Face à la hausse des cours du pétrole, le salut viendra-t-il des biocarburants ? Aujourd’hui, les biocarburants les plus intéressants sont ceux de deuxième génération, qui s’appuient sur des sous-produits de l’agriculture et de l’industrie forestière, sans entrer en compétition avec l’alimentation. Mais dans des pays tropicaux, tels que la Malaisie ou l’Indonésie, la fragmentation des paysages et le taux d’humidité élevé des résidus font rapidement grimper la facture : de quoi affecter la compétitivité de cette alternative.

Les tensions pétrolières causées par la guerre en Iran ont fait remonter le cours du Brent à plus de 100 dollars (ou 85,88 euros) le baril début mars 2026. Depuis, les cours jouent au yoyo en fonction des espoirs diplomatiques. Les flux commerciaux sont en tout cas très loin d’avoir retrouvé leur niveau normal.

Dans ce contexte, les biocarburants – incorporant une part biosourcée, soit bioéthanol soit biodiesel – redeviennent plus visibles. À noter qu’aucun des biocarburants disponibles à la pompe n’est du bioéthanol ou du biodiesel « pur », ils sont toujours mélangés avec des carburants classiques. Ainsi, en France, en 2024, le gazole et l’essence consommés à la pompe comportaient au total environ 9 % d’énergie renouvelable biosourcée.

L’Indonésie et la Malaisie, qui souffrent particulièrement du blocage du détroit d’Ormuz pour leur approvisionnement en pétrole, ont récemment annoncé augmenter la teneur en huile de palme dans leurs biocarburants – au risque de faire grimper le cours de l’huile de palme et d’aggraver la déforestation.

Ces carburants actuels restent, pour l’essentiel, des biocarburants de première génération. Les biocarburants de deuxième génération, issus de résidus lignocellulosiques plutôt que de cultures en compétition avec l’alimentation, paraissent plus désirables. Mais à quelles conditions peuvent-ils être réellement compétitifs face aux carburants issus du pétrole ?

Encore faut-il regarder leurs coûts réels. Nous avons mené plusieurs études en Malaisie qui révèlent l’existence de plusieurs coûts cachés en lien avec la fragmentation du territoire, mais également avec le climat tropical, qui impose de transporter de la matière encore humide, faute de pouvoir la laisser sécher sur place.

Différentes générations de biocarburants

Commençons par rappeler ce qu’on entend par biocarburant de première, deuxième ou troisième génération.

• Les biocarburants de première génération utilisent des matières premières agricoles qui entrent en concurrence avec l’alimentation, par exemple les bioéthanols de betterave, de colza, de maïs ou de blé, ou encore les biodiesels de colza, de soja, ou d’huile de palme.

• Les carburants de deuxième génération, pour leur part, ne sont pas en compétition avec l’alimentation. Ils sont au contraire du recyclage de résidus agricoles ou forestiers, donc essentiellement de la cellulose (pailles, pellets, etc.), ou des huiles de cuisson « usagées » issues de la restauration.

• Ceux de troisième génération (comme les cultures de microalgues), enfin, promettent de s’affranchir de ces limites car elles ne mobilisent pas de surfaces agricoles ou forestières comme les deux premières, mais restent pour l’heure moins stabilisées aux plans technologique et économique.

Dans l’état actuel, les deux premières générations sont les seules réellement maîtrisées à l’échelle industrielle. Le débat porte donc, pour le moment, sur les conditions concrètes de réussite des biocarburants de deuxième génération.

À lire aussi : Carburants de synthèse, biocarburants, kérosène vert… De quoi parle-t-on exactement ?

Premier coût caché la biomasse de deuxième génération : la fragmentation du territoire

La biomasse n’est pas une ressource concentrée. Elle est, pour l’essentiel, répartie dans l’espace, dans des champs et des forêts plus ou moins morcelés. Or, plus une telle ressource est dispersée sur le territoire en petites unités, plus son coût de collecte augmente.

Nos travaux menés en Malaisie montrent que le coût d’approvisionnement augmente à chaque fois que la fragmentation spatiale augmente. Pour un million de tonnes de biomasse effectivement disponible, cela représente plus de 4 dollars (soit 3,44 euros) par tonne par unité supplémentaire de fragmentation spatiale. À titre d’exemple, cette fragmentation spatiale a été évaluée à environ 3,3 dollars pour les déchets forestiers – et même à plus de 6 dollars pour certains déchets de palmiers – contre environ 0,3 dollar pour les scieries productrices de contre-plaqué.

Le reste de la logistique joue tout autant. En effet, le coût d’approvisionnement augmente de plus de 6 dollars (soit 5,15 euros) en moyenne par tonne par tranche de 100 kilomètres de transport. Et l’impact de la taille du camion est tout aussi critique : passer d’un petit camion d’une tonne à un 26 tonnes peut réduire le coût d’environ 84 dollars (plus de 72 euros) par tonne.

Ceci a plusieurs implications importantes. Une biomasse apparemment abondante sur un territoire donné peut être non compétitive si elle est trop morcelée. Inversement, une ressource moins abondante mais davantage concentrée peut devenir plus intéressante au plan industriel.

Cette règle est particulièrement importante en Indonésie et en Malaisie, où les mosaïques tropicales de plantations, forêts, routes et petites unités industrielles n’ont rien à voir avec des territoires plus homogènes que l’on retrouve par exemple dans certaines régions agricoles en Europe et aux États-Unis.

À lire aussi : Forêts et plantations de palmiers à huile peuvent-elles vraiment coexister ? Des résultats prometteurs en provenance de Bornéo

La teneur en eau, un deuxième coût caché

Ce n’est pas tout. Tous les résidus de biomasse végétale contiennent une part plus ou moins grande d’eau.

Or, transporter de l’eau dans la biomasse, c’est consommer davantage de carburant pour déplacer une masse qui ne produira pas d’énergie utile.

D’autres parmi nos travaux montrent qu’en Malaisie, à disponibilité comparable, la paille de riz reste bien plus compétitive que les frondes de palmier, du fait de leur teneur élevée en humidité.

Tous ces facteurs contribuent à faire augmenter le coût de production des biocarburants :

• Quand seule la fragmentation spatiale de la ressource augmente, le coût optimal du biocarburant augmente de 17 %.

• Quand seule l’humidité augmente, il grimpe de 42 %.

• Quand humidité et fragmentation se cumulent, le coût augmente de 69 %. Dans le même temps, la capacité optimale de l’usine de bioraffinerie qui traite ces résidus chute de 36 %.

Sous les tropiques humides, la différence entre matière sèche et matière humide est donc un déterminant majeur pour les coûts. Ce point vaut aussi pour les stratégies combinant plusieurs types de biomasses : mélanger plusieurs résidus n’améliore pas automatiquement la compétitivité. En effet, tout dépend de ce que le mélange fait à l’humidité moyenne.

