Intelligence artificielle et études d’impact biodiversité : vers une nouvelle génération d’évaluation environnementale augmentée
L’intelligence artificielle entre dans une phase décisive pour les études d’impact biodiversité. Ce mouvement n’est pas simplement une modernisation logicielle de plus. Il modifie la façon même de produire, d’organiser, de vérifier et de discuter la preuve environnementale. Les articles les plus récents consacrés à l’impact assessment convergent sur ce point : l’IA est déjà utilisée pour automatiser des tâches répétitives, accélérer l’extraction d’information dans de grands corpus, assister le screening, améliorer la recherche documentaire et soutenir certaines formes d’analyse, mais elle soulève simultanément des questions de fiabilité, de biais, de transparence, d’imputabilité et de légitimité démocratique. (Bond & Dusík, 2025).
Dans ce contexte, les études d’impact biodiversité constituent un terrain particulièrement exigeant. Elles combinent des volumes documentaires élevés, des chaînes causales complexes, des données naturalistes hétérogènes, des contraintes réglementaires fortes et des incertitudes écologiques irréductibles. Une étude d’impact biodiversité ne consiste pas seulement à décrire des espèces ou des habitats ; elle doit relier un projet, ses activités, ses pressions, ses effets sur les milieux, ses conséquences sur les espèces et les fonctionnalités écologiques, puis démontrer la cohérence de la séquence éviter-réduire-compenser, la pertinence des variantes, la qualité du raisonnement et la crédibilité du suivi. C’est précisément cette architecture de relations qui rend le domaine propice à une IA fondée sur des corpus curés, des systèmes de recherche sémantique, des graphes de connaissance et des cadres causaux comme DAPSI(W)R(M). (Kørnøv et al., 2025 ; Elliott et al., 2017 ; Patrício et al., 2016).
La littérature récente montre cependant que l’IA la plus visible aujourd’hui n’est pas encore celle qui répond le mieux aux exigences de la biodiversité. Les grands modèles de langage sont utiles pour résumer, comparer, classer, expliquer des textes et assister des workflows. Ils sont nettement moins robustes lorsqu’il s’agit d’inférer des enjeux écologiques locaux, de traiter correctement des cas multi-projets, ou de distinguer ce qui relève d’une donnée observée, d’une présence potentielle, d’une hypothèse, d’un manque d’inventaire ou d’un impact résiduel substantiel. L’étude de cas menée en Afrique du Sud sur le screening assisté par GPT le montre bien : un GPT spécialisé peut progresser significativement d’une version à l’autre et aider le repérage des activités déclenchantes, mais il reste mis en difficulté par les projets vastes, composés, à multiples seuils et multiples déclencheurs. Les auteurs concluent donc à un usage utile, à condition qu’il reste itératif, contextualisé et sous supervision humaine. (Cilliers et al., 2025).
La bonne question n’est donc pas de savoir si un LLM peut “rédiger une étude d’impact”. La bonne question est de savoir quelle architecture technique, documentaire, scientifique et organisationnelle permet de créer une évaluation augmentée qui soit plus rapide sans devenir plus fragile, plus lisible sans devenir plus simplificatrice, et plus industrialisable sans perdre la finesse écologique nécessaire à la décision publique. L’expérience du Danish EA Hub éclaire ici un point central : la performance et la fiabilité de l’IA dépendent moins de la sophistication abstraite du modèle que de la qualité, de la structuration, de la gouvernance, de la mise à jour et de l’alignement procédural du corpus qui l’alimente. (Kørnøv et al., 2025).
Cet article défend une thèse simple : l’avenir des études d’impact biodiversité ne réside ni dans un simple chatbot posé sur des PDF, ni dans une automatisation bureaucratique du vivant. Il réside dans une combinaison structurée entre expertise écologique, données naturalistes, droit de l’environnement, SIG, télédétection, monitoring multimodal, graphes de connaissance et assistants IA transparents. Cette combinaison permettrait de transformer l’étude d’impact en système de preuve interrogeable : un système où chaque conclusion renvoie à des sources, chaque pression à un mécanisme, chaque impact à un récepteur, chaque mesure ERC à une chaîne causale explicite, chaque engagement à un indicateur de suivi, et chaque incertitude à un statut assumé. (Bond & Dusík, 2025 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).
La proposition formulée ici pour Natural Solutions repose sur sept principes : corpus maîtrisé, traçabilité intégrale, raisonnement causal explicite, human-in-the-loop, traitement explicite des incertitudes, interopérabilité des données naturalistes et gouvernance responsable. À partir de ces principes, l’article présente une méthode Natural Solutions, une architecture cible, des modules de plateforme, un benchmark des briques utiles, une feuille de route “Étude d’impact 2030”, et des recommandations opérationnelles à destination de trois publics clés : bureaux d’études, autorités environnementales et développeurs d’outils IA. L’objectif n’est pas de promettre une substitution de l’expertise, mais de dessiner les conditions d’une expertise écologique augmentée, plus vérifiable, plus cumulative et plus utile collectivement. (McGovern et al., 2022 ; Bond & Dusík, 2025 ; Kørnøv et al., 2025).
Résumé
L’intelligence artificielle transforme déjà l’évaluation environnementale, mais ses usages les plus visibles ne répondent pas encore aux exigences les plus fortes des études d’impact biodiversité. Celles-ci exigent de relier projet, pressions, habitats, espèces, impacts, séquence ERC et suivi dans une chaîne de preuve à la fois scientifique, réglementaire et démocratique. La littérature récente montre que l’IA est la plus mature pour le screening, la recherche sémantique, la synthèse documentaire et certains cas de modélisation prédictive, tandis que la conception de mesures, l’audit de conformité et la prise en compte des subtilités locales exigent toujours une supervision humaine forte. À partir des travaux récents sur l’IA dans l’impact assessment, des graphes de connaissance, des cadres DAPSI(W)R(M) et des infrastructures de données curées, cet article propose une synthèse critique et une méthode Natural Solutions pour une étude d’impact biodiversité augmentée. Il défend une architecture combinant LLM, RAG, graphes causaux, SIG, télédétection, données naturalistes et monitoring multimodal, afin de rendre l’évaluation plus traçable, plus cohérente et plus auditable. (Bond & Dusík, 2025 ; Cilliers et al., 2025 ; Kørnøv et al., 2025 ; Elliott et al., 2017).
Table des matières
Revue de littérature et état de l’art
L’histoire récente de l’IA appliquée à l’impact assessment peut être lue comme un passage de l’automatisation dispersée à l’infrastructure cognitive spécialisée. Bond et Dusík rappellent que les premières applications de l’IA dans l’évaluation environnementale remontent aux années 1990, mais que l’accélération massive n’intervient vraiment qu’après l’arrivée des LLM publics à partir de la fin 2022. Leur revue situe cette inflexion dans une trajectoire plus longue : d’abord fondations et explorations, puis intégration avec la télédétection, les modèles écologiques, le NLP, et enfin usages opérationnels de l’IA générative, des agents et des outils d’aide à la revue. (Bond & Dusík, 2025).
