid, Shift, Improve. Improve consiste à réduire la quantité de ressources nécessaire pour fournir un même service. Shift cherche à fournir ce service autrement, avec une solution moins intensive. Avoid interroge le besoin lui-même lorsque la consommation n’est pas nécessaire au service recherché.
Cette grille peut être transposée assez directement à notre assistant IA. Si nous cherchons à réduire la consommation d’un modèle, à optimiser son fonctionnement ou à utiliser du matériel plus performant, nous sommes dans Improve. Si nous décidons qu’un modèle plus petit suffit, qu’un moteur de recherche classique répond mieux au besoin ou qu’une automatisation déterministe est plus adaptée, nous sommes dans Shift. Reste enfin une question qui précède toutes les autres : avons-nous réellement besoin de produire ce résultat ? Elle correspond à Avoid.
L’ordre importe. Avant d’optimiser une solution, une architecture devrait normalement définir le service à rendre, choisir le moyen approprié, puis chercher à rendre ce moyen aussi efficace que possible. Pourtant, l’enthousiasme technologique inverse facilement cette séquence : nous disposons d’une capacité, puis nous recherchons les usages qui permettront de la déployer. C’est précisément dans ce renversement que la sobriété commence à devenir un sujet d’architecture et non plus seulement d’optimisation.
Cette interrogation vaut aussi pour la manière dont nous pilotons les transformations numériques. Lorsqu’une entreprise déploie un nouvel outil, elle suit généralement son nombre d’utilisateurs actifs, le volume d’usages, le taux d’adoption, le nombre de licences consommées ou le nombre de cas d’usage identifiés. Pour une technologie traditionnelle, ces indicateurs renseignent déjà imparfaitement sur la valeur produite ; avec l’IA générative, l’écart peut devenir particulièrement important parce que produire davantage devient précisément très facile.
Un compte rendu automatiquement généré n’a de valeur que s’il améliore réellement quelque chose : la circulation de l’information, la mémoire d’une décision, le temps consacré à la tâche ou la qualité d’un travail. S’il n’est jamais lu, sa production reste une consommation. La même question peut être posée à une reformulation automatique d’un mail de trois lignes, à dix variantes d’une présentation ou à la synthèse systématique de documents déjà très courts.
Il ne s’agit pas de décider arbitrairement qu’un usage est futile. Cela reviendrait simplement à remplacer un techno-solutionnisme par une police de la sobriété tout aussi simpliste. Il s’agit de revenir à une distinction fondamentale : l’usage n’est pas le service rendu.
Le GIEC insiste précisément sur cette manière de raisonner. Les individus et les organisations ne recherchent pas de l’énergie ou des matières pour elles-mêmes ; ils recherchent les services qu’elles permettent d’obtenir. Une entreprise n’a pas besoin de tokens. Elle n’a pas besoin de GPU. Elle n’a même pas, en tant que telle, besoin d’intelligence artificielle. Elle cherche à prendre une décision plus vite, accéder à une information, produire un document, diagnostiquer un incident ou automatiser une tâche. La technologie est un moyen.
Cette distinction paraît évidente. Elle devient beaucoup plus exigeante lorsque la technologie est suffisamment accessible pour créer elle-même la demande de nouveaux usages.
Un autre élément complique encore l’équation : une nouvelle technologie ne vient pas nécessairement supprimer celle qu’elle prétend remplacer. L’historien Jean-Baptiste Fressoz a largement développé cette idée à propos de l’énergie dans Sans transition. Le récit courant décrit volontiers une succession : le bois laisse place au charbon, puis au pétrole, avant que les renouvelables prennent à leur tour le relais.
L’histoire matérielle montre des relations beaucoup plus imbriquées. Les différentes sources s’ajoutent, se soutiennent mutuellement et continuent souvent de croître simultanément. Alpine et ses coauteurs utilisent d’ailleurs dans leur propre introduction l’expression energy addition : l’essor spectaculaire des renouvelables n’a pas, jusqu’ici, entraîné à l’échelle mondiale une disparition équivalente de la consommation fossile.
Fressoz n’établit pas que toute substitution future serait impossible. Son travail invite plutôt à ne pas confondre l’arrivée d’une nouvelle capacité avec la disparition mécanique de l’ancienne. L’observation mérite d’être appliquée à l’informatique. Le Cloud a effectivement remplacé certaines infrastructures internes. Il n’a pas supprimé l’ensemble des centres de données privés. Le SaaS a remplacé de nombreuses applications hébergées localement ; il s’est aussi ajouté à un patrimoine applicatif considérable. Les terminaux se sont multipliés alors même que la puissance des infrastructures centrales augmentait.