Nos travaux montrent qu’un approvisionnement industriel de résidus de régimes vides de fruits (EFB) (le nom que l’on donne au sous-produit végétal obtenu après collecte des fruits), à 60 % d’humidité, peut être 31 % moins rentable qu’un approvisionnement combinant à la fois des EFB et des fibres de fruits pressés (sous-produit fibreux obtenu après extraction de l’huile de palme par pressage), dont l’humidité moyenne est de 48 %.

Un approvisionnement mixte peut donc être une excellente stratégie… à condition d’éviter tout mélange qui ajouterait de l’eau à transporter, et annulerait l’avantage attendu.

L’usine optimale n’est pas toujours la plus grande

Il existe enfin un troisième coût caché, lié aux économies d’échelle que l’on imaginerait faire en centralisant le traitement des résidus de biomasse. Il existe, en effet, un concept industriel qui remonte à l’invention du fordisme : plus l’usine est grande, plus l’économie d’échelle est forte. C’est vrai en théorie, mais dans la pratique, cela se vérifie ou non selon les cas.

Concernant les biocarburants, cette règle se heurte rapidement à la géographie réelle des ressources. Plus l’usine est grande, plus il faut aller chercher loin des biomasses plus ou moins humides, fragmentées, potentiellement difficiles d’accès ou coûteuses à prétraiter. Les gains d’échelle en termes de procédés pour la raffinerie peuvent alors être effacés par les coûts amont. C’est pourquoi toutes les biomasses sont d’intérêt variable, selon le contexte.

Dans le cas de la Malaisie et de l’Indonésie, la voie de fermentation de seconde génération est la plus compétitive, avec la paille de riz et la fibre de fruits pressés. À l’inverse, les troncs de palmier et certains résidus d’hévéaculture n’y sont sont pas rentables pour de la bioraffinerie.

Mais dans d’autres endroits, la situation pourra être opposée. La stratégie industrielle ne doit donc pas reposer sur des économies d’échelles maximum, mais sur l’ajustement de la capacité industrielle à la matière réelle disponible sur le terrain, à son humidité, à sa dispersion et à son accès.

Du sur-mesure, plutôt que du prêt à l’emploi

Les biocarburants sont, en général, une excellente solution à l’instabilité des cours du pétrole. Mais ils ne sont pas performants par simple abondance de biomasse. Ils exigent un travail fin d’ingénierie : séchage, points de prétraitement, points de collecte et de regroupement, choix des mélanges, logistique, adaptation de la taille des usines…

Les schémas imaginés pour les grandes plaines homogènes du Midwest américain, où la production d’éthanol est concentrée dans la Corn Belt, ou pour certains contextes agricoles centrés sur le colza ou la betterave en Europe, ne se transfèreront pas tels quels dans les pays tropicaux. En particulier en Asie du Sud-Est, où l’humidité, la fragmentation et les contraintes locales changent toute l’équation.

Les biocarburants ne sauraient se réduire à un simple substitut au pétrole, où l’on déclinerait la même solution partout. Ce sont des solutions régionales, qui ne peuvent fonctionner qu’à condition d’être conçues région par région.

Cet article a été décliné sous forme de chronique radio dans l'émission Le Club de C'est pas du vent, diffusée sur RFI le 27 mai 2026 et disponible sous forme de podcast.

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

Europe is staring at a dual crisis it hasn’t managed to solve. House prices across Europe have risen 60 percent and rents 30 percent over the past 15 years, while the number of building permits has fallen 20 percent. The European Investment Bank estimates the EU currently needs 2.25 million additional housing units, roughly 50 percent more than is actually being built. And yet the buildings that do get built remain among the largest sources of greenhouse gas emissions on the continent.

Between 2010 and 2024, construction costs in the European Union rose by 56 percent, and the European Commission expects housing demand to grow by more than two million units per year.

The housing affordability crisis and the climate crisis are not two separate problems. They are one interlocked systemic failure, and Europe’s construction and real estate sector sits at the centre of both.

The challenge: three tensions, one industry

The Architecture, Engineering and Construction (AEC) sector has suffered four decades of productivity stagnation. Complex permitting regimes, fragmented governance, and an industry structure built around one-off projects have prevented it from delivering affordable, liveable, and sustainable homes at scale.

By late 2025, the supply of new housing units in the EU met only 50 percent of actual demand, compounded by soaring costs for labour and materials and a construction sector that has historically struggled with low innovation and productivity.

At the same time, buildings account for roughly 40 percent of Europe’s energy consumption and 36 percent of its CO₂ emissions.

The EU Green Deal, the Circular Economy Action Plan, and the EU taxonomy for sustainable activities are demanding deep decarbonisation – but as theWorld Economic Forum’s Reimagining Real Estate framework (2024) makes clear, technology and sustainability commitments alone are insufficient without a reconfiguration of who builds, who owns, and who governs the built environment. The WEF’s earlier Framework for the Future of Real Estate (2021) similarly warned that affordability and decarbonisation would only align if the industry fundamentally changed its business models and governance structures. Neither framework, however, mapped the concrete alternative pathways by which this transformation might actually unfold.

France is an example which shows how quickly Europe’s housing and climate goals can collide. On April 23 2026, the government announced a housing stimulus bill to accelerate construction, decentralise some decisions, and launch a third urban-renewal programme. Its most controversial proposal would allow F- and G-rated energy-inefficient homes back onto the rental market if owners commit to renovation within three years for houses and five years for apartment buildings. Under current rules, G-rated homes have been barred from new or renewed leases since 2025, with F-rated homes due to follow in 2028. The question is whether enforcement and finance will make renovation real.

Across Europe, governments are trying to expand supply without weakening climate targets. Spain has turned to industrialised construction, using EU funds to build social housing faster and cheaper, while also confronting tourist rentals and a small social-housing stock. Germany faces the opposite pressure: housing completions fell to a 13-year low in 2025, while earlier estimates put annual need at 320,000 apartments until 2030.

At EU level, the Affordable Housing Plan now links faster permitting, renovation and cost-efficient construction. Supply measures increasingly depend on whether governments can integrate affordability with decarbonisation targets.

Four plausible futures for 2040

To address this gap, we conducted a multi-year strategic foresight study with over 30 senior industry experts from across Europe, architects, developers, material suppliers, energy companies, and real estate services firms. Published in the journal Futures our study combines a horizon scan, impact-uncertainty analysis, and three rounds of expert workshops to construct four consistent scenarios for the European AEC industry by 2040.

The scenarios are not predictions. They are structured explorations of four plausible development pathways, each with a distinct logic for how decarbonisation, circularity, and housing affordability might interact under different governance arrangements.

In the first scenario, Giants rule the AEC industry, Big Tech firms and OEM-like construction companies dominate through data-driven, off-site, industrialised building. Homes become subscription services; platforms set the standards and productivity rises sharply. But affordability and tenant agency remain contested, and small firms struggle to survive.