Ce basculement n’est pas seulement quantitatif. Il est aussi qualitatif, parce que le domaine passe d’outils spécialisés traitant une variable ou une modalité de données à des outils capables d’opérer directement sur les textes, les annexes, les pièces réglementaires, les décisions d’appel, les cartes, les couches spatiales et, à terme, les flux de monitoring. En d’autres termes, l’IA n’intervient plus seulement en aval de l’étude pour modéliser un signal biophysique ; elle commence à pénétrer tout le cycle de vie de l’évaluation, du screening à la conformité post-décision. (Bond & Dusík, 2025 ; Kørnøv et al., 2025).
La littérature récente peut être regroupée en cinq familles complémentaires. La première concerne l’IA environnementale générale, notamment le machine learning appliqué à la modélisation environnementale, la prévision, l’analyse de pollution et la télédétection. Hsieh a documenté cette trajectoire sur le temps long ; Ma et al. ont synthétisé l’essor du deep learning en télédétection ; Essamlali et al. montrent son extension aux réseaux de capteurs et à l’IoT pour le suivi de la qualité de l’eau. Cette famille n’est pas centrée sur l’étude d’impact, mais elle fournit des briques essentielles pour l’alimentation des baselines et du monitoring. (Hsieh, 2009 ; Hsieh, 2022 ; Ma et al., 2019 ; Essamlali et al., 2024).
La deuxième famille concerne l’IA écologique, qui embrasse la reconnaissance d’espèces, la bioacoustique, la vision par ordinateur, la modélisation d’habitats et parfois les réseaux d’interactions. Le travail de Norouzzadeh et al. sur les pièges photographiques est emblématique : le deep learning y a automatisé l’identification, le comptage et la description d’animaux sauvages à grande échelle, avec des gains de temps considérables sur des millions d’images. De manière plus large, Tuia et al. ont montré que l’intégration du machine learning dans les workflows de conservation permettait d’exploiter des volumes croissants de données issues des smartphones, drones, satellites, enregistreurs audio et bio-loggers. Pichler et al., de leur côté, montrent que des modèles de machine learning peuvent mieux prédire certaines interactions dans les réseaux écologiques que des modèles statistiques plus simples. (Norouzzadeh et al., 2018 ; Tuia et al., 2022 ; Pichler et al., 2020).
La troisième famille, la plus directement liée au sujet, concerne l’IA dans l’impact assessment lui-même. Sur ce terrain, Bond et Dusík fournissent l’état de l’art le plus synthétique : automatisation, cohérence documentaire, gains de productivité, support à la revue, intégration de données, accès à l’information, mais aussi hallucinations, biais, coûts de déploiement, manque de transparence et questions d’imputabilité. L’intérêt de leur article tient aussi au lien qu’il établit entre littérature, retours d’expérience du congrès IAIA25 et enquête auprès de praticiens, ce qui permet de distinguer les usages expérimentaux, les usages pilotes et les usages plus stabilisés. (Bond & Dusík, 2025).
Dans cette famille, l’article de Cilliers et al. apporte un résultat particulièrement utile pour la pratique : le screening assisté par GPT peut fonctionner, mais il fonctionne mieux dans un environnement juridiquement borné, à partir d’une base de connaissances limitée, avec des instructions très détaillées et après plusieurs itérations de raffinement. Les auteurs montrent aussi que le niveau de détail des consignes fournies au modèle a un effet direct sur la performance, tout en soulignant que les cas complexes demeurent problématiques. Leurs résultats sont loin d’autoriser une autonomie machine ; ils militent au contraire pour une logique d’assistance experte, de clarification interactive et de validation humaine. (Cilliers et al., 2025).
La quatrième famille porte sur les infrastructures de données et la recherche sémantique. C’est ici que le travail de Kørnøv, Lyhne et Sveding est le plus important. Leur article sur le Danish EA Hub montre que la question cardinale n’est pas “quel LLM choisir ?”, mais “sur quelles données l’IA s’appuie-t-elle, avec quelles garanties, pour quels usages, et avec quel cycle de mise à jour ?”. Le Danish EA Hub rassemble plus de 2 500 rapports géoréférencés d’évaluation environnementale et environ 1 400 décisions d’appel, enrichis de métadonnées, de fonctions de recherche spatiale, de recherche classique et de recherche sémantique assistée par LLM. Les auteurs défendent une approche data-centric : corpus contrôlé, alignement procédural, conformité légale, maintenance incrémentale, participation des acteurs et ancrage institutionnel. (Kørnøv et al., 2025).
La cinquième famille regroupe les cadres causaux, ontologies et graphes de connaissance. Ici, le couple DPSIR/DAPSI(W)R(M) joue un rôle structurant. Elliott et al. proposent DAPSI(W)R(M) pour distinguer explicitement les besoins humains, les activités, les pressions, les changements d’état, les impacts sur le bien-être et les réponses sous forme de mesures. Le document de synthèse consacré à DAPSI(W)R(M) et aux knowledge graphs en EIA montre qu’une intégration opérationnelle est envisageable : utiliser DAPSI(W)R(M) comme schéma causal et les graphes de connaissance comme structure de peuplement, d’interrogation, de traçabilité et d’apprentissage. Ce cadre s’avère particulièrement adapté à l’étude d’impact biodiversité, où les chaînes pression–habitat–espèce–mesure doivent être explicitées, documentées et suivies. (Elliott et al., 2017 ; Patrício et al., 2016 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).
Synthèse critique de la littérature
La revue de littérature permet de dégager six enseignements. D’abord, l’IA est déjà utile pour les tâches de recherche, de lecture, de repérage, d’extraction et de comparaison de documents ; c’est la zone de maturité la plus clairement documentée. Ensuite, sa performance dépend fortement du domaine, du corpus et du cadrage de la tâche ; les solutions généralistes sous-performent dès que les cas deviennent trop spécifiques ou juridiquement fins. Troisièmement, les dispositifs les plus solides ne reposent pas sur une génération libre, mais sur une combinaison de corpus curés, de récupération documentaire, de contraintes explicites et de validation experte. Quatrièmement, l’IA environnementale la plus intéressante pour la biodiversité est multimodale : texte, image, son, capteurs, géodonnées, monitoring, droit, historique des décisions. Cinquièmement, les graphes de connaissance et les cadres causaux offrent une voie prometteuse pour dépasser la simple recherche sémantique et passer à des systèmes de raisonnement plus auditables. Enfin, les questions de confiance, de biais, d’accès équitable et de responsabilité humaine ne sont pas périphériques ; elles déterminent la capacité réelle d’intégration de l’IA dans des procédures publiques et potentiellement contentieuses. (Bond & Dusík, 2025 ; Cilliers et al., 2025 ; Kørnøv et al., 2025 ; McGovern et al., 2022).