L’IA arrive aujourd’hui dans des systèmes d’information qui continuent à faire fonctionner leurs applications, leurs postes, leurs réseaux, leurs infrastructures Cloud et leurs anciennes couches technologiques. Cette nouvelle capacité pourra en faire disparaître certaines. Elle peut aussi simplement venir s’y ajouter. Le sujet n’est donc pas seulement l’efficacité de la nouvelle couche. Il est son effet sur la taille du système complet.
Cette différence entre intensité et volume apparaît également dans le débat sur le découplage. On parle de découplage lorsque l’évolution d’un impact environnemental cesse de suivre celle de l’activité économique. Il est dit relatif lorsque l’impact continue d’augmenter mais moins vite que l’économie. Si le PIB progresse de 3 % et que les émissions augmentent de 1 %, il y a découplage relatif. Il devient absolu lorsque l’activité économique continue de croître tandis que l’impact mesuré diminue réellement.
Ce second cas n’est pas uniquement théorique. Le Royaume-Uni fournit par exemple un cas bien documenté : depuis le début des années 1990, son PIB réel a fortement progressé tandis que ses émissions territoriales de gaz à effet de serre ont diminué, notamment sous l’effet de la sortie progressive du charbon de la production électrique, de l’évolution du mix énergétique et des transformations de son économie. Des travaux académiques ont identifié des trajectoires comparables dans plusieurs économies développées.
Cette observation ne clôt cependant pas le débat. Elle oblige surtout à préciser ce que l’on découple de quoi. Les émissions territoriales comptabilisent ce qui est produit à l’intérieur d’un pays. L’empreinte de consommation ajoute les émissions incorporées dans les produits importés et retranche celles associées aux exportations.
La France offre ici un exemple parlant. Entre 1990 et 2024, ses émissions produites sur le territoire ont diminué beaucoup plus vite que l’empreinte associée à sa consommation. En 2024, environ la moitié de l’empreinte carbone française était liée aux importations. Le constat de découplage territorial reste donc réel, mais son ampleur change lorsque le périmètre s’élargit.
La même précaution vaut pour les ressources matérielles. Une économie peut réduire ses émissions tout en augmentant certaines consommations de matières. La revue systématique menée par Helmut Haberl, Dominik Wiedenhofer et leurs coauteurs sur 835 travaux montre précisément que les résultats diffèrent fortement selon que l’on observe les émissions de gaz à effet de serre, l’énergie, les matières, les territoires ou les empreintes de consommation.
Appliqué à notre assistant IA, le raisonnement devient assez simple : diminuer la consommation moyenne d’une requête nous renseigne sur son intensité. Pour comprendre le résultat absolu, il faut aussi connaître le nombre total de requêtes, les nouvelles infrastructures déployées, les équipements nécessaires et la durée pendant laquelle ils fonctionnent. L’Agence internationale de l’énergie prévoit simultanément des progrès rapides d’efficacité et un passage de la consommation électrique mondiale des centres de données d’environ 415 à 945 TWh entre 2024 et 2030.
« L’intensité d’une opération et le volume total du système sont deux grandeurs différentes.«
Supposons maintenant que nous parvenions à réduire très fortement les émissions associées à l’électricité consommée par ces infrastructures. Aurions-nous résolu le problème ? Pas entièrement. Un centre de données et les équipements qu’il héberge mobilisent également des semi-conducteurs, du cuivre, de l’aluminium, des infrastructures électriques, des systèmes de refroidissement, de l’eau, des bâtiments et une logistique industrielle mondiale.
Le Global Resources Outlook 2024 du Programme des Nations unies pour l’environnement estime que l’extraction mondiale de ressources naturelles a plus que triplé en cinquante ans. Sans changement majeur, elle pourrait encore augmenter d’environ 60 % entre 2020 et 2060.
Cette évolution change progressivement la nature de notre question. Au départ, nous cherchions à réduire la consommation d’une requête. Il a fallu ensuite regarder le nombre total de requêtes, puis les nouvelles activités rendues possibles par la baisse du coût, puis les infrastructures supplémentaires nécessaires à leur réalisation. Une dernière étape apparaît alors : les ressources utilisées pour construire et alimenter ces capacités ne sont pas disponibles en quantité infinie. Dès lors, leur utilisation implique un arbitrage.