In the second, the Circular Future: a coalition of regulators, financial institutions, and pioneering firms embeds circular principles into planning law, procurement, and finance. Buildings become documented material banks; biomaterials replace concrete; renovation dominates. Progress on carbon and resource targets is strong, but urban affordability challenges persist without deliberate policy attention to housing typologies and ownership models.

In the third, public sector leadership: governments take direct control after market mechanisms fail to deliver at scale. Binding targets, standardised typologies, and public investment programmes drive rapid decarbonisation and housing supply, but at the cost of private innovation and creative experimentation.

In the fourth, the Green energy revolution whereby the rapid decarbonisation of the electricity grid reshapes the entire housing question. Buildings become active nodes in bidirectional smart grids, and operational carbon largely disappears. But attention shifts to embodied carbon, energy poverty, and the distributional effects of a transition that benefits some households far more than others.

The call for action

What our scenario analysis makes clear is that there is no automatic alignment between building more homes, decarbonising the stock, and making housing affordable. The same headline instruments, green finance, circular procurement, digitalisation, lead to very different outcomes, depending on who orchestrates the system and which governance logic dominates. This has direct implications for policymakers, investors, and industry leaders right now.

Three no-regret priorities emerge across all four futures:

• Deep renovation of the existing building stock is non-negotiable in every pathway; the question is only who pays and who profits.

• Digital infrastructure for monitoring energy and material performance is needed regardless of which actor is in charge.

• And new skills and organisational capabilities for industrialised construction and lifecycle thinking must be built now, not after the transition has arrived.

The EU’s first Affordable Housing Plan, launched in late 2025, and the upcoming first-ever EU Housing Summit in 2026 offer a rare political window. The question is whether policymakers will use it to address the structural governance failures our scenarios reveal, or simply add more instruments to a system whose fundamental tensions remain unresolved.

The building industry has a decade and a half to get this right. The futures exist; the choices are ours.

A weekly e-mail in English featuring expertise from scholars and researchers. It provides an introduction to the diversity of research coming out of the continent and considers some of the key issues facing European countries. Get the newsletter!

Les auteurs ne travaillent pas, ne conseillent pas, ne possèdent pas de parts, ne reçoivent pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'ont déclaré aucune autre affiliation que leur organisme de recherche.

During the entire course of World War I, approximately 25,000 American women crossed the Atlantic Ocean to attend to the needs of wounded soldiers and civilian communities in Europe. Women traditionally operated in medical units and helped care for wounded soldiers. Following US entry in the conflict, the newly established Women’s Overseas Hospitals and the American Women’s Hospitals in France drew hundreds of trained nurses to get involved in the war effort. Women’s participation, however, was not limited to the medical field. Female physicians and stenographers brought valuable skills to the front and helped the US military in a variety of domains. In 1918, for instance, the US Army Signal Corps sent 223 trained telephone operators to France to take over from inexperienced soldiers who were struggling to keep general headquarters connected with the troops who were under fire.

At a time when women experienced domestic confinement within their homes, taking part in relief organisations and being actively involved on the Western Front gradually reinforced their quest for equal rights, furthered their political agenda, and strengthened their claim for full citizenship.

Many American women seeking meaningful wartime jobs in France came from a very specific background, and many “hoped that the war would prove the forcing house in which long-standing feminine aspirations for the vote and economic equality would finally mature”.

Considerations for telling the story of the mothers to ‘America’s French orphans’

Any course focusing on American women in World War I should acknowledge the social backgrounds of the American wealthy expatriates, businessmen’s daughters, leisured wives of diplomats, and middle-class professionals who served as doctors, nurses, ambulance drivers, stenographers, and radio operators.

When teaching World War I in relation to 20th century American history to high school pupils and undergraduate students, educators traditionally focus on the neutrality of the United States and then expand on the reasons why Woodrow Wilson gradually dragged his country into the global conflict (Editorial note – For further reference: The Path to War: How the First World War Created Modern America by Michael S. Neiberg, Oxford, 2016; Neutrals, Belligerents and the Transformation of the First World War by Abbenhuis Maartje and Ismee Tames, London: Bloomsbury Academic, 2022).

Military historians linger on battles, strategies, and the decision-making process; cultural history gravitates around cultural encounters, war atrocities, and public reaction to the outbreak of the conflict; and scholars specialised in diplomacy dig into government archives, private papers, and conference proceedings to determine the responsibility of each country. But historians of women, childhood, and philanthropy have much to add to the understanding of WWI.

Presenting the big picture fatally necessitates omitting important details, but in the case of World War I studies, some entire facets of the conflict have been overlooked.

Out of interest in humanitarian organisations that operated in my home country, France, between 1914 and 1921, I have recently shifted the focus of my teaching to the plight of children during World War I. Cultural historians have long demonstrated that the French school system mobilised its youth to perpetuate a sense of national belonging in wartime and how state propaganda shaped children’s worldview. Yet I find that the various pictures of the conflict remain ethnocentric and neglect the silent but vital action of American women in rescuing France’s children.

Between 1914 and 1921, thousands of American women acted as mothers for French children displaced by the war.

In 1915, a group of American philanthropists envisioned the creation of Franco-American colonies to rescue youngest war victims from starvation and misery.

Twenty-eight colonies were established by the Committee Franco-American for the Protection of the Children of the Frontier (CFAPCF) to shelter displaced orphans from France and Belgium. All the colonies were managed and staffed by French nuns, but heavily depended on American donations and volunteers – American women. Among them were Alma A. Clarke, a former student at Bryn Mawr College, and Erica Thorp de Berry, the granddaughter of Henry Wadsworth Longfellow, a Harvard University professor and a towering figure in 19th century American literature.

American women helped to feed, educate, and nurse the orphaned and traumatised children who were moved to the colonies to recover and prepare for life on their own after the war. They tucked little orphans into bed, kissed them goodnight, told them stories of the gigantic country across the Atlantic Ocean, and even sang songs when they could not sleep.

Colonies operated as “humanitarian wombs” and though the survival of approximately 800 children from France and Belgium could look relatively insignificant, they carried out the first humanitarian actions toward children.

That same year, in 1915, another humanitarian organisation reached out to thousands of Americans.

Envisioned by Paris-based French industrialist, Émile Deutsch de la Meurthe, the Fatherless Children of France Society (FCFS) encouraged Americans to “adopt” France’s children who had lost their fathers to the war. Although considered orphans by virtue of being fatherless, the children were not “adopted” but rather sponsored at the rate of $36.50 per year (what would be today $900/€773). Though the tireless and skilled efforts of the FCFS staff and volunteers (mainly women), between 1915 and 1921, some 300,000 French children were spared hunger and destitution because they were sponsored by Americans.

Both organisations drew Americans’ financial support and mobilised hundreds of women across the United States. To engage donors and volunteers, they organised fairs on July 4 to remind Americans of Lafayette’s role in the American War of Independence, and spurred Americans to contribute to France’s survival. In the aftermath of the war, mourning families and those who had served were moved to support the cause of the FCFS.