Tableau comparatif des grandes familles de littérature
La convergence de ces familles suggère qu’aucune brique n’est suffisante seule. Une plateforme utile pour la biodiversité doit articuler au moins quatre couches : un corpus juridiquement et scientifiquement maîtrisé, une couche sémantique de recherche et d’extraction, une couche causale de représentation des chaînes d’impact, et une couche de monitoring multimodal capable de réinjecter du réel dans le système. (Kørnøv et al., 2025 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d. ; Tuia et al., 2022).
Point de vue Natural Solutions
Le vrai saut qualitatif ne viendra pas d’un meilleur prompt, mais d’une meilleure structure des preuves. L’étude d’impact biodiversité doit devenir un objet calculable sans cesser d’être un objet écologique. Cela suppose de transformer les rapports en graphes, les mesures en hypothèses testables et les engagements en indicateurs suivables.
Ce que l’IA change dans une étude d’impact biodiversité
L’étude d’impact biodiversité peut être décomposée en un cycle de huit opérations : qualification réglementaire, cadrage, description du milieu, analyse des pressions, prédiction des effets, construction de la séquence ERC, participation/révision, puis suivi et apprentissage. Toutes ces opérations sont touchées par l’IA, mais pas au même degré ni avec le même niveau de fiabilité. La maturité actuelle est fortement asymétrique : l’IA est déjà bonne pour lire, retrouver, résumer, comparer ; elle est beaucoup moins fiable dès qu’elle doit réellement juger, hiérarchiser des enjeux locaux ou démontrer la suffisance d’une mesure sur le terrain. (Bond & Dusík, 2025 ; Cilliers et al., 2025).
Screening et présomption d’enjeu
Le screening est la porte d’entrée. En théorie, c’est une phase simple : il s’agit de savoir si un projet relève ou non d’une procédure donnée. En pratique, c’est un maillon critique, particulièrement exposé au contentieux, parce qu’il dépend souvent d’une lecture précise de seuils, de rubriques, de localisations sensibles, de composantes du projet et d’interactions entre autorisations. L’intérêt de l’IA est évident : elle peut scanner rapidement une description de projet, relever des mots-clés, rapprocher des seuils, signaler des activités déclenchantes, pointer des lacunes de description et demander des précisions. L’étude de Cilliers et al. montre toutefois que l’utilité réelle repose sur un cadrage strict et que l’erreur demeure non négligeable, notamment pour les projets composés et multi-déclencheurs. (Cilliers et al., 2025).
Pour la biodiversité, le screening assisté peut aller au-delà du simple texte juridique. Il peut signaler des proximités avec des zones humides, des habitats d’espèces, des continuités écologiques, des données naturalistes historiques, des périmètres de protection ou des contextes cumulatifs. Mais dès que l’on passe au “potentiel” biologique, la machine ne devrait plus produire une conclusion fermée ; elle devrait produire une alerte argumentée, indiquer les incertitudes et proposer des compléments nécessaires. C’est exactement là qu’un design human-in-the-loop devient plus pertinent qu’une réponse automatique. (Bond & Dusík, 2025 ; Cilliers et al., 2025).
Cadrage et revue des enjeux
Le cadrage scientifique d’une étude d’impact est l’étape où l’expertise gagne ou perd sa profondeur. Quelles espèces rechercher ? Quels habitats décrire ? Quelles périodes d’inventaire sont nécessaires ? Quels référentiels mobiliser ? Quels effets cumulés considérer ? La littérature sur le Danish EA Hub montre à quel point l’accès rapide à des rapports passés, à des métadonnées propres, à des décisions d’appel et à une recherche sémantique fine peut faire gagner en qualité de cadrage. L’IA peut aider à repérer des analogies de projets, des variantes déjà étudiées, des thèmes régulièrement soulevés par les autorités, des omissions fréquentes et des points sensibles par secteur ou territoire. (Kørnøv et al., 2025).
Pour la biodiversité, cette phase devrait aussi s’appuyer sur les grandes infrastructures de données comme le GBIF pour les occurrences ouvertes, les chaînes de classification EUNIS pour les habitats, les données de monitoring, les inventaires locaux et les référentiels naturalistes nationaux. Le rôle de l’IA n’est pas de remplacer ces sources, mais de les relier. GBIF a précisément été conçu pour faciliter l’accès libre aux données de biodiversité à l’échelle mondiale et favoriser leur interopérabilité ; de son côté, l’évolution récente des cartes EUNIS produites par apprentissage automatique montre que la cartographie d’habitats gagne en finesse spatiale et thématique, ce qui ouvre des perspectives importantes pour le cadrage et la priorisation des investigations. (Heberling et al., 2021 ; Si-Moussi et al., 2025).
Baseline écologique et production de la preuve
L’IA change déjà la baseline. Elle peut classer des images satellite, extraire des objets depuis des orthophotos, reconnaître des signaux acoustiques, identifier des espèces à partir de pièges photo, assister des inventaires par drone, rapprocher des observations historiques et récentes, ou signaler des discordances entre ce qui est décrit dans un rapport et ce que suggèrent les données ouvertes et les référentiels spatiaux. La montée en puissance de la vision par ordinateur en biodiversité est documentée par Norouzzadeh et al., tandis que Tuia et al. insistent sur l’effet combiné des capteurs bon marché et du machine learning sur les workflows de conservation. (Norouzzadeh et al., 2018 ; Tuia et al., 2022).
Il faut néanmoins insister sur un point trop souvent sous-estimé : une baseline n’est pas seulement un ensemble de données. C’est une interprétation écologique située. Si une IA détecte un taxon sur des sons, sur des images, ou par rapprochement avec un habitat favorable, cela ne vaut ni observation de terrain équivalente, ni évaluation complète de fonctionnalité écologique. L’apport de l’IA consiste à enrichir le faisceau d’indices, à augmenter la capacité de dépistage et à améliorer la continuité temporelle du suivi, non à transformer toute prédiction en présence certaine. Ce point est essentiel pour éviter la confusion entre “signal détecté”, “présence probable”, “présence avérée”, “impact significatif” et “enjeu réglementaire”. (McGovern et al., 2022 ; Bond & Dusík, 2025).