C’est probablement à ce point que le terme sobriété devient réellement intéressant. Pris isolément, il peut suggérer une diminution uniforme des consommations. Ce serait une conclusion trop simple. Toutes les consommations n’ont pas vocation à diminuer. Construire davantage de réseaux électriques, de logements, de transports collectifs ou d’infrastructures permettant la décarbonation demandera de l’acier, du ciment, du cuivre et de l’énergie. Certaines économies ont encore besoin d’augmenter leur consommation matérielle pour fournir des services essentiels à leur population.
Le Global Resources Outlook souligne d’ailleurs l’ampleur de cette inégalité : les pays à revenu élevé utilisent en moyenne environ six fois plus de ressources matérielles par personne que les pays à faible revenu. La question n’est donc pas uniquement de produire moins. Elle est de savoir ce que nous choisissons de produire davantage, ce que nous cherchons à réduire et pourquoi.
C’est une logique d’allocation. Elle peut être appliquée au numérique sans décider à l’avance qu’une consommation informatique serait moins légitime qu’une consommation industrielle. Un système d’IA qui permet de mieux équilibrer un réseau électrique, d’améliorer la détection d’un défaut industriel, d’accélérer une recherche critique ou de réduire la consommation d’un processus beaucoup plus énergivore peut justifier une augmentation locale du calcul mobilisé. À l’inverse, utiliser un grand modèle pour une tâche qu’une règle simple aurait rendue tout aussi bien peut difficilement être défendu par le seul argument de l’innovation.
Ce qui distingue les deux situations n’est pas la technologie. C’est le rapport entre les ressources mobilisées et le service réellement rendu. À mesure que le numérique consomme une part significative de ressources industrielles et énergétiques, cette question cesse d’être abstraite. Aux États-Unis, l’IEA estime que les centres de données pourraient représenter près de la moitié de l’augmentation de la demande électrique nationale jusqu’en 2030. À la fin de la décennie, leur consommation pourrait dépasser celle de l’ensemble des industries américaines fortement consommatrices d’énergie – acier, ciment, aluminium, chimie et autres secteurs comparables – réunies.
Il ne faut pas lire ce chiffre comme un choix simpliste entre « centre de données ou industrie ». Il indique que le numérique a atteint une taille suffisante pour participer aux mêmes arbitrages énergétiques et industriels que les autres grands secteurs de l’économie. L’idée d’un numérique immatériel devient alors difficile à maintenir.
Revenons finalement au point de départ. Dans le modèle d’Alpine et de ses coauteurs, l’IA peut améliorer la productivité du renouvelable comme celle du fossile. La technologie n’indique pas laquelle de ces trajectoires doit être favorisée. Dans une DSI, la baisse du coût d’une inférence peut réduire le coût d’un service existant ou permettre de multiplier les usages et d’en créer de nouveaux. Le progrès technique ne détermine pas ce que nous faisons de la capacité libérée.
Dans l’histoire du numérique, une nouvelle génération de technologies peut remplacer une partie de l’ancienne ou venir s’y ajouter. Sa meilleure performance unitaire ne préjuge pas de la taille finale du système. Et lorsque nous élargissons encore le cadre aux matières et à l’énergie disponibles, la question ne peut plus être résolue seulement en optimisant chaque composant.
« L’efficience ne choisit pas. Elle amplifie.«
Cela n’est pas un argument contre l’efficience. Au contraire : optimiser les modèles, choisir les infrastructures adaptées, prolonger la durée de vie des équipements et éliminer les consommations inutiles restent indispensables. Le GreenOps fait partie de ces disciplines nécessaires, à condition de ne pas lui demander de répondre seul à la question des usages. En savoir plus : GreenOps chez Synapsys
Il nous faut également distinguer trois décisions que nous avons tendance à confondre : définir le service dont nous avons réellement besoin, choisir le moyen le plus approprié pour le rendre, puis optimiser ce moyen. La sobriété commence peut-être lorsque nous acceptons que la première de ces décisions puisse parfois conduire à ne rien déployer du tout.
À ce stade, la discussion quitte cependant le seul domaine de l’architecture. Une entreprise peut-elle décider de ne pas exploiter une technologie devenue rentable lorsque ses concurrents font le choix inverse ? Une société de services peut-elle recommander de ne pas déployer une solution qu’elle sait parfaitement concevoir et vendre ? Peut-on attendre d’acteurs en concurrence qu’ils renoncent individuellement à une possibilité économique si cette retenue peut devenir l’avantage de celui qui ne l’adopte pas ?
La difficulté n’est plus de savoir si nous sommes capables de produire avec moins de ressources. Elle est de savoir comment nous décidons collectivement de l’usage de ressources qui, elles, restent limitées. C’est la question qu’aborde le troisième article de cette série : « Green IT et dilemme du prisonnier : les limites de la sobriété volontaire ».