The Fatherless Children of France Society more than doubled the number of sponsorships between November 1918 and January 1921, the date the organisation officially ceased to exist.

American women’s roles in reforging post-WWI communities

In the years after the war, individual Americans helped rebuild devastated France. American women set up schools and reconstructed devastated villages. For example, the American Committee for Devastated France (ACDF), co-founded by Anne Morgan, the daughter of American financier J.P. Morgan, operated on several fronts. From the Château de Blérancourt, some 350 French-speaking American women joined her task force. Among them were Mary Carson Breckinridge, the daughter of an Arkansas congressman and future founder of the Frontier Nursing Service; Lucile Atcherson Curtis, a militant suffragette who would later become the first female in the US Foreign Service; and Anna Lander West McDonnell, the niece of the first Chief Justice of the Supreme Court of the Territory of Washington.

Though the ACDF’s initial mission was to combat infant mortality, rebuild devastated villages, and finance the reconstruction of the industrial network, children’s well-being rapidly became a focus of the organisation.

The ACDF established a network of public libraries for children in the former occupied zones of Northern France. Jessie Carson became the director of a new American-style network of lending libraries for children. In April 1919, the first reading room for children was opened in the Northern French town of Vic-sur-Aisne.

The ACDF inspired American women at Wellesley, Vassar, Smith, Radcliffe, Stanford and other American colleges and universities to tackle problems related to agricultural production and devastated villagers. For example, in France’s remote and war-ravaged regions, a lack of milk contributed to infant mortality.

Funds from humanitarian organisations brought cows to the devastated regions, where underfed mothers could not breastfeed their babies. In early 1920, in Verdun (Meuse), the American-Franco Children’s League bought several cows, and Miss Butler, the president of the Vassar College unit of volunteers, organised the distribution of milk for babies; at the same time, in Reims (Marne), a “Drop of Milk Institution for Babies” opened, through the efforts of American women.

In short, when it came to humanitarian efforts to shield France’s children from destitution, hunger, and death, American women got the job done. And this is an untold story.

American women’s experiences in humanitarian missions in France during WWI are important for many reasons. First of all, they pave the way for future research on American humanitarian action during the Great War, and complement studies dealing with Franco-American relations.

Additionally, the archives of these associations are a treasure for those teaching history at the K-12, college, and graduate levels, as they contain letters from the women serving in France during and after the war. These primary sources are important first-hand accounts of the conflict.

For example, in teaching my unit on American action in France during WWI, I invited my pupils to analyse several fragments of Anne Morgan’s letters to her mother, held at the Morgan Library and Museum in New York City. Her letter, dated April 30, 1919 (Anne Tracy Morgan Papers,1888–1952, Morgan Library and Museum, New York), read as follows:

“We had proudly repaired a room to be used for the school at Camelin, when the Mayor came in and told us that in the brook, just outside the door of the school house, the head of a Boche had appeared in the water, as the brook had washed away the covering of soil that was over the body.”

With all the archives available online and the different tools to communicate, schools and universities in France and in the United States could easily partner with each other on digital projects, along with local repository, library, museum, or university collection.

From across the Atlantic Ocean and from more than a century ago, American women’s voices bearing important witness are still waiting to be heard.

A weekly e-mail in English featuring expertise from scholars and researchers. It provides an introduction to the diversity of research coming out of the continent and considers some of the key issues facing European countries. Get the newsletter!

Emmanuel Destenay ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

La course à l’IA engagée à l’échelle internationale ne doit pas se traduire par un détricotage des règles préservant nos ressources naturelles.

Qui n’a pas déjà expérimenté la désagréable sensation de surchauffe de son téléphone portable ou de son ordinateur lors d’une utilisation prolongée ou lorsque vous avez ouvert trop d’onglets sur votre navigateur ?

Imaginez maintenant la chaleur dégagée par 100 000 puces de calcul de dernière génération, entassées les unes sur les autres et tournant à plein régime, et ce, dans un complexe de plus de 26 kilomètres carrés soit environ 3714 terrains de football. Placez ce grille-pain géant dans une région où la température est de 35 degrés en moyenne et peut atteindre les 50 °C l’été, et vous voilà devant le projet « Stargate UAE » visant à construire jusqu’à 5 gigawatts de puissance de calcul installée dans un immense centre de données à Abu Dhabi.

Ces projets de centres de données dits « hyperscale » visant à alimenter l’essor de l’intelligence artificielle (IA) se multiplient dans le monde, que ce soit aux États-Unis avec le projet Prometheus de Meta prévoyant la construction d’un centre de données de la taille de Manhattan, et même en France avec le « Campus IA ».

Au-delà de leur importante consommation énergétique, ces mastodontes soulèvent d’autres problèmes. Pour fonctionner correctement, ils ne peuvent pas atteindre des températures trop élevées, et contiennent donc des systèmes de refroidissement qui permettent aux composants électroniques de fonctionner à plein régime tout en évitant qu’ils ne se détériorent sous la chaleur qu’ils dégagent.

Comment ces centres de données sont-ils refroidis ? Quel est l’impact de leur refroidissement sur l’environnement, et comment les rendre plus sobres ?

Centres de données, refroidissement et consommation en eau

Il existe plusieurs techniques pour refroidir un centre de données. Pour le résumer simplement, les systèmes de refroidissement reposaient auparavant exclusivement sur des systèmes de ventilation (comme dans votre ordinateur) ou de climatisation (comme dans votre voiture) qui utilisent la circulation de l’air comme source de fraîcheur et rejettent l’air chaud à l’extérieur.

Une deuxième solution de refroidissement utilise l’eau, beaucoup plus efficace que l’air pour transférer la chaleur. Celle-ci permet de rafraîchir des plaques placées proches des composants électroniques, et/ou de rafraîchir l’air ventilé dans l’entrepôt de données.

Dans le premier cas (la climatisation), l’opérateur a besoin de beaucoup d’énergie pour faire tourner les pompes et systèmes de ventilation. Dans le deuxième (le refroidissement liquide), l’entreprise a besoin de moins d’énergie mais nécessitera l’accès à une source d’eau douce (l’eau salée endommagerait les tuyaux et composants) afin d’alimenter son système en eau fraîche.

Les opérateurs de centres de données sont donc face à un arbitrage complexe : doivent-ils utiliser des systèmes de climatisation énergivores ou bien du refroidissement liquide qui, cette fois, nécessite la consommation d’importantes ressources en eau ?

En effet, la consommation en eau des data centers est estimée à 560 milliards de litres chaque année dans le monde, soit l’équivalent de la consommation annuelle en eau potable de 10 millions de Français.

Cette soif insatiable se retrouve également dans les chiffres publiés par les Gafam. Ainsi, Google a vu sa consommation nette d’eau augmenter de 28 % entre 2023 et 2024, atteignant 30 milliards de litres dont environ un tiers provient de régions en stress hydrique. Microsoft, pour sa part, estime que 46 % de ses prélèvements d’eau ont lieu dans de telles zones en 2024.