Analyse des pressions et prédiction d’impact
Là où l’IA devient particulièrement intéressante, c’est lorsqu’elle cesse d’être purement textuelle et s’adosse à une structure causale. Un projet d’aménagement n’impacte pas directement “la biodiversité” au sens abstrait. Il produit des activités, lesquelles génèrent des pressions : destruction, fragmentation, lumière, bruit, changement hydro-sédimentaire, pollution, collision, dérangement, artificialisation, modification de gestion, etc. Ces pressions produisent à leur tour des changements d’état sur les habitats, les communautés, les fonctions écologiques et les espèces. DAPSI(W)R(M) rend cette logique explicite en séparant besoins, activités, pressions, changements d’état, impacts sur le bien-être et mesures. (Elliott et al., 2017 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).
Dans ce cadre, l’IA peut servir à peupler, relier et interroger les nœuds du raisonnement. Un knowledge graph peut associer un tronçon de projet à une pression, une pression à un type d’habitat, un habitat à une communauté ou à une espèce, une espèce à un statut, un impact résiduel à une mesure compensatoire, une mesure à un indicateur, et un indicateur à un protocole de suivi. Dans d’autres domaines environnementaux, ce type d’approche n’est déjà plus seulement théorique : Myklebust et al. montrent que les embeddings de graphes de connaissance peuvent améliorer la prédiction d’effets biologiques adverses en écotoxicologie ; Nealey et Altintas montrent quant à eux que des graphes spatio-temporels peuvent relier données capteurs et télédétection pour l’analyse environnementale. (Myklebust et al., 2021 ; Nealey & Altintas, 2025).
Séquence ERC et audit de cohérence
La séquence ERC reste le cœur normatif de l’étude d’impact biodiversité. Or c’est aussi une zone où de nombreux dossiers souffrent de faiblesses structurelles : évitement peu démontré, réduction générique, compensation mal reliée aux impacts résiduels, indicateurs de suivi déconnectés des hypothèses écologiques réellement formulées. Un système d’IA bien conçu peut apporter une valeur considérable, non pas en “inventant” les mesures, mais en audité la cohérence du dossier. Il peut vérifier que chaque pression significative a une mesure associée, que les mesures sont attachées à des récepteurs et à des mécanismes plausibles, que des impacts résiduels n’ont pas été oubliés, ou que des formulations standardisées ne masquent pas l’absence d’ancrage écologique réel. (Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d. ; Bond & Dusík, 2025).
C’est précisément ici qu’un raisonnement graphique apporte plus qu’un LLM pur. Une recherche sémantique peut retrouver la mention d’une mesure. Un graphe causal peut, lui, demander : à quel impact résiduel cette mesure répond-elle ? Sur quelle pression agit-elle ? Sur quelle période ? Avec quel indicateur de succès ? Avec quelle preuve d’implémentation ? Avec quel seuil d’efficacité ? Cette logique transforme ERC en objet vérifiable. Elle est particulièrement adaptée à un futur dans lequel les engagements environnementaux devront être mieux suivis, mieux documentés et mieux opposables. (Elliott et al., 2017 ; Kørnøv et al., 2025).
Participation publique et lisibilité
L’une des promesses les plus intéressantes de l’IA n’est pas seulement technique ; elle est démocratique. Les praticiens interrogés par Bond et Dusík considèrent que l’IA pourrait rendre la participation plus éclairée en simplifiant les documents, en facilitant l’accès aux informations pertinentes et en produisant des formats plus lisibles pour les parties prenantes. Mais le risque inverse existe : approfondissement des inégalités numériques, surproduction d’observations artificielles, confiance réduite, effacement des nuances locales, accélération procédurale au détriment de la délibération. (Bond & Dusík, 2025).
Pour la biodiversité, un bon assistant citoyen ne devrait jamais “parler à la place du dossier”. Il devrait au contraire rendre le dossier plus compréhensible : expliquer les impacts par espèce ou par habitat, représenter les emprises sur carte, montrer quelle mesure répond à quelle pression, expliciter les incertitudes et permettre à chacun de retrouver la source d’une affirmation. L’objectif n’est pas d’automatiser le débat, mais d’augmenter la qualité informationnelle du débat. (Bond & Dusík, 2025 ; Nooteboom, 2025).
Point de vue Natural Solutions
La meilleure IA pour l’étude d’impact biodiversité n’est pas celle qui rédige le plus vite. C’est celle qui rend les faiblesses du dossier visibles, qui demande les données manquantes, qui distingue les faits des hypothèses et qui organise la contradiction scientifique plutôt que de la masquer.
Méthode Natural Solutions
La méthode proposée ici part d’un constat simple : les études d’impact biodiversité sont aujourd’hui produites comme des documents, alors qu’elles devraient être conçues comme des systèmes de preuve. Le document final reste nécessaire, parce qu’il constitue la forme juridique et publique de l’évaluation. Mais en amont de ce document, il faudrait disposer d’une structure interne qui relie les données, les textes, les cartes, les inventaires, les hypothèses, les incertitudes, les mesures, les engagements et les suivis. C’est cette structure que Natural Solutions peut utilement porter, compte tenu de son positionnement historique à l’intersection de la biodiversité, de la donnée naturaliste, des SIG, de l’open source et de l’ingénierie logicielle. Cette proposition s’inscrit directement dans les enseignements de la littérature sur les corpus curés, les graphes et le human-in-the-loop. (Kørnøv et al., 2025 ; Bond & Dusík, 2025 ; McGovern et al., 2022).
Principes de conception
Le premier principe est la maîtrise du corpus. Une IA sérieuse pour l’impact biodiversité ne doit pas s’appuyer prioritairement sur le web ouvert, mais sur un ensemble de sources gouvernées : dossier projet, avis, décisions, référentiels réglementaires, bases naturalistes, couches SIG, données d’observation et historique des suivis. Le second principe est la traçabilité intégrale : chaque assertion produite par le système doit pouvoir être renvoyée à une source identifiable. Le troisième est l’explicitation causale : les chaînes projet–activité–pression–état–impact–mesure doivent être représentées explicitement. Le quatrième est le human-in-the-loop : la responsabilité finale doit rester humaine, ce que rappellent à la fois la littérature professionnelle et le cadre général de l’IA responsable. Le cinquième est le traitement explicite des incertitudes. Le sixième est l’interopérabilité avec les outils naturalistes et géospatiaux existants. Le septième enfin est la gouvernance évolutive, seule garantie qu’un système reste pertinent face aux changements réglementaires, méthodologiques et écologiques. (Bond & Dusík, 2025 ; Kørnøv et al., 2025 ; McGovern et al., 2022).
