L’intelligence artificielle entre dans la commande publique par deux portes, et les confondre fait perdre du temps.

L’IA comme outil, d’abord. Des solutions promettent de rédiger un CCTP, de repérer une offre anormalement basse ou de pré-analyser les mémoires techniques. Rien dans le code n’interdit, par principe, de s’en servir. Rien n’exonère non plus l’acheteur de ses obligations : la décision reste sous sa responsabilité, l’analyse doit pouvoir être tracée et les informations communiquées par les candidats restent soumises aux exigences de confidentialité et, le cas échéant, au secret des affaires. Déposer les mémoires techniques de cinq candidats dans un service en ligne grand public pose donc un problème avant même la question de la qualité de l’analyse, notamment au regard de la confidentialité, du secret des affaires et du RGPD. Le règlement européen sur l’IA (UE) 2024/1689 ajoute ses obligations propres, qui varient selon le rôle de l’acteur et le niveau de risque du système.

L’IA comme objet du marché, ensuite. Une collectivité qui achète une solution d’IA doit maintenant y attacher une clause et un critère environnementaux, comme pour n’importe quel achat soumis à l’article 35. Sauf que l’empreinte d’un modèle reste difficile à documenter de façon homogène, et que peu de candidats disposent encore de données complètes. Deux appuis existent : le Référentiel général pour l’IA frugale, publié par l’Ecolab et l’AFNOR (AFNOR SPEC 2314), et le RGESN pour la partie service numérique. L’Arcep a proposé d’aller plus loin, avec un critère « IA frugale » suffisamment pondéré dans les marchés de services d’IA générative de l’État et des collectivités. Le précédent de l’article 55 de la loi AGEC, qui demande à l’administration de favoriser les logiciels dont la conception limite la consommation énergétique associée à leur utilisation, montre que la sobriété logicielle est déjà entrée dans le droit de l’achat public.

Un avis, pour finir. Sur ce type d’achat, l’essentiel du gain environnemental se joue avant la clause, au moment où l’on dimensionne le besoin. Beaucoup de projets partent sur un modèle générique surdimensionné là où un traitement classique suffirait. Une exigence de sobriété écrite dans un cahier des charges qui commande dix fois trop de calcul ne rattrape rien.

SOURCES

Règlement (UE) 2024/1689 du 13 juin 2024 sur l’intelligence artificielle : EUR-Lex

Référentiel général pour l’IA frugale, Ecolab et AFNOR : ministère de la Transition écologique et AFNOR SPEC 2314

Référentiel général d’écoconception des services numériques (RGESN), version 2024 : ecoresponsable.numerique.gouv.fr

Arcep, rapport « IA et environnement », 21 mai 2026 : communiqué et rapport complet

Loi n° 2020-105 du 10 février 2020 (AGEC), article 55 : Légifrance

Obligations environnementales applicables à cet achat, fiches DAJ : article 35, fiches oui / non

Pour aller plus loin

Un webinaire dédié au sujet le 16 novembre  2026.