Toutefois, il faut avoir à l’esprit que les besoins en eau des data centers ne sont pas uniquement liés aux systèmes de refroidissement. Pour obtenir une vision globale de l’impact du développement de ces infrastructures sur les ressources en eau, il convient de prendre également en compte l’eau utilisée par les centrales électriques qui les alimentent, ainsi que l’eau consommée lors du processus de fabrication des composants électroniques. Des chercheurs estiment ainsi que les mégacentres de données construits spécifiquement pour les besoins de calcul de l’IA utilisent, en moyenne, jusqu’à 20 millions de litres d’eau par jour, soit autant qu’une ville de 10 000 à 50 000 habitants.

Peut-on rendre les centres de données moins gourmands en eau ?

Il existe des solutions innovantes pour limiter cette consommation et rendre les systèmes de refroidissement plus efficients. Des entreprises, comme OVH Cloud, Nvidia ou Nebius, développent et déploient de nouvelles architectures de systèmes de refroidissement liquide au plus proche des puces de calcul. Ces nouvelles techniques permettent de réduire, selon les chiffres annoncés, jusqu’à 50 % de la consommation en eau. Toutefois, elles restent encore onéreuses à mettre en œuvre et assez peu développées sur le parc existant.

De manière plus générale, la principale source de perte en eau lors du fonctionnement des centres de données vient du fait qu’ils reposent aujourd’hui pour la plupart sur des circuits ouverts, conduisant à l’évaporation d’une grande partie de l’eau utilisée. C’est pourquoi les nouveaux centres de données devraient idéalement reposer, autant que possible, sur des systèmes de refroidissement en circuit fermé, évitant ce phénomène d’évaporation. Néanmoins, ce type de refroidissement peut s’avérer plus cher, conduit souvent à une hausse du besoin en électricité, et n’est pas évident à mettre en œuvre dans tous les centres de données « historiques » qui n’ont pas été conçus pour le mettre en œuvre.

Des propositions plus farfelues sont aussi avancées, telles que l’envoi de data centers dans l’espace ou bien en immersion dans les océans. Néanmoins, l’apport réel de ces propositions reste encore largement débattu, que ce soit pour des questions de faisabilité technique (bon courage pour réaliser la maintenance de votre centre de données sous-marin !) ou de bénéfices en termes d’émission de CO₂ par rapport à un centre construit sur terre – le cabinet de conseil en décarbonation, Carbone 4, fondé par Alain Grandjean et Jean-Marc Jancovici a, à cet égard, montré que les data centers spatiaux risquaient d’avoir un impact carbone plus important que sur terre en raison des émissions liées au lancement.

À lire aussi : Pourrait-on faire fonctionner des data centers dans l’espace ?

Pour un développement raisonné des centres de données, conscient du caractère fini des ressources naturelles

Au-delà de la faisabilité technique, ces discours risquent de nous détourner du vrai problème : le développement massif de centres de données hyperscale très gourmands en eau, dont une bonne partie dans des territoires où cette ressource se fait rare et conduit à des conflits d’usage.

Ce développement ne se fait pas dans un vide juridique. Les règles du droit de l’environnement, de l’aménagement du territoire et de l’urbanisme prévoient un certain nombre de régimes d’autorisation et d’évaluation environnementale en amont de la construction de ces projets, notamment en France avec le régime des installations classées pour la protection de l’environnement (ICPE).

Néanmoins, la course à l’IA engagée à l’échelle internationale conduit les pays à rivaliser d’ingéniosité pour attirer les investisseurs quitte, parfois, à assouplir les contraintes réglementaires comme c’est le cas actuellement en France avec la loi dite de simplification de la vie économique récemment adoptée. Il est urgent de prêter attention à l’ode à la « simplification », qui provient des discours politiques au sein de l’Union européenne et transcrite dans la politique menée par la Commission européenne, mais qui ne doivent pas se traduire par un détricotage des règles préservant nos ressources naturelles.

Plus généralement, ces débats soulèvent la question de l’usage : alors que certaines économistes parlent de « bulle de l’IA », qui peut réellement prédire quels seront les véritables usages futurs de ces infrastructures ?

Dans les années 1960, il fallait un bâtiment entier pour faire tenir un ordinateur, ils tiennent aujourd’hui dans notre smartphone. Si les IA de demain tiennent aussi sur nos terminaux, doit-on réellement sacrifier nos ressources naturelles pour créer ces mastodontes ?

À lire aussi : Charles Ponzi nous permet-il de comprendre la bulle de l’IA ?

Thomas Le Goff est Research Fellow au sein du think thank Centre on Regulation in Europe (CERRE).

Un modèle d’IA peut être très performant dans un cadre contrôlé, mais se dégrader lorsque les données qu’il reçoit en conditions réelles ne ressemblent plus exactement aux données sur lesquelles il a été conçu, validé ou récemment mis à jour.

Ainsi, lorsque la mise à jour du modèle est faite naïvement, on peut être confronté au problème de l’« oubli catastrophique » : le modèle a progressé sur les données récentes, mais perd brutalement en performance sur les données plus anciennes. Ce sont précisément ces difficultés qui motivent le développement de l’« apprentissage continu ».

Dans l’apprentissage automatique « classique », on entraîne un réseau de neurones sur un très grand ensemble de données, puis on l’utilise tel quel. Mais ce cadre devient insuffisant lorsque les données arrivent au fil du temps, par exemple dans le cas de données météo, à l’arrivée de nouveaux patients dont la démographie ou la génération évolue, ou encore avec de nouvelles pratiques professionnelles.

Un système de Google Health destiné à automatiser le dépistage de la rétinopathie diabétique (l’ensemble des maladies de la rétine dues à la détérioration des vaisseaux rétiniens par le diabète) était prometteur lors d’évaluations contrôlées. En clinique, en revanche, il a rencontré des difficultés : sur 1 838 images traitées pendant les six premiers mois d’usage dans onze cliniques en Thaïlande, 393 (21 %) n’atteignaient pas le seuil de qualité requis.

Cet exemple ne signifie pas que la rétinopathie diabétique aurait changé en quelques mois. Il montre plutôt que les données vues par le système en clinique peuvent différer fortement de celles utilisées lors de son développement : qualité variable des images, différences de caméras, luminosité, reflets, patients plus difficiles à photographier, contraintes de temps et organisation du dépistage.

Autrement dit, la distribution des données change lorsque l’on passe d’un cadre contrôlé à un environnement réel. C’est précisément ce type de décalage qui rend insuffisant un modèle figé et qui pose la question suivante : comment adapter le modèle à ces nouvelles conditions sans perdre ce qu’il savait déjà faire ?

Les méthodes les plus simples conceptuellement, par exemple un réentraînement complet sur toutes les données, incluant les nouvelles, exigent beaucoup de calculs et sont donc peu réalistes.