Architecture technique de référence
La plateforme cible repose sur une architecture multicouche. Une première couche d’ingestion normalise les documents, données tabulaires, couches spatiales, observations naturalistes, données acoustiques, images drone ou satellite et flux de monitoring. Une deuxième couche indexe ces contenus pour la recherche classique et la recherche sémantique. Une troisième couche construit un graphe de connaissance aligné sur DAPSI(W)R(M), les entités naturalistes, les composantes réglementaires et les éléments du projet. Une quatrième couche met en œuvre des modèles spécialisés : LLM avec RAG, classification vision/audio, détection d’anomalies, extraction d’entités, contrôle de cohérence, raisonnement sur graphe. Enfin une cinquième couche expose des interfaces métier différenciées : bureau d’études, autorité, maître d’ouvrage, citoyen, auditeur. Ce type d’architecture est cohérent avec les recommandations issues du Danish EA Hub, avec les approches de graphes spatio-temporels et avec les besoins identifiés par la littérature sur l’IA en IA. (Kørnøv et al., 2025 ; Nealey & Altintas, 2025 ; Bond & Dusík, 2025).
Limites, risques et gouvernance
Il serait contre-productif de présenter l’IA comme une évidence sans friction pour les études d’impact biodiversité. La littérature la plus récente insiste au contraire sur l’ambivalence de la technologie : outil prometteur et force potentiellement disruptive à la fois. Les bénéfices sont réels, mais ils sont inséparables d’un ensemble de risques qui, dans une procédure encadrée juridiquement, peuvent rapidement devenir des risques de défaillance publique ou contentieuse. (Bond & Dusík, 2025 ; Fitzgerald & Taylor, 2025).
Hallucinations et faux sentiment de maîtrise
Le premier risque reste celui des hallucinations. Dans le contexte de l’impact assessment, une hallucination n’est pas une erreur anodine. Il peut s’agir d’une rubrique réglementaire inventée, d’une mesure mal attribuée, d’un statut de protection erroné, d’une confusion taxonomique, d’une interprétation trop assurée à partir d’un corpus insuffisant, ou d’une inférence locale non soutenue par des données. Bond et Dusík classent ce risque parmi les faiblesses structurelles de l’IA actuelle, et la littérature plus générale sur l’IA environnementale rappelle que le domaine n’est pas immunisé contre les biais ou les erreurs simplement parce que ses données sont “naturelles”. (Bond & Dusík, 2025 ; McGovern et al., 2022).
Ce risque est aggravé par un faux sentiment de maîtrise. Parce que les LLM produisent un texte fluide, bien structuré et crédible en apparence, l’utilisateur peut surévaluer la qualité du raisonnement sous-jacent. Or l’étude de Cilliers et al. montre qu’un système apparemment performant peut encore manquer des déclencheurs importants, surtout dans les projets complexes. La conséquence pratique est claire : tout système déployé dans l’étude d’impact doit distinguer explicitement les faits extraits, les rapprochements probables, les hypothèses, les zones inconnues et les besoins de clarification. (Cilliers et al., 2025).
Biais de données et angle mort local
Le second risque est celui du biais de données. Les données naturalistes sont toujours partielles : effort d’observation inégal, couverture temporelle lacunaire, zones mieux connues que d’autres, biais taxonomiques, différences de précision géographique, effets d’observateurs, décalages de nomenclature. Une IA branchée sur de telles données peut amplifier ces déséquilibres plutôt que les corriger. En outre, la littérature sur l’IA dans l’impact assessment rappelle que les corpus généraux peuvent manquer de connaissances contextuelles cruciales, notamment des facteurs locaux, culturels, historiques ou saisonniers. En biodiversité, cela vaut aussi pour les populations discrètes, les usages saisonniers d’habitats, les corridors peu visibles, les milieux temporaires, ou les dynamiques de connectivité ne se lisant pas directement dans une occurrence brute. (Bond & Dusík, 2025 ; Kørnøv et al., 2025).
Responsabilité, légalité, transparence
Le troisième risque est institutionnel. Qui est responsable si une IA oublie un enjeu majeur ou produit une mauvaise chaîne de raisonnement ? Les publications récentes insistent toutes sur la nécessité de maintenir une responsabilité humaine pleine. Dans la spécial issue 2025 de Impact Assessment and Project Appraisal, cette exigence revient sous plusieurs formes : supervision non négociable, responsabilité humaine, transparence d’usage, protection des données, gouvernance claire. Le cadre général européen va dans le même sens : l’AI Act définit un système d’IA de manière assez large pour couvrir aussi des systèmes à complexité variable, et la littérature de Kørnøv et al. insiste sur la nécessité d’aligner les applications avec les exigences juridiques, institutionnelles et procédurales de leur domaine d’usage. (Kørnøv et al., 2025 ; Bond & Dusík, 2025).
Pour une étude d’impact biodiversité, cela implique au minimum quatre obligations de gouvernance : journaliser l’usage de l’IA ; documenter les sources mobilisées ; distinguer clairement les sorties génératives des extraits documentaires ; maintenir une chaîne de validation experte jusqu’au document final. Sans cela, le gain de temps apparent risque de se payer par une fragilité contentieuse accrue. (Bond & Dusík, 2025 ; Planning Inspectorate, 2024, cité par Bond & Dusík).
Déqualification des compétences et modèle économique
Un autre risque souvent sous-estimé concerne la formation des professionnels. Les répondants interrogés par Bond et Dusík soulignent le risque de voir les praticiens évoluer de “rédacteurs” à “vérificateurs”, avec moins d’occasions d’apprentissage pour les profils juniors. Dans les études d’impact biodiversité, cet enjeu est majeur : si l’on délègue trop tôt la formulation, la structuration ou le pré-diagnostic à la machine, on peut affaiblir l’apprentissage de la lecture de terrain, de la hiérarchisation écologique et du raisonnement argumentatif. Autrement dit, une IA mal intégrée peut améliorer la productivité de court terme tout en appauvrissant la base de compétences du secteur à moyen terme. (Bond & Dusík, 2025).
Coût, empreinte et dette de maintenance
L’IA n’est pas gratuite, ni techniquement, ni écologiquement, ni organisationnellement. Les systèmes robustes exigent une gouvernance documentaire, des pipelines de mise à jour, des contrôles qualité, parfois des graphes complexes, des couches de monitoring, des audits de performance et des arbitrages permanents entre données ouvertes, données privées et données sensibles. Kørnøv et al. soulignent que la curation n’est pas un coût ponctuel mais une responsabilité continue. Bond et Dusík rappellent également que les coûts de déploiement et de maintenance peuvent contredire la promesse initiale de gain d’efficacité si l’architecture de données n’est pas bien conçue. (Kørnøv et al., 2025 ; Bond & Dusík, 2025).
Feuille de route Étude d’impact 2030
La transformation des études d’impact biodiversité ne se fera ni en un trimestre ni par basculement complet. Elle se construira par paliers. Les premières années verront surtout la généralisation de la recherche sémantique, de l’ingestion documentaire et des assistants de revue. Le milieu de la décennie devrait voir l’émergence de graphes causaux plus robustes, d’interfaces métier spécialisées et de modules de cohérence ERC. La fin de la décennie pourrait ouvrir sur des systèmes multimodaux plus intégrés, couplés à des observations terrain en continu et à des formes prudentes d’orchestration multi-agents. Cette trajectoire est cohérente avec le passage du “model-centric AI” au “data-centric AI” décrit par Kørnøv et al., et avec les observations de Bond et Dusík sur l’évolution actuelle de la pratique. (Kørnøv et al., 2025 ; Bond & Dusík, 2025).
