Un exemple typique est la façon dont Allbirds, l’entreprise de chaussures durables autrefois à la mode, a récemment vu le cours de ses actions augmenter de 600 % après avoir fait une vague annonce qu’elle se tournerait vers l’IA en avril 2026. Dans les mois à venir, l’entreprise prévoit de changer son nom pour NewBird AI et d’abandonner son statut d’entreprise d’utilité publique.
En tant qu’universitaire qui étudie la durabilité des entreprises, je vois des similitudes entre ce phénomène de « IA washing » (où les entreprises exagèrent les avantages de l’IA tout en ignorant les risques) et la tendance récente du greenwashing, où les entreprises prétendent s’engager en faveur du développement durable mais ne parviennent pas à mettre en œuvre des changements fondamentaux. La tromperie était généralisée et les entreprises dépensaient bien plus en marketing vert qu’en améliorations réelles en matière de durabilité. Et ces efforts se sont souvent retournés contre les entreprises et les communautés qu’elles desservaient. Plus inquiétant encore, l’essor rapide et l’adoption généralisée du lavage de l’IA risquent d’éclipser la tendance du greenwashing.
Le blanchiment de l’IA est florissant parce que les entreprises et les décideurs politiques ignorent quatre principes importants : Ces déficiences ont également été une caractéristique du greenwashing dans le passé.
Le pire, c’est que les États-Unis s’appuient actuellement sur des règles fragmentées en matière d’IA, dont la plupart sont arbitraires. L’administration Trump s’est généralement rangée du côté des Big Tech en bloquant les efforts de réglementation des États et du gouvernement fédéral. Au niveau mondial, l’une des rares exceptions est la loi de l’Union européenne sur l’IA, qui est probablement l’un des cadres les plus complets, mais sa mise en œuvre ne sera pleinement mise en œuvre qu’en 2027 ou plus tard.
Par exemple, si les entreprises sont tenues de déclarer leurs émissions de carbone en utilisant la même méthodologie ou de divulguer leurs conditions de travail en utilisant les mêmes catégories, les investisseurs peuvent comparer leurs performances, identifier les retardataires et allouer le capital en conséquence. Cette poussée a rendu les comparaisons possibles et la tromperie difficile, mais elle n’était toujours pas infaillible. Par exemple, un rapport du Programme des Nations Unies pour l’environnement de 2023 sur l’industrie de la mode rapide a révélé que de nombreuses entreprises continuent de faire des allégations « vagues et exagérées » en matière de durabilité.
Deuxièmement, les États-Unis ne disposent pas d’un cadre global obligeant les entreprises à déterminer si l’IA aura un impact important sur elles et à divulguer publiquement cet impact. Parmi les exemples d’impacts significatifs de l’IA, citons la question de savoir si les biais algorithmiques déterminent les résultats commerciaux et si les décisions sur la manière dont les systèmes d’IA sont utilisés importent aux actionnaires ou au grand public.
Au lieu de cela, la gouvernance de l’IA reste dominée par un cercle restreint d’entreprises qui construisent des systèmes d’IA, et les communautés concernées ont peu de poids dans la détermination des impacts de l’IA suffisamment importants pour mériter l’attention du public. Par exemple, les grandes entreprises technologiques telles que Google, Microsoft, Apple et NVIDIA adhèrent à leurs propres directives de gouvernance de l’IA avec relativement peu de participation du public.
L’élaboration de principes de durabilité fournit quelques exemples de la manière de construire ces cadres. La directive européenne sur les rapports sur le développement durable des entreprises exige que plus de 50 000 entreprises évaluent formellement quels sujets de développement durable sont importants pour leurs parties prenantes et divulguent ces informations. Ces initiatives visent à garantir la responsabilité tout au long de la chaîne d’approvisionnement.
Les réglementations américaines, telles que la réforme financière Dodd-Frank de 2010 et la loi californienne exigeant la déclaration des émissions de gaz à effet de serre à l’échelle de l’État, sont moins complètes, mais fournissent un modèle similaire sur lequel les décideurs politiques américains pourraient s’appuyer s’ils le souhaitent.
Un troisième problème est que le manque général de validation par des tiers rend l’IA facile à nettoyer. Une divulgation efficace signifie rendre compte de tous les impacts importants, et pas seulement de certains succès.
En réalité, les audits d’IA peuvent varier considérablement en termes de rigueur, de portée et de méthodologie. Un seul auditeur peut effectuer des tests approfondis sur des groupes démographiques, analyser la prise de décision et vérifier la qualité des données de formation. D’autres peuvent simplement consulter la documentation et accepter l’explication de l’entreprise au pied de la lettre. En raison de la diversité des modèles d’audit d’IA, différents auditeurs peuvent utiliser des méthodologies incompatibles, ce qui rend impossible la comparaison des résultats. Lorsque les entreprises mettent en œuvre des systèmes de certification tiers pour évaluer la manière dont elles utilisent l’IA, elles peuvent contribuer à garantir une responsabilité que les affirmations autodéclarées ne peuvent égaler.