Le continual learning, ou apprentissage continu, vise justement à faire évoluer le modèle au rythme du flux de données : s’adapter, intégrer de l’information nouvelle et apprendre des tâches successives, sans repartir systématiquement de zéro. Il se distingue d’un simple réentraînement périodique par une contrainte essentielle : apprendre le nouveau sans détruire l’ancien.

Au fond, l’apprentissage continu cherche un compromis entre deux exigences opposées] : la plasticité, nécessaire pour apprendre du nouveau, et la stabilité, indispensable pour ne pas effacer l’ancien.

Pourquoi les modèles d’IA oublient-ils ?

La difficulté vient du fait qu’un réseau de neurones n’a pas une mémoire rangée en dossiers indépendants. Les mêmes paramètres – les mêmes neurones et les mêmes connexions – servent souvent à plusieurs tâches.

Si les tâches se ressemblent, cette mutualisation est utile : le modèle peut réutiliser des représentations déjà apprises. Mais si les tâches diffèrent, les mises à jour nécessaires à la nouvelle tâche entrent en concurrence avec ce qui faisait la réussite des anciennes.

Prenons un exemple simple. Un modèle industriel a appris à détecter des défauts sur des pièces métalliques à partir d’images prises avec une première caméra. Plus tard, l’usine remplace la caméra : la résolution, la luminosité et les reflets changent. Si l’on réentraîne le modèle uniquement avec les nouvelles images, il peut s’adapter au nouveau capteur, mais perdre en performance sur les images produites par l’ancien système. Ce n’est pas parce que les anciens défauts ont disparu ; c’est parce que les paramètres qui les reconnaissaient ont été modifiés pour résoudre le nouveau problème.

En production, les incidents publiés sont plus souvent décrits comme des « décalages de données » que comme de l’oubli catastrophique. Les deux problèmes restent liés : dès qu’un modèle est mis à jour avec des données récentes, il faut éviter d’effacer des compétences antérieures.

Une étude récente menée sur des modèles d’IA utilisés à l’hôpital illustre bien cette difficulté. Les chercheurs ont supervisé un système chargé d’estimer le risque de décès de patients hospitalisés. Avec le temps, les dossiers reçus par ce système ont changé : les patients n’étaient plus exactement les mêmes, certaines mesures médicales variaient, et les pratiques hospitalières ont été bouleversées, en particulier pendant le Covid-19.

Le problème n’est donc pas qu’un dossier isolé serait anormal. C’est l’ensemble des données qui se transforme peu à peu. Pour rester utile, le modèle doit alors être mis à jour avec des exemples plus récents. Dans l’étude, cette mise à jour permettait effectivement de meilleurs résultats qu’un modèle laissé tel quel. Mais il y a un risque : si on laisse le système « apprendre » trop sur les données récentes, le modèle peut se spécialiser et devenir très bon sur les cas nouveaux, tout en perdant une partie de ses capacités sur les cas plus anciens. Il s’adapte au présent, mais au prix d’un oubli du passé. C’est ce qu’on appelle l’« oubli catastrophique ».

Pour intégrer des informations nouvelles sans sacrifier ce qui a déjà été appris, plusieurs grandes familles de méthodes existent : rejouer une partie du passé, protéger certains paramètres, modifier l’architecture du modèle ou apprendre des représentations plus stables.

Garder en mémoire des exemples représentatifs

La première, assez intuitive, consiste à rejouer le passé. C’est le « replay » : on conserve une petite mémoire d’exemples représentatifs des tâches antérieures et l’on entraîne le modèle sur un mélange « nouvelles données + mémoire ». C’est une forme de révision : le modèle ne relit pas tout le manuel, mais revoit quelques pages bien choisies.

Dans un système de reconnaissance d’images qui apprend progressivement de nouvelles catégories, on peut garder quelques images typiques de chaque ancienne classe, mais aussi des cas ambigus proches des frontières entre classes. Des méthodes comme iCaRL ont popularisé cette idée : apprendre de nouvelles classes tout en gardant un petit ensemble d’exemples représentatifs des anciennes.

Lorsque stocker des données réelles est difficile – pour des raisons de confidentialité, de coût ou de stockage – on peut recourir à un modèle génératif. Entraîné sur le passé, ce modèle produit des exemples artificiels des anciennes tâches, qui jouent le rôle de « souvenirs » synthétiques. Cette stratégie, appelée generative replay, peut réduire le besoin de conserver les données originales.

Mais ces données synthétiques ne sont pas automatiquement équivalentes aux données initiales. Elles peuvent manquer de diversité, négliger les cas rares, amplifier certains biais ou produire des exemples plausibles mais trompeurs. Il faut donc les valider : vérifier qu’elles couvrent les anciennes classes, préservent les cas difficiles et maintiennent les performances sur des jeux de test indépendants.

Les travaux récents sur l’entraînement répété à partir de données synthétiques montrent aussi un risque d’« effondrement » du modèle : à force d’apprendre sur des données synthétiques, il peut perdre des informations sur la vraie distribution, surtout sur ses parties « rares ».

Toute la question est donc de décider quoi conserver (ou générer) lorsque l’on a un budget restreint : des exemples typiques, rares, difficiles, ou un mélange des trois.

À lire aussi : Apprendre à oublier : le nouveau défi de l’intelligence artificielle

Protéger certains paramètres du modèle

Une deuxième famille de méthodes vise non pas à conserver des exemples, mais à protéger certaines parties du modèle. L’idée est d’identifier les poids déterminants pour les tâches passées, puis d’ajouter une pénalité lorsqu’ils changent trop pendant l’apprentissage d’une nouvelle tâche. Le modèle peut continuer à apprendre, mais il paie un « coût » plus élevé lorsqu’il modifie des paramètres jugés importants pour ses compétences anciennes.

C’est le principe de méthodes comme Elastic Weight Consolidation : ralentir l’apprentissage sur les poids importants pour les tâches déjà vues, afin de réduire l’oubli.

Une approche voisine, mais différente, consiste à préserver le comportement de l’ancien modèle plutôt que ses poids. On ajoute alors un terme de coût qui encourage le modèle mis à jour à produire des sorties proches de celles de l’ancien modèle sur des données de référence. C’est le principe de la « distillation » : l’ancien modèle joue le rôle de professeur, et le nouveau apprend la nouvelle tâche sans trop s’éloigner des réponses du professeur. La méthode Learning without Forgetting repose sur cette logique, même lorsque les données initiales ne sont plus disponibles.

La différence est donc la suivante : la régularisation des poids demande de « ne pas trop déplacer ces réglages internes », tandis que la distillation demande de « garder un comportement proche de l’ancien modèle ». Dans les deux cas, on peut parfois limiter l’oubli sans stocker toutes les données passées.