Recommandations opérationnelles pour les bureaux d’études
Pour les bureaux d’études, la priorité n’est pas de “générer plus vite” mais de capitaliser mieux. Concrètement, cela signifie commencer par construire un corpus propre d’études passées, d’avis, de doctrines, de checklists taxonomiques et de référentiels métiers ; structurer les données et les annexes ; documenter les règles internes de qualité ; puis déployer des cas d’usage bornés : recherche sémantique interne, extraction d’entités, contrôle de cohérence de la séquence ERC, vérification des variantes et des engagements. Ce sont ces usages qui offrent le meilleur rapport valeur/risque aujourd’hui. (Bond & Dusík, 2025 ; Kørnøv et al., 2025).
Les bureaux d’études doivent également investir fortement dans l’articulation entre expertise de terrain et expertise des données. Une bonne IA biodiversité ne sera jamais uniquement une affaire de data scientists. Elle exigera l’implication d’écologues capables de qualifier les données, de juger la pertinence d’une inférence, de signaler les faux positifs et d’encoder le raisonnement métier de manière explicite. L’interdisciplinarité décrite dans les travaux sur le DREAMS project est ici un modèle utile : la valeur naît de la coproduction entre spécialistes des procédures, experts écologues, responsables institutionnels et ingénieurs des données. (Kørnøv et al., 2025).
Recommandations opérationnelles pour les autorités environnementales
Pour les autorités, le premier enjeu est la capacité de revue. Un système bien conçu peut les aider à retrouver du temps et de la cohérence, surtout dans des contextes où les ressources sont contraintes. Mais cette capacité ne doit jamais être utilisée pour justifier des délais irréalistes ou une délégation implicite de la décision à la machine. Il serait plus pertinent de déployer des outils d’assistance à la revue, à la comparaison inter-dossiers, à la traçabilité des demandes de compléments et au contrôle des engagements. Là encore, le Danish EA Hub offre un exemple concret d’infrastructure publique pouvant soutenir cette ambition. (Bond & Dusík, 2025 ; Kørnøv et al., 2025).
Les autorités devraient aussi promouvoir des standards d’échange plus exigeants : métadonnées minimales obligatoires, description normalisée des mesures ERC, formatage plus structuré des tableaux d’impacts, publication des suivis, liens explicites entre mesures, indicateurs, localisations et obligations temporelles. Sans cette standardisation légère, la promesse d’une évaluation plus cumulative et apprenante restera limitée. (Kørnøv et al., 2025 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).
Recommandations opérationnelles pour les développeurs
Pour les développeurs, trois orientations semblent décisives. La première est de privilégier des systèmes spécifiques au domaine, ancrés dans des corpus et des ontologies environnementales, plutôt que des interfaces généralistes. La deuxième est de travailler l’auditabilité nativement : chaque sortie utile doit être traçable, versionnée, sourcée et contestable. La troisième est de concevoir des systèmes hybrides : RAG, graphe, règles, géospatial, classification spécialisée, monitoring temps réel. Le futur utile de l’IA en biodiversité n’est pas monosystème ; il est orchestré, borné et supervisé. (Kørnøv et al., 2025 ; Bond & Dusík, 2025 ; Myklebust et al., 2021).
Questions ouvertes pour la recherche et l’innovation
Plusieurs questions restent ouvertes. Comment représenter proprement les espèces potentielles sans les confondre avec les espèces avérées ? Comment intégrer le temps dans les graphes d’impact, alors que les phases projet, les périodes d’inventaire et les fenêtres biologiques se chevauchent imparfaitement ? Comment qualifier l’incertitude à un niveau compréhensible pour le juge, l’autorité et le citoyen ? Comment intégrer les suivis post-autorisation de manière cumulative à l’échelle d’un territoire ? Comment éviter que les standards textuels n’appauvrissent la finesse écologique ? Comment former les professionnels pour qu’ils gardent la maîtrise du terrain et du jugement ? Ces questions montrent qu’il reste de la recherche à faire, non seulement en IA, mais en ingénierie de la preuve environnementale. (Bond & Dusík, 2025 ; McGovern et al., 2022 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).
Table de références et bibliographie
Abduljabbar, M., Abdullah, W. M., Dawood, S., et al. (2025). AI-driven environmental impact assessments: Ethical and legal considerations. Environment and Social Psychology, 10(12). doi:10.59429/esp.v10i12.3994
Abdollahi, S., & Pradhan, B. (2021). Urban vegetation mapping from drone imagery and machine learning for environmental management. Environmental Monitoring and Assessment.
Agrawal, A., Gans, J., & Goldfarb, A. (2024). Power and prediction in the age of AI. Harvard Business Review Press.
Appelbaum, S. H. (1997). Socio-technical systems theory: An intervention strategy for organizational development. Management Decision, 35(6), 452–463.
Aung, T. S., & Fischer, T. B. (2025). Impact assessment in the age of artificial intelligence: Reflections from IAIA25. Impact Assessment and Project Appraisal, 43(4), 165–168.
Bingham, C., et al. (2025). Principles for the use of AI in impact assessment. IAIA Special Publication Series No. 16.
Blakley, J., & Noble, B. (2025). Cumulative effects assessment state-of-the-art. Environmental Management, 75, 2855–2861.
Bond, A., & Dusík, J. (2025). Artificial intelligence in impact assessment: The state of the art. Impact Assessment and Project Appraisal. doi:10.1080/14615517.2025.2594274
Bond, A., Dusík, J., et al. (2024). Using an artificial intelligence chatbot to critically review the scientific literature on the use of artificial intelligence in environmental impact assessment. Impact Assessment and Project Appraisal, 42(2), 189–199.
Brown, T. B., Mann, B., Ryder, N., et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems, 33, 1877–1901.
Cheng, Y., et al. (2024). Cooperative and autonomous agent systems in generative AI environments. arXiv preprint.
Chiu, K., et al. (2025). Societal integration of large language models. AI & Society.
Cilliers, D., Bond, A., Retief, F., Alberts, R., & Roos, C. (2025). Large Language Model-assisted EIA screening: A case study using GPT. Impact Assessment and Project Appraisal, 43(4), 267–277. doi:10.1080/14615517.2025.2523628
Cilliers, D., Retief, F., & Bond, A. (2022). Screening in environmental impact assessment systems: Recent developments and persistent challenges. Environmental Impact Assessment Review.
