Comprendre les impacts systémiques de l'IA // Understanding Systemic Impacts of AI

La plupart des approches d'« IA verte » cherchent à réduire les impacts négatifs de l'IA, sans toujours en traiter les causes profondes ni remettre en question les modèles économiques et technologiques dominants. Or, améliorer seulement l'efficacité environnementale des systèmes d'IA ne suffit pas : leurs principaux impacts dépendent surtout de leurs usages et des comportements humains.

Notre étude récente montre par exemple que des gains d'efficacité énergétique dans le calcul haute performance pour l'entraînement en apprentissage automatique peuvent accroître la consommation totale d'énergie, en raison d'effets rebond liés aux comportements des utilisateurs.

Les algorithmes d'apprentissage automatique influencent aussi de nombreuses décisions importantes, comme le recrutement, les admissions universitaires, les prêts ou l'attribution de subventions bas carbone. Face à ces systèmes, individus et entreprises peuvent adapter stratégiquement leurs données ou leurs comportements pour obtenir de meilleurs résultats.

Notre projet propose donc d'utiliser des modèles de théorie des jeux pour analyser ces incitations, comprendre les effets rebond et concevoir des méthodes d'apprentissage automatique capables de favoriser des résultats plus positifs.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Most existing approaches to so-called “green AI” focus on mitigating the negative impacts of AI, yet they rarely address the root causes or challenge prevailing economic and technological paradigms. Focusing solely on technological improvements in the environmental performance of AI systems is insufficient. The primary impacts stem from how these systems are used, that is, from human practices and behaviors.
For example, in our recent study, we show that improvements in the energy efficiency of high-performance computing systems used for machine learning training can paradoxically increase total energy consumption due to self-interested user behavior. This phenomenon, known as rebound effects, is multifaceted and poses significant challenges.

Besides, machine learning algorithms are now deeply embedded in many facets of modern life, including critical decision-making processes in hiring, university admissions, loan approvals, and even net-zero carbon subsidy allocation. Individuals and companies often have strong incentives to strategically alter their data or behaviors in response to these algorithms to obtain more favorable results according to their own interests. These responses range from attempts to “game” the system (e.g., changing schools to improve ranking) to genuine efforts at self-improvement (e.g., investing more time in studying).

To investigate systemic effects and user behaviors, our project proposes using game-theoretic models to analyze participants' incentives, understand rebound dynamics, and design incentive-aware machine learning methods that foster positive outcomes.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2026

Concours allocations

Université Grenoble Alpes

217 MSTII - Mathématiques, Sciences et technologies de l'information, Informatique

Motivé et avoir une connaissance solide en algorithmique. Capacité d'analyse des algorithmes et mathématique. Ouverture d'esprit.
Motivated and possessing solid knowledge of algorithms. Ability to analyze algorithms and mathematics. Open-mindedness.