Leur limite est le compromis imposé : si l’on protège trop le modèle, il devient moins plastique et apprend moins bien la nouvelle tâche. Dans l’exemple du changement de caméra, protéger les anciens paramètres peut aider à reconnaître les défauts déjà connus, mais une protection trop forte empêchera le modèle de s’adapter à la nouvelle luminosité ou à la nouvelle résolution.

Superposer à l’ancien modèle de nouvelles couches de neurones qui apprennent des nouvelles données

Une troisième stratégie consiste à éviter de faire tenir tous les apprentissages dans les mêmes paramètres. Plutôt que de modifier sans cesse le même réseau, on peut réserver des « espaces » distincts à différentes tâches.

Certaines approches figent les parties du réseau déjà apprises et ajoutent, pour chaque nouvelle tâche, de nouveaux modules reliés aux précédents. Les réseaux progressifs, par exemple, ajoutent de nouvelles colonnes de neurones tout en réutilisant les connaissances acquises par des connexions latérales. Le modèle bénéficie ainsi de l’expérience accumulée sans risquer de la dégrader.

D’autres méthodes apprennent à n’activer qu’une partie des paramètres selon la tâche ou le contexte. On peut imaginer le modèle comme un réseau routier : au lieu de faire passer toutes les tâches par la même route, il apprend quels chemins internes utiliser pour chaque situation. Les approches par masques d’attention ou par sélection de sous-réseaux suivent cette logique.

Enfin, lorsque la nouvelle tâche est trop éloignée des précédentes, on peut agrandir le modèle en lui ajoutant des neurones ou des modules. Des méthodes comme PackNet exploitent par exemple les redondances d’un grand réseau pour libérer puis réserver des paramètres à de nouvelles tâches.

Ces stratégies réduisent sensiblement l’oubli, mais elles ont un coût : le modèle peut grossir au fil du temps, et il faut parfois savoir, au moment de l’usage, quelle partie du réseau mobiliser. Dans certains cas, cette information est disponible — par exemple si l’on sait quelle tâche est demandée. Dans d’autres, le modèle doit aussi apprendre à reconnaître le contexte.

Apprendre des représentations plus stables

Une piste complémentaire consiste à agir plus en amont : il ne s’agit pas seulement de protéger le modèle ou de lui ajouter des modules, mais de lui apprendre des représentations internes plus stables.

Une représentation interne, ou embedding, est la description numérique qu’une couche intermédiaire fabrique à partir d’une donnée. Une image, un texte ou un signal de capteur est transformé en un vecteur de nombres qui résume certaines caractéristiques utiles : formes, textures, mots, régularités, anomalies. Si deux données se ressemblent, on aimerait que leurs représentations soient proches ; si elles correspondent à des classes différentes, on aimerait qu’elles soient bien séparées.

L’objectif est alors d’organiser cet espace de représentation de façon à ce qu’il change le moins possible lorsque de nouvelles tâches arrivent. On peut conserver quelques prototypes — des représentants typiques d’une classe — qui servent d’ancrages. On peut aussi utiliser des méthodes contrastives, qui rapprochent les exemples semblables et éloignent les exemples différents dans l’espace des représentations. Ces méthodes sont utiles parce qu’elles tendent à extraire des caractéristiques plus générales, donc moins dépendantes d’un contexte particulier.

On peut également pratiquer un replay en espace latent : au lieu de stocker les données brutes, on mémorise les activations produites par une couche intermédiaire du réseau. Cette stratégie peut réduire fortement le coût en mémoire et en calcul. Elle ne résout toutefois pas automatiquement toutes les questions de confidentialité : une représentation interne peut encore contenir des informations sensibles !

Combiner plusieurs mécanismes pour éviter les oublis catastrophiques

Dans les systèmes les plus efficaces, ces idées ne sont pas utilisées isolément. On combine fréquemment plusieurs mécanismes : un petit tampon de replay avec une régularisation des poids, du replay avec de la distillation, ou encore des représentations stables avec une architecture modulaire.

Le choix dépend des contraintes concrètes : budget mémoire, exigences de confidentialité, coût de calcul, vitesse d’adaptation attendue, criticité de l’application. Dans les domaines sensibles, comme la santé, l’apprentissage continu ne doit pas signifier qu’un modèle se modifie sans contrôle. Il doit s’accompagner d’une surveillance de la dérive des données, d’évaluations régulières, de garde-fous et d’une possibilité de revenir à une version antérieure du modèle.

L’apprentissage continu ne promet donc pas une IA qui apprendrait indéfiniment sans risque. Il propose plutôt une manière plus réaliste de maintenir des modèles utiles dans un monde qui change : apprendre du présent, sans effacer trop vite le passé.

Eric Moulines ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.

Pour les Jeux olympiques 2028, le Comité international olympique souhaite réserver la catégorie féminine aux athlètes « de sexe biologique féminin » ne portant pas le gène SRY, présenté comme le déclencheur génétique du développement testiculaire. SRY est certes un acteur clé de la différenciation sexuelle chez les mammifères et a longtemps été enseigné comme le « gène du sexe ». Mais la recherche en biologie du développement montre, aujourd’hui, que le sexe ne se résume ni à ce gène, ni même aux seuls chromosomes XX et XY. En effet, chromosomes non sexuels (autosomes), hormones, récepteurs et environnement s’entrecroisent pour produire une grande diversité de situations.

Depuis 2026, l’admissibilité à toute épreuve féminine des Jeux olympiques est, selon les nouvelles règles annoncées par le Comité international olympique (CIO) pour les JO 2028, réservée aux « personnes de sexe biologique féminin », non porteuses du gène SRY. Ce dernier est pris par le CIO comme critère d’exclusion, y compris pour des athlètes qui s’identifient comme femmes et répondent par ailleurs aux critères hormonaux (seuil de testostérone). Ce critère de port du gène SRY est critiqué par de nombreux spécialistes, perçu comme un indicateur de performance anachronique, reposant sur des bases scientifiques limitées et exposant les athlètes à des effets stigmatisants.

Historiquement, les règlements sportifs se sont d’abord appuyés sur des seuils de testostérone pour définir l’éligibilité à la catégorie féminine, en supposant qu’un taux plus élevé se traduisait mécaniquement par un avantage de performance.

Dans ce schéma, le rôle du SRY est implicite : ce gène influence les gonades, c’est-à-dire les organes responsables de la production des cellules sexuelles et de la sécrétion des hormones sexuelles, jouant de fait un rôle essentiel dans le développement sexuel. SRY oriente les gonades vers la différenciation en testicule, et favorise la production d’androgènes, hormones sexuelles stéroïdiennes (comme la testostérone) qui stimulent le développement et le maintien des caractères sexuels masculins. Ces hormones contribuent notamment à la masse musculaire, à la taille ou au pourcentage du volume sanguin occupé par les globules rouges (hématocrite), autant de facteurs susceptibles d’influencer certains résultats sportifs.