Clarke, B., & Menadue, J. (2016). EIA screening and project classification: A review of threshold approaches. Environmental Impact Assessment Review.
Curmally, A., Sandwidi, B. W., & Jagtiani, A. (2022). Artificial intelligence solutions for environmental and social impact assessments. In K. Hanna (Ed.), Handbook of environmental impact assessment. Edward Elgar.
Danish Environmental Portal. (2024). Internal evaluation of AI-assisted search functionalities in the EA Hub.
Elliott, M., Burdon, D., Atkins, J. P., Borja, Á., Cormier, R., de Jonge, V. N., & Turner, R. K. (2017). And DPSIR begat DAPSI(W)R(M)! A unifying framework for marine environmental management. Marine Pollution Bulletin, 118(1–2), 27–40. doi:10.1016/j.marpolbul.2017.03.049
Enríquez-de-Salamanca, Á. (2025). Botanical databases in EIA: Opportunities and challenges. Impact Assessment and Project Appraisal, 43(4), 302–312.
Essamlali, I., Nhaila, H., & El Khaili, M. (2024). Advances in machine learning and IoT for water quality monitoring: A comprehensive review. Heliyon, 10(6), e27920.
Fitzgerald, G., & Taylor, C. N. (2025). AI and SIA: Some reflections. Impact Assessment and Project Appraisal, 43(4), 298–301.
Fothergill, J., & Fischer, T. B. (2022). Litigation and screening under environmental assessment systems. Environmental Impact Assessment Review.
Gari, S. R., Newton, A., & Icely, J. D. (2015). A review of the application and evolution of the DPSIR framework with an emphasis on coastal social-ecological systems. Ocean & Coastal Management, 103, 63–77.
Gerassis, S., Giráldez, E., Pazo-Rodríguez, M., et al. (2021). AI approaches to environmental impact assessments in the mining and metals sector using AutoML and Bayesian modeling. Applied Sciences, 11(17), 7914. doi:10.3390/app11177914
Goto, T., & Katanoda, K. (2023). Large language model ecosystems and new knowledge interfaces. Patterns.
Heberling, J. M., Miller, J. T., Noesgaard, D., Weingart, S. B., & Schigel, D. (2021). Data integration enables global biodiversity synthesis. Proceedings of the National Academy of Sciences, 118(6), e2018093118.
Hsieh, W. W. (2009). Machine learning methods in the environmental sciences. Cambridge University Press.
Hsieh, W. W. (2022). Evolution of machine learning in environmental science: A perspective. Environmental Data Science, 1, e3.
IAIA. (1999). Principles of environmental impact assessment best practice.
Johnson, D. G., & Verdicchio, M. (2024). Socio-technical blindness in AI systems design. Ethics and Information Technology.
Jones, N. (2024). Bigger AI chatbots are more likely to give false answers than admit ignorance. Nature.
Kabir, M., et al. (2025). Task-specific GPT customization in regulatory environments. Computers and Society.
Kellenberger, B., Marcos, D., & Tuia, D. (2021). Detecting mammals in UAV images: Best practices for conservation monitoring. Methods in Ecology and Evolution.
Khan, M., et al. (2024). ChatGPT and the future of impact assessment. Impact Assessment and Project Appraisal.
Kibuacha, F. (2024). Context blindness in AI-supported development assessment. Journal of African Environmental Governance.
Kitchin, R. (2014). Big data, new epistemologies and paradigm shifts. Big Data & Society, 1(1).
Kørnøv, L., & Lyhne, I. (2021). Assessment of gaps and potentials for digitalization of environmental assessment in Denmark. Aalborg University.
Kørnøv, L., & Lyhne, I. (2023). Digitalization and simplification in environmental assessment: Opportunities and cautions. Journal of Environmental Policy and Planning.
Kørnøv, L., Lyhne, I., & Sveding, K. R. (2025). Laying the foundation for generative AI and multi-agent systems in environmental assessment: Building a curated dataset from the Danish EA Hub. Impact Assessment and Project Appraisal, 43(4), 253–266. doi:10.1080/14615517.2025.2532919
Lu, Y., et al. (2024). NotebookLM, Perplexity and the evolution of AI knowledge interfaces. Information Processing & Management.
Lyu, Z., & Du, Y. (2025). Legal and ethical risks in large language models. AI and Ethics.
Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. (2019). Deep learning in remote sensing applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152, 166–177.
Makarius, E. E., et al. (2020). The role of artificial intelligence in business transformation: A socio-technical perspective. Business Horizons, 63(6), 711–721.
Mattei, E. E., Giupponi, C., & Mysiak, J. (2004). An integrated assessment framework for water resources management: A DSS tool and a pilot study application. Ecological Modelling.
McGovern, A., Ebert-Uphoff, I., Gagne, D. J., & Bostrom, A. (2022). Why we need to focus on developing ethical, responsible, and trustworthy artificial intelligence approaches for environmental science. Environmental Data Science, 1, e6.
Myklebust, E. B., Jiménez-Ruiz, E., Chen, J., Wolf, R., & Tollefsen, K. E. (2021). Prediction of adverse biological effects of chemicals using knowledge graph embeddings. Semantic Web, 13(6), 1025–1045. doi:10.3233/SW-222804
Nadeem, A., & Hameed, F. (2008). Credibility challenges in information extraction systems. Information Sciences.
Nealey, I., & Altintas, I. (2025). Modeling remote sensing data relationships with spatiotemporal knowledge graphs. eScience. doi:10.1109/eScience65000.2025.00018
Nooteboom, S. (2025). For sustainable development, impact assessment must build trust. Artificial intelligence could support and undermine that. Impact Assessment and Project Appraisal, 43(4), 313–318.
Norouzzadeh, M. S., Nguyen, A., Kosmala, M., Swanson, A., Palmer, M., Packer, C., & Clune, J. (2018). Automatically identifying, counting, and describing wild animals in camera-trap images with deep learning. Proceedings of the National Academy of Sciences, 115(25), E5716–E5725.
Pangakis, N., & Wolken, S. (2024). Human-in-the-loop design for expert AI systems. AI Magazine.
Pasmore, W., Francis, C., Haldeman, J., & Shani, A. (1982). Socio-technical systems: A North American reflection on empirical studies of the seventies. Human Relations, 35(12), 1179–1204.
Patrício, J., Elliott, M., Mazik, K., Papadopoulou, K.-N., & Smith, C. J. (2016). DPSIR—Two decades of trying to develop a unifying framework for marine environmental management? Frontiers in Marine Science, 3, 177.
Pichler, M., Boreux, V., Klein, A.-M., Schleuning, M., & Hartig, F. (2020). Machine learning algorithms to infer trait-matching and predict species interactions in ecological networks. Methods in Ecology and Evolution, 11(2), 281–293.