En revanche, des progrès ont été réalisés à cet égard, les entreprises adoptant les principes ESG. Par exemple, des agences telles que le Carbon Disclosure Project et la Global Reporting Initiative disposent de réseaux de partenaires qui assurent une vérification indépendante. Ces fournisseurs sont certifiés selon les normes internationales et vérifient les données de durabilité d’une entreprise par rapport à des normes rigoureuses. Cela donne l’assurance que les entreprises peuvent démontrer les progrès nécessaires pour parvenir à une finance durable et réduire les risques juridiques. Les audits tiers sont loin d’être parfaits, mais ils peuvent fournir une voie claire vers l’amélioration.
Le quatrième principe est la forte coercition. Les premières initiatives ESG reposaient sur des pressions de réputation et sur la bonne volonté des parties prenantes, que les entreprises ignoraient systématiquement lorsque les bénéfices étaient en jeu. Le changement est intervenu alors que la réglementation établissait une responsabilité légale et des sanctions financières.
Ces résultats ont changé la façon dont les entreprises évaluent les risques et continuent aujourd’hui de façonner les pratiques de développement durable. Par exemple, le scandale du « Dieselgate » de Volkswagen en 2015, dans lequel les régulateurs américains ont constaté que le constructeur automobile avait triché aux tests d’émissions, a coûté à l’entreprise plus de 30 milliards de dollars en amendes, règlements et poursuites pénales. BP a dû payer des milliards de dollars d’amendes et de responsabilité pour la catastrophe de Deepwater Horizon en 2010, la plus grande marée noire de l’histoire des opérations de forage pétrolier offshore.
Les lacunes actuelles en matière d’application de l’IA créent une dynamique prévisible. La valeur attendue du lavage de l’IA (retour sur investissement potentiel, avantage concurrentiel, valorisation boursière accrue, etc.) dépasse largement les coûts attendus en termes de pénalités et de risques de détection. Jusqu’à ce que l’application de la loi ait des conséquences qui dépassent les avantages, le lavage de l’IA restera une stratégie commerciale rationnelle plutôt qu’un risque pour la réputation.
Heureusement, les investisseurs commencent à s’impliquer davantage. Par exemple, la Federal Trade Commission a lancé l’opération AI Comply en 2024 pour cibler les allégations trompeuses en matière d’IA, mais cet effort a été partiellement réduit par l’administration Trump actuelle.
Un nouveau standard pour une nouvelle ère
Tant que les entreprises ne s’engageront pas à respecter ces quatre principes, le nettoyage par l’IA se poursuivra. Sans normes ni audits, même les entreprises les mieux intentionnées ne sauront pas si leur travail est suffisamment rigoureux. Le fait de ne pas évaluer l’impact matériel entraînera un préjudice pour certains consommateurs et actionnaires. Et sans responsabilité, même les auditeurs les plus minutieux ne seront pas en mesure de déterminer si les affirmations d’une entreprise concernant l’IA sont vraies.
Lorsqu’ils sont largement appliqués, ces principes contribuent également à expliquer pourquoi le greenwashing persiste. Par exemple, l’absence de normes universelles de reporting laisse encore des lacunes et, malgré l’émergence de cadres de reporting, des problèmes de qualité des données persistent. Plus fondamentalement, l’adhésion politique à l’ESG a considérablement diminué, en particulier aux États-Unis, avec plus de 150 projets de loi introduits dans plusieurs États d’ici 2023 visant à décourager l’adoption de l’ESG par les entreprises. De grandes institutions financières telles que JPMorgan, State Street, BlackRock et PIMCO ont renoncé à leurs précédentes initiatives en matière de changement climatique en raison de pressions politiques et de préoccupations antitrust.
Cette tendance montre que même des mesures de responsabilisation bien conçues nécessitent un soutien politique durable pour réussir. Après tout, il a fallu plus de 25 ans à la durabilité des entreprises pour passer d’un premier cadre à une norme obligatoire, et c’est toujours un travail en cours. En revanche, l’IA fait des pas de géant dans sa portée et son impact social. Il faudra peut-être 25 ans pour rattraper ce retard, mais au moins des leçons peuvent être tirées du passé récent.
Subrat Dhanorkar, professeur agrégé de gestion des opérations, Georgia Institute of Technology
Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lisez l’article original.