Mais même sur ce point, les données sont discutées : quelques études observent en moyenne un léger avantage pour les sportives avec les taux de testostérone les plus élevés, tandis que d’autres ne retrouvent pas de corrélation simple entre testostérone détectée dans le sang et performance, y compris chez les athlètes intersexes (athlètes nés avec des caractéristiques sexuelles, chromosomes, hormones, organes génitaux, qui ne correspondent pas exactement aux définitions « typiques » du masculin ou du féminin). La biologie du développement et la génétique montrent en effet une réalité beaucoup plus complexe et nuancée, qui déborde largement du cadre des seuls chromosomes sexuels. Le gène SRY ne contrôle pas à lui seul la différenciation des gonades en testicules.

XX, XY et SRY, « gène du sexe »

De manière classique, la détermination du sexe chez les mammifères est souvent présentée comme un mécanisme binaire : les individus XX deviendraient des femmes, les individus XY des hommes, grâce à l’action d’un « gène du sexe », SRY, localisé sur le chromosome Y. On parle de chromosomes sexuels pour désigner cette paire particulière (XX ou XY) qui, contrairement aux autosomes ou chromosomes non sexuels, diffère généralement entre femelles et mâles et porte une partie des gènes impliqués dans la détermination du sexe, comme SRY sur le Y.

Au cours du développement, les gonades du fœtus sont d’abord indifférenciées. Sous l’effet de SRY, elles s’orientent habituellement vers un développement testiculaire, tandis qu’en l’absence de SRY fonctionnel elles évoluent plutôt vers un développement ovarien.

Au début des années 1990, plusieurs équipes ont montré que le gène SRY, situé sur le chromosome Y pouvait être : impliqué dans la mise en place des testicules, présent chez des personnes XX avec un corps « masculin », altéré chez certaines personnes XY au corps « féminin », ce qui le rend nécessaire au développement testiculaire. Des expériences chez la souris ont ensuite prouvé qu’exprimer le gène SRY dans un embryon XX suffit pour qu’il développe des testicules. Ces résultats ont bouleversé les modèles précédents en instaurant l’idée qu’un seul gène peut déclencher toute la cascade de différenciation sexuelle vers le masculin. Cette vision reste cependant très simplificatrice.

Par exemple, l’étude des « variations du développement sexuel » (VDS, ou Disorders/Differences of Sex Development en anglais, DSD) remet en question la stricte équivalence XX = femme et XY = homme. Les variations du développement sexuel sont rares : en France et dans les pays aux profils similaires, les estimations cliniques situent leur fréquence autour d’une naissance sur 2 500 – 4 500, soit de l’ordre de 0,02 - 0,04 % des naissances, selon les définitions retenues. Ces troubles/variations du développement sexuel incluent, par exemple, des individus XY qui présentent des gonades mal développées, souvent réduites à des bandelettes fibreuses non fonctionnelles et un phénotype féminin, ou, inversement, des individus XX présentant des caractères typiquement masculins. Ces variations du développement sexuel, régulièrement rencontrées en clinique pédiatrique et endocrinologique, soulignent que ce que l’on appelle « sexe biologique » recouvre en réalité plusieurs dimensions (chromosomique, gonadique, phénotypique, hormonale) qui ne sont pas toujours alignées.

Un réseau de gènes pour déterminer le sexe

L’analyse moléculaire de la différenciation en testicule ou en ovaire chez les mammifères montre que cette différenciation ne résulte pas de l’action isolée de SRY. Plusieurs gènes s’activent ou se répriment de manière coordonnée dans le temps et dans l’espace. SRY constitue un signal d’initiation majeur dans la gonade XY, mais la mise en place puis la conversion durable de la gonade indifférenciée en testicule fonctionnel avec production d’hormones (androgènes) reposent ensuite sur des facteurs situés sur les chromosomes non sexuels (autosomes). On peut citer parmi eux les gènes SOX9 ou CBX2. Les gènes comme RSPO1 et WNT4 sont, quant à eux, impliqués dans le maintien d’un destin ovarien.

Les phénotypes observés lors de mutations de ces gènes illustrent leur rôle déterminant. Chez l’humain, des anomalies d’expression du gène SOX9 (par exemple des délétions régulatrices en amont du gène) chez des sujets XY peuvent entraîner un développement incomplet ou anormal des gonades et un phénotype féminin malgré un gène SRY fonctionnel.

À l’inverse, des mutations de RSPO1 ou de WNT4 peuvent, chez des individus XX humains, favoriser la formation de tissu testiculaire et une virilisation marquée des organes génitaux externes, en l’absence de chromosome Y.

Il existe donc des femmes XY et des hommes XX, parce que des gènes autosomiques ont fait basculer la cascade du développement sexuel dans un sens ou dans l’autre.

Autrement dit, SRY déclenche une trajectoire, mais ne la détermine pas à lui seul.

Au‑delà du génome : hormones, récepteurs et environnement

Les caractères sexuels secondaires (musculature, pilosité, voix, répartition des graisses, cycles menstruels, etc.) dépendent fortement des hormones sexuelles et de la sensibilité des tissus à ces hormones via leurs récepteurs. Ces hormones, comme les œstrogènes et les androgènes, agissent sur des milliers de gènes répartis sur l’ensemble du génome, et non pas seulement sur les chromosomes sexuels, avec des réponses qui varient selon les organes, l’âge, la nutrition, l’activité physique ou l’exposition à des perturbateurs endocriniens.

Des études récentes d’expression des gènes à l’échelle du génome montrent d’ailleurs de nombreuses différences d’expression génique entre femmes et hommes, qui concernent surtout des gènes sur les chromosomes non sexuels, dont l’activité est modulée par le contexte hormonal et le type de tissu. Même si le caryotype (composition en chromosomes, par exemple XX ou XY) joue un rôle important, la biologie du sexe chez les mammifères résulte ainsi d’interactions continues entre gènes, hormones et environnement au cours du développement et de la vie entière.

Un gène à lui seul ne suffit pas à « dire » le sexe

Les débats récents sur le sport de haut niveau reposent ainsi sur des dispositifs qui supposent que le sexe se laisse réduire à un simple marqueur génétique binaire. Or, la biologie contemporaine du développement décrit une réalité beaucoup plus riche : détermination chromosomique, différenciation gonadique, phénotype des organes génitaux (ensemble des caractères observables), profil hormonal et, au-delà, action de nombreux gènes autosomiques capables d’orienter ou d’inverser la trajectoire sexuelle.

Se pose une question plus large : que se passe-t-il lorsqu’on transforme un « fragment » de génome en critère de classement social ou sportif, alors qu’il ne reflète qu’une partie de la réalité biologique ? Comprendre cette complexité rappelle que le génome n’est pas un arbitre neutre, et que faire de la génétique un outil de tri mérite bien plus de prudence qu’un simple résultat de test ne le suggère.

Jean-François Bodart ne travaille pas, ne conseille pas, ne possède pas de parts, ne reçoit pas de fonds d'une organisation qui pourrait tirer profit de cet article, et n'a déclaré aucune autre affiliation que son organisme de recherche.