Planning Inspectorate. (2024). Use of artificial intelligence in casework evidence. UK Government.
Ravn-Bøss, M., et al. (2021). Digital tools and environmental assessment practice. Impact Assessment and Project Appraisal.
Retief, F., Geneletti, D., Pope, J., & Morrison-Saunders, A. (2011). The state of EIA screening practice. Environmental Impact Assessment Review, 31(5), 505–514.
Sandfort, R., et al. (2024). AI will change EA practice—but are we ready for it? Impact Assessment and Project Appraisal.
Sandfort, R., et al. (2025). Data deficiencies and spatial quality challenges in AI-supported assessment. Impact Assessment and Project Appraisal.
Schmidthuber, L., Ingrams, A., & Hilgers, D. (2022). Government openness and public trust in data-driven governance. Public Management Review.
Si-Moussi, S., Hennekens, S., Mücher, S., et al. (2025). EUNIS habitat maps: Enhancing thematic and spatial resolution for Europe through machine learning. arXiv preprint.
Singh, R. (2023). Data-centric AI: Why data quality matters more than model complexity. Communications of the ACM.
Singh, A., Rathour, A., Gupta, R. K., et al. (2025). Employing the DPSIR framework to analyze water pollution trends. Natural and Engineering Sciences. doi:10.28978/nesciences.1811122
Tuia, D., Kellenberger, B., Beery, S., Costelloe, B. R., Zuffi, S., Risse, B., Mathis, A., Mathis, M. W., van Langevelde, F., Burghardt, T., Kays, R., Klinck, H., Wikelski, M., Couzin, I. D., van Horn, G., Crofoot, M. C., Stewart, C. V., & Berger-Wolf, T. (2022). Seeing biodiversity: Perspectives in machine learning for wildlife conservation. Nature Communications, 13, 792.
UNECE. (1998). Convention on access to information, public participation in decision-making and access to justice in environmental matters. Aarhus Convention.
van Manen, M. (2016). Researching lived experience (2nd ed.). Routledge.
Wang, H., et al. (2006). Reliability evaluation in intelligent information systems. Expert Systems with Applications.
Wiencierz, C., & Lünich, M. (2020). Open data, legitimacy and trust in digital public infrastructures. Government Information Quarterly.
Zeng, J., et al. (2023). Domain adaptation significantly enhances large language model performance in specialized tasks. arXiv preprint.
Zha, D., et al. (2024). Fit-for-purpose datasets in data-centric AI. Machine Learning Systems.
Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., et al. (2023). A survey of large language models. arXiv preprint.
Zhu, X. X., et al. (2020). Deep learning in earth observation: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 8(4), 10–43.
FAQ
Qu’est-ce que l’intelligence artificielle peut vraiment apporter à une étude d’impact biodiversité ?
Elle peut surtout accélérer la lecture et l’organisation de l’information : screening, recherche sémantique, extraction d’entités, comparaison de variantes, détection d’incohérences, suivi d’engagements et contrôle de cohérence ERC. Elle peut également enrichir la baseline et le monitoring à travers la vision par ordinateur, la télédétection, la bioacoustique ou l’intégration de données de biodiversité. En revanche, elle ne doit pas remplacer l’interprétation écologique ni la responsabilité juridique de l’évaluation. (Bond & Dusík, 2025 ; Norouzzadeh et al., 2018 ; Tuia et al., 2022).
L’IA peut-elle rédiger une étude d’impact complète ?
Elle peut contribuer à certaines parties rédactionnelles, notamment les synthèses, les tableaux de cohérence, les résumés non techniques ou les premières structurations de contenu. Mais la littérature la plus sérieuse montre qu’elle reste fragile sur les cas complexes, sur les interprétations réglementaires fines et sur les raisonnements écologiques contextualisés. Une étude d’impact complète, robuste et défendable ne peut pas être abandonnée à une génération automatique non supervisée. (Cilliers et al., 2025 ; Bond & Dusík, 2025).
Pourquoi les graphes de connaissance sont-ils si importants pour la biodiversité ?
Parce qu’ils permettent de représenter explicitement les relations entre activités, pressions, habitats, espèces, impacts, mesures et indicateurs. Ils transforment un rapport linéaire en réseau interrogeable et facilitent la vérification de la cohérence d’ensemble. Dans un domaine où la chaîne de preuve est aussi importante que le texte final, cette représentation est un atout décisif. (Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d. ; Myklebust et al., 2021).
L’IA peut-elle améliorer la séquence ERC ?
Oui, surtout pour l’auditer. Elle peut vérifier qu’un impact significatif possède des mesures associées, qu’une mesure vise bien une pression identifiable, que les impacts résiduels sont traités et que les indicateurs de suivi correspondent à des hypothèses écologiques explicites. Elle est beaucoup moins fiable si on lui demande de “juger seule” la suffisance écologique d’une compensation. (Bond & Dusík, 2025 ; Elliott et al., 2017).
Quels sont les principaux risques de l’IA dans une étude d’impact biodiversité ?
Les principaux risques sont les hallucinations, les biais de données, la perte de contexte local, l’opacité des raisonnements, la dilution de responsabilité, la déqualification progressive des compétences métiers et l’illusion qu’un texte fluide vaut expertise solide. Ces risques sont largement documentés dans la littérature récente. (Bond & Dusík, 2025 ; McGovern et al., 2022).
Quelle est la première brique à déployer dans une organisation ?
La première brique utile n’est généralement pas le modèle génératif, mais le corpus. Construire un référentiel documentaire propre, interrogeable et gouverné offre souvent plus de valeur immédiate qu’un assistant générique. C’est l’un des enseignements les plus nets du Danish EA Hub. (Kørnøv et al., 2025).
L’IA va-t-elle remplacer les écologues et les bureaux d’études ?
Rien, dans la littérature sérieuse, n’indique une substitution complète plausible à court terme dans les tâches à forte contextualisation écologique et réglementaire. L’évolution la plus probable est un déplacement des tâches : moins de temps sur le tri et la recherche basique, plus de temps sur l’interprétation, la validation, la stratégie de données, la qualité des mesures, la confrontation des alternatives et le suivi. (Bond & Dusík, 2025).
À quoi pourrait ressembler une étude d’impact biodiversité en 2030 ?
À une étude plus continue, plus cumulative et plus traçable. Les dossiers devraient être appuyés sur des corpus vivants, des graphes causaux, des données naturalistes interopérables, des outils de recherche sémantique, des modules de cohérence ERC et des suivis post-autorisation réinjectés dans la preuve. Le rapport restera nécessaire, mais il sera la vue éditoriale d’un système de connaissance plus riche. (Kørnøv et al., 2025 ; Application of DAPSI(W)R(M) and AI-Driven Knowledge Graphs Across the EIA Lifecycle, s.